BanditPolicy الفصل
يحدد نهج الإنهاء المبكر استنادا إلى معايير فترة السماح والفاصل الزمني للتكرار والتأخير للتقييم.
- توريث
-
azure.ai.ml.entities._job.sweep.early_termination_policy.EarlyTerminationPolicyBanditPolicy
الدالمنشئ
BanditPolicy(*, delay_evaluation: int = 0, evaluation_interval: int = 0, slack_amount: float = 0, slack_factor: float = 0)
معلمات الكلمة الأساسية فقط
الاسم | الوصف |
---|---|
delay_evaluation
|
عدد الفواصل الزمنية التي يتم من خلالها تأخير التقييم الأول. الافتراضي 0. |
evaluation_interval
|
الفاصل الزمني (عدد عمليات التشغيل) بين تقييمات النهج. الافتراضي 0. |
slack_amount
|
المسافة المطلقة المسموح بها من التشغيل الأفضل أداء. الافتراضي 0. |
slack_factor
|
نسبة المسافة المسموح بها من التشغيل الأفضل أداء. الافتراضي 0. |
أمثلة
تكوين الإنهاء المبكر ل BanditPolicy لمسح المعلمة الفائقة على مهمة أمر.
from azure.ai.ml import command
job = command(
inputs=dict(kernel="linear", penalty=1.0),
compute=cpu_cluster,
environment=f"{job_env.name}:{job_env.version}",
code="./scripts",
command="python scripts/train.py --kernel $kernel --penalty $penalty",
experiment_name="sklearn-iris-flowers",
)
# we can reuse an existing Command Job as a function that we can apply inputs to for the sweep configurations
from azure.ai.ml.sweep import Uniform
job_for_sweep = job(
kernel=Uniform(min_value=0.0005, max_value=0.005),
penalty=Uniform(min_value=0.9, max_value=0.99),
)
from azure.ai.ml.sweep import BanditPolicy
sweep_job = job_for_sweep.sweep(
sampling_algorithm="random",
primary_metric="best_val_acc",
goal="Maximize",
max_total_trials=8,
max_concurrent_trials=4,
early_termination_policy=BanditPolicy(slack_factor=0.15, evaluation_interval=1, delay_evaluation=10),
)
التعاون معنا على GitHub
يمكن العثور على مصدر هذا المحتوى على GitHub حيث يمكنك أيضاً إضافة مشاكل وطلبات سحب ومراجعتها. للحصول على معلومات إضافية، اطلع على دليل المساهم لدينا.
Azure SDK for Python