将脚本运行升级到 SDK v2

在 SDK v2 中，“试验”和“运行”整合为作业。

作业有不同类型。 大多数作业都是运行 command 的命令作业，例如 python main.py。 作业中运行的内容与任何编程语言无关，因此你可以运行 bash 脚本、调用 python 解释器、运行一组 curl 命令或其他任何内容。

若要升级，请将提交作业的代码更改为 SDK v2。 无需将作业 中 运行的内容升级到 SDK v2。 但是，请从模型训练脚本中删除特定于Azure Machine Learning的任何代码。 这种分离便于更轻松地在本地和云之间进行转换，并且被认为是成熟 MLOps 的最佳做法。 实际上，这意味着删除 azureml.* 代码行。 将模型日志记录和跟踪代码替换为 MLflow。 有关详细信息，请参阅如何在 v2 中使用 MLflow。

本文比较了 SDK v1 和 SDK v2 中的方案。

提交脚本运行

• SDK v1

  from azureml.core import Workspace, Experiment, Environment, ScriptRunConfig
  
  # connect to the workspace
  ws = Workspace.from_config()
  
  # define and configure the experiment
  experiment = Experiment(workspace=ws, name='day1-experiment-train')
  config = ScriptRunConfig(source_directory='./src',
                              script='train.py',
                              compute_target='cpu-cluster')
  
  # set up pytorch environment
  env = Environment.from_conda_specification(
      name='pytorch-env',
      file_path='pytorch-env.yml')
  config.run_config.environment = env
  
  run = experiment.submit(config)
  
  aml_url = run.get_portal_url()
  print(aml_url)
  

• SDK v2

  #import required libraries
  from azure.ai.ml import MLClient, command
  from azure.ai.ml.entities import Environment
  from azure.identity import DefaultAzureCredential
  
  #connect to the workspace
  ml_client = MLClient.from_config(credential=DefaultAzureCredential())
  
  # set up pytorch environment
  env = Environment(
      image="mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu22.04",
      conda_file="pytorch-env.yml",
      name="pytorch-env"
  )
  
  # define the command
  command_job = command(
      code="./src",
      command="python train.py",
      environment=env,
      compute="cpu-cluster",
  )
  
  returned_job = ml_client.jobs.create_or_update(command_job)
  print(f"Job submitted. View in studio: {returned_job.studio_url}")
  

v1 和 v2 中的关键功能的映射

后续步骤

有关详细信息，请参见:

• V1 - 试验
• 使用 Azure Machine Learning Python SDK v2