为什么 Azure ML Studio（经典）需要额外的时间来执行 Python 个脚本？
Why does Azure ML Studio (classic) take additional time to execute Python Scripts?
我一直在使用 ML Studio（经典）并面临“执行 Python”脚本的问题。我注意到它需要额外的时间来执行一些内部任务，然后它开始在 ML Studio 中执行实际的 Python 代码。此延迟导致每个模块的时间增加 40-60 秒，当通过批处理执行系统或手动执行 运行 实验时，每个模块聚合并导致每次执行延迟 400-500 秒。 （我有多个“执行 Python”脚本模块）
例如 - 如果我 运行 本地系统中的代码，假设需要 2-3 秒。在 Azure ML Studio 中同样会消耗 50-60 秒。
能否请您帮助理解这背后的原因或可以进行的任何优化？
此致，
阿南特
机器学习工作室（经典）的已知限制是：
Python 运行时是沙箱化的，不允许以持久方式访问网络或本地文件系统。
模块完成后，所有保存在本地的文件都会被隔离并删除。 Python 代码无法访问它运行的机器上的大多数目录，当前目录及其子目录除外。
当您提供压缩文件作为资源时，这些文件会从您的作品space 复制到实验执行 space、解压缩，然后使用。复制和解包资源会消耗内存。
模块可以输出单个数据帧。无法 return 任意 Python 对象（例如经过训练的模型）直接返回到 Studio（经典）运行时。但是，您可以将对象写入存储或工作space。另一种选择是使用 pickle 将多个对象序列化为字节数组，然后 return 数据帧中的数组。
希望对您有所帮助！
我一直在使用 ML Studio（经典）并面临“执行 Python”脚本的问题。我注意到它需要额外的时间来执行一些内部任务，然后它开始在 ML Studio 中执行实际的 Python 代码。此延迟导致每个模块的时间增加 40-60 秒，当通过批处理执行系统或手动执行 运行 实验时，每个模块聚合并导致每次执行延迟 400-500 秒。 （我有多个“执行 Python”脚本模块）
例如 - 如果我 运行 本地系统中的代码，假设需要 2-3 秒。在 Azure ML Studio 中同样会消耗 50-60 秒。
能否请您帮助理解这背后的原因或可以进行的任何优化？
此致， 阿南特
机器学习工作室（经典）的已知限制是：
Python 运行时是沙箱化的，不允许以持久方式访问网络或本地文件系统。
模块完成后，所有保存在本地的文件都会被隔离并删除。 Python 代码无法访问它运行的机器上的大多数目录，当前目录及其子目录除外。
当您提供压缩文件作为资源时，这些文件会从您的作品space 复制到实验执行 space、解压缩，然后使用。复制和解包资源会消耗内存。
模块可以输出单个数据帧。无法 return 任意 Python 对象（例如经过训练的模型）直接返回到 Studio（经典）运行时。但是，您可以将对象写入存储或工作space。另一种选择是使用 pickle 将多个对象序列化为字节数组，然后 return 数据帧中的数组。
希望对您有所帮助！