如何在Azure ML Python SDK v2中获取实验关联的所有作业？

我需要获取工作区中属于某个实验的所有作业列表。使用SDK v1时，通过exp.get_runs()就能快速实现，耗时不到1秒，但在v2里用列表推导式过滤ml_client.jobs.list()的结果，耗时约7分钟，效率极低。请问在v2里有没有高效实现这个需求的最佳方法？

v1实现代码（azureml-core 1.49.0） #

import azureml.core
from azureml.core import Workspace, Experiment

ws = Workspace.from_config()
exp = Experiment(workspace=ws, name="my_experiment_name")
runs = exp.get_runs()

我当前的v2近似实现（azure-ai-ml 1.5.0） #

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential

ml_client = MLClient(
        credential= DefaultAzureCredential(),
        subscription_id= "my_subscription_id",
        resource_group_name= "my_resource_group_name",
        workspace_name= "my_workspace_name",
    )

runs = [run for run in ml_client.jobs.list() if run.experiment_name == "my_experiment_name"]

在Azure ML Python SDK v2中，你可以直接使用ml_client.jobs.list()的experiment_name参数进行服务端过滤，这会比客户端本地过滤高效得多，无需在本地遍历所有作业再筛选。

优化后的v2代码 #

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient(
    credential=DefaultAzureCredential(),
    subscription_id="my_subscription_id",
    resource_group_name="my_resource_group_name",
    workspace_name="my_workspace_name",
)

# 直接通过experiment_name参数过滤，服务端返回指定实验的作业
runs = list(ml_client.jobs.list(experiment_name="my_experiment_name"))

说明 #

• 该方法利用服务端筛选，避免了本地拉取所有作业数据再过滤的开销，速度能和v1的exp.get_runs()相当。
• 确保你的azure-ai-ml版本至少为1.5.0（你当前版本满足），该参数在较新版本的SDK中已支持。

内容的提问来源于stack exchange，提问作者tamboles98