什么是 Azure 机器学习管道？

2025-10-22

适用范围：Azure CLI ml 扩展 v1Python SDK azureml v1

重要

本文提供有关使用 Azure 机器学习 SDK v1 的信息。 SDK v1 自 2025 年 3 月 31 日起弃用。对它的支持将于 2026 年 6 月 30 日结束。可以在该日期之前安装和使用 SDK v1。使用 SDK v1 的现有工作流将在支持结束日期后继续运行。但是，在产品发生体系结构更改时，可能会面临安全风险或中断性变更。

建议在 2026 年 6 月 30 日之前过渡到 SDK v2。有关 SDK v2 的详细信息，请参阅什么是 Azure 机器学习 CLI 和 Python SDK v2？以及 SDK v2 参考。

重要

本文中的一些 Azure CLI 命令使用适用于 Azure 机器学习的 azure-cli-ml 或 v1 扩展。对 CLI v1 的支持于 2025 年 9 月 30 日结束。 Microsoft将不再为此服务提供技术支持或更新。使用 CLI v1 的现有工作流将继续在支持终止日期后运行。但是，在产品发生体系结构更改时，可能会面临安全风险或中断性变更。

建议尽快过渡到 mlv2 扩展。有关 v2 扩展的详细信息，请参阅 Azure 机器学习 CLI 扩展和 Python SDK v2。

适用范围：Azure CLI ml 扩展 v2（最新版）Python SDK azure-ai-ml v2（最新版）

Azure 机器学习管道是自动化完整机器学习任务的工作流。它标准化最佳做法、支持团队协作并提高效率。

管道将机器学习任务分解为步骤。每个步骤都是可以单独开发和自动化的可管理组件。 Azure 机器学习管理步骤之间的依赖关系。这种模块化方法：

标准化 MLOps 并支持团队协作
提高培训效率并降低成本
标准化机器学习作（MLOps），并支持可缩放的团队协作
提高培训效率并降低成本

标准化 MLOps 实践并支持可缩放的团队协作

MLOps 自动生成和部署模型。管道通过将每个步骤映射到特定任务来简化此过程，以便团队可以独立工作。

例如，项目可能包括数据收集、准备、训练、评估和部署。数据工程师、科学家和 ML 工程师各自拥有自己的步骤。步骤最好构建为组件，然后集成到单个工作流中。管道可以通过 DevOps 实践对管道进行版本控制、自动化和标准化。

训练效率和成本缩减

管道还可以提高效率并降低成本。它们重复使用未更改步骤的输出，并允许你在任务的最佳计算资源上运行每个步骤。

入门最佳做法

可以通过多种方式生成管道，具体取决于起点。

如果不熟悉管道，请首先将现有代码拆分为步骤、参数化输入并将所有内容包装到管道中。

若要进行缩放，请使用管道模板解决常见问题。 Teams 分叉模板、处理分配的步骤，并根据需要仅更新其部件。

借助可重用的管道和组件，团队可以通过克隆或组合现有片段来快速创建新工作流。

可以使用 CLI、 Python SDK 或设计器 UI 生成管道。

我应该使用哪种 Azure 管道技术？

Azure 提供了多种类型的管道，以实现不同的目的：

方案	主要角色	Azure 产品/服务	OSS 产品/服务	规范管道	优势
模型业务流程（机器学习）	数据科学家	Azure 机器学习管道	Kubeflow 管道	数据 -> 模型	分布、缓存、代码优先、重用
数据业务流程（数据准备）	数据工程师	Azure 数据工厂管道	Apache Airflow	数据 -> 数据	强类型的移动，以数据为中心的活动
代码和应用业务流程 (CI/CD)	应用开发人员/Ops	Azure Pipelines	Jenkins	代码 + 模型 -> 应用/服务	最开放和灵活的活动支持、审批队列、门控相位

后续步骤

Azure 机器学习管道从开发开始增加价值。

Compartilhar via