AzureML中start_logging方法启动的是异步还是同步执行？

核心结论 #

start_logging启动的是本地同步运行，但它生成的Run对象具备监控运行状态、记录指标的能力——这种“监控”和异步执行本身是两个独立的概念，并不冲突。

详细解释 #

1. start_logging的运行模式
   当你调用exp.start_logging()时，它会在当前本地进程中同步创建并启动一个Run上下文：

• 后续代码会在这个Run的上下文中同步执行，代码执行会阻塞在当前会话，直到你主动调用run.complete()方法，才会结束这个Run的生命周期。
• 如果不调用complete()，该Run会在AzureML门户中一直显示为“运行中”状态。

2. Run对象的监控能力≠异步执行
   Run对象的设计初衷就是追踪试验的执行状态、记录指标和输出，不管这个Run是通过start_logging（本地同步）还是submit（远端异步）生成的，它都具备这些能力：

• 用start_logging创建的Run，会把本地运行过程中的指标、日志实时同步到AzureML后台，你可以在门户上查看这些数据——这是对同步运行过程的监控，而非监控异步任务。
• 而submit方法是把任务提交到远端计算目标（如AML集群），提交后立刻返回Run对象，任务在远端异步执行，此时Run对象用来监控这个远端的异步任务。

代码示例 #

from azureml.core import Experiment, Workspace

# 加载工作区
ws = Workspace.from_config()
# 创建实验
exp = Experiment(workspace=ws, name="demo-start-logging")

# 同步启动Run，进入运行上下文
run = exp.start_logging()

# 以下代码均为本地同步执行
run.log("training_accuracy", 0.92)
run.log("validation_accuracy", 0.89)

# 必须调用complete()来结束Run
run.complete()

内容的提问来源于stack exchange，提问作者Mohi