ComputeTarget 類別

使用指定的名稱和組態資訊，將 Compute 物件附加至工作區。

static attach(workspace, name, attach_configuration)

參數

傳回

例外狀況

備註

要傳遞至 參數 attach_configuration 的物件類型，是 ComputeTargetAttachConfiguration 使用 attach_configuration 函式建置在 的任何 子類別 ComputeTarget上的物件。

下列範例示範如何使用 AdlaCompute 的方法，將 ADLA 帳戶附加至工作區 attach_configuration 。

   adla_compute_name = 'testadl' # Name to associate with new compute in workspace

   # ADLA account details needed to attach as compute to workspace
   adla_account_name = "<adla_account_name>" # Name of the Azure Data Lake Analytics account
   adla_resource_group = "<adla_resource_group>" # Name of the resource group which contains this account

   try:
       # check if already attached
       adla_compute = AdlaCompute(ws, adla_compute_name)
   except ComputeTargetException:
       print('attaching adla compute...')
       attach_config = AdlaCompute.attach_configuration(resource_group=adla_resource_group, account_name=adla_account_name)
       adla_compute = ComputeTarget.attach(ws, adla_compute_name, attach_config)
       adla_compute.wait_for_completion()

   print("Using ADLA compute:{}".format(adla_compute.cluster_resource_id))
   print("Provisioning state:{}".format(adla_compute.provisioning_state))
   print("Provisioning errors:{}".format(adla_compute.provisioning_errors))

完整範例可從 https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-use-adla-as-compute-target.ipynb

藉由指定計算類型和相關的組態來布建 Compute 物件。

此方法會建立新的計算目標，而不是附加現有的計算目標。

static create(workspace, name, provisioning_configuration)

參數

傳回

例外狀況

備註

布建的物件類型取決於提供的布建組態。

在下列範例中，會建立 所 AmlCompute 布建的持續性計算目標。 provisioning_configuration這個範例中的 參數類型為 AmlComputeProvisioningConfiguration。

   from azureml.core.compute import ComputeTarget, AmlCompute
   from azureml.core.compute_target import ComputeTargetException

   # Choose a name for your CPU cluster
   cpu_cluster_name = "cpu-cluster"

   # Verify that cluster does not exist already
   try:
       cpu_cluster = ComputeTarget(workspace=ws, name=cpu_cluster_name)
       print('Found existing cluster, use it.')
   except ComputeTargetException:
       compute_config = AmlCompute.provisioning_configuration(vm_size='STANDARD_D2_V2',
                                                              max_nodes=4)
       cpu_cluster = ComputeTarget.create(ws, cpu_cluster_name, compute_config)

   cpu_cluster.wait_for_completion(show_output=True)

完整範例可從 https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/training/train-on-amlcompute/train-on-amlcompute.ipynb

從其相關聯的工作區中移除 Compute 物件。

這個抽象方法是由的 ComputeTarget子類別實作。

abstract delete()

備註

如果此對像是透過 Azure Machine Learning 建立的，也會刪除對應的雲端式物件。 如果這個物件是在外部建立，而且只附加至工作區，這個方法會引發例外狀況，而且不會變更任何專案。

將 JSON 物件轉換成 Compute 物件。

abstract static deserialize(workspace, object_dict)

參數

傳回

備註

ComputeTargetException如果提供的工作區不是計算相關聯的工作區，則引發 。

將 Compute 對象與其相關聯的工作區中斷連結。

這個抽象方法是由的 ComputeTarget子類別實作。 基礎雲端物件不會刪除，只會移除其關聯。

abstract detach()

擷取 Compute 物件的目前布建狀態。

get_status()

傳回

備註

傳回的值會列在 ProvisioningState 的 Azure REST API 參考中。

列出工作區中的所有 ComputeTarget 物件。

傳回對應至特定計算類型的具現化子物件清單。 物件是 的 ComputeTarget子系。

static list(workspace)

參數

傳回

例外狀況

執行物件的屬性就地更新。

根據對應雲端物件的目前狀態更新屬性。 這對於手動輪詢計算狀態很有用。

這個抽象方法是由的 ComputeTarget子類別實作。

abstract refresh_state()

將此 Compute 物件轉換成 JSON 串行化字典。

abstract serialize()

傳回

等候目前的布建作業在叢集上完成。

如果輪詢計算物件時發生問題，這個方法會 ComputeTargetException 傳回 。

wait_for_completion(show_output=False, is_delete_operation=False)

參數

例外狀況