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。
Azure CLI ml 扩展 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。
为什么需要 Azure 机器学习管道？
流水线将机器学习任务分解成多个步骤。 每个步骤都是一个可管理组件，可以单独开发和自动执行。 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，支持团队协作，提高培训效率，并降低成本。
将 MLOps 实践标准化，并支持可扩展的团队协作
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
你可以根据起始点，通过多种方式构建管道。
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。
要实现规模化，请针对常见问题使用管道模板。 团队派生模板，处理分配给自己的步骤，并仅在需要时更新自己负责的部分。
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：
| 场景 | 主要角色 | Azure 产品/服务 | OSS 产品 | 规范的管道 | 优势 |
|---|---|---|---|---|---|
| 模型编排（机器学习） | 数据科学家 | Azure 机器学习管道 | Kubeflow 流水线 | 数据->模型 | 分布、缓存、代码优先、重用 |
| 数据编排（数据准备） | 数据工程师 | Azure 数据工厂管道 | Apache Airflow | 数据 -> 数据 | 强类型迁移，以数据为中心的活动 |
| 代码和应用编排（CI/CD） | 应用开发/运维 | Azure Pipelines | Jenkins | 代码 + 模型 -> 应用/服务 | 最开放、最灵活的活动支持、审批队列以及设有门禁的阶段 |
后续步骤
Azure 机器学习管道从开发之初就开始带来价值。