TruncationSelectionPolicy الفصل
يحدد نهج الإنهاء المبكر الذي يلغي نسبة مئوية معينة من عمليات التشغيل في كل فاصل زمني للتقييم.
- توريث
-
azure.ai.ml.entities._job.sweep.early_termination_policy.EarlyTerminationPolicyTruncationSelectionPolicy
الدالمنشئ
TruncationSelectionPolicy(*, delay_evaluation: int = 0, evaluation_interval: int = 0, truncation_percentage: int = 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. |
truncation_percentage
|
النسبة المئوية لعمليات التشغيل التي يجب إلغاؤها في كل فاصل زمني للتقييم. الافتراضي 0. |
أمثلة
تكوين نهج إنهاء مبكر لمهمة مسح المعلمات الفائقة باستخدام TruncationStoppingPolicy
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 QUniform, TruncationSelectionPolicy, Uniform
job_for_sweep = job(
kernel=Uniform(min_value=0.0005, max_value=0.005),
penalty=QUniform(min_value=0.05, max_value=0.75, q=1),
)
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=TruncationSelectionPolicy(delay_evaluation=5, evaluation_interval=2),
)
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