通过

将脚本运行升级到 SDK v2

  • 项目

在 SDK v2 中，“试验”和“运行”将合并到作业中。

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，需要更改代码以将作业提交到 SDK v2。 作业中运行的内容不需要升级到 SDK v2。 但是，建议从模型训练脚本中删除任何特定于 Azure 机器学习的代码。 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。 模型日志记录和跟踪代码应替换为 MLflow。 有关详细信息，请参阅如何在 v2 中使用 MLflow。

本文比较 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(DefaultAzureCredential())

# set up pytorch environment
env = Environment(
    image="mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04",
    conda_file="pytorch-env.yml",
    name="pytorch-env"
)

# define the command
command_job = command(
    code="./src",
    command="train.py",
    environment=env,
    compute="cpu-cluster",
)

returned_job = ml_client.jobs.create_or_update(command_job)
returned_job

v1 和 v2 中的关键功能的映射

SDK v1 中的功能 SDK v2 中的粗略映射
experiment.submit MLCLient.jobs.create_or_update
ScriptRunConfig() command()

后续步骤

有关详细信息，请参阅：