ScriptRunConfig Třída
Představuje informace o konfiguraci pro odeslání trénovacího spuštění ve službě Azure Machine Learning.
ScriptRunConfig společně zabalí informace o konfiguraci potřebné k odeslání spuštění v Azure ML, včetně skriptu, cílového výpočetního objektu, prostředí a všech konfigurací distribuovaných úloh.
Jakmile je spuštění skriptu nakonfigurováno a odesláno pomocí submit, vrátí se příkaz .ScriptRun
Třída ScriptRunConfig – konstruktor.
- Dědičnost
-
azureml._logging.chained_identity.ChainedIdentityScriptRunConfig
Konstruktor
ScriptRunConfig(source_directory, script=None, arguments=None, run_config=None, _telemetry_values=None, compute_target=None, environment=None, distributed_job_config=None, resume_from=None, max_run_duration_seconds=2592000, command=None, docker_runtime_config=None)
Parametry
Volitelné argumenty příkazového řádku, které se mají předat do trénovacího skriptu. Argumenty se předávají ve dvojicích, například [-arg1', arg1_val, '-arg2', arg2_val].
- compute_target
- AbstractComputeTarget nebo str
Cílový výpočetní objekt, kde bude probíhat trénování. Může to být objekt ComputeTarget, název existujícího ComputeTarget nebo řetězec "local". Pokud není zadaný žádný cílový výpočetní objekt, použije se váš místní počítač.
- environment
- Environment
Prostředí, které se má použít pro spuštění. Pokud není zadané žádné prostředí, jako image Dockeru pro spuštění se použije azureml.core.runconfig.DEFAULT_CPU_IMAGE.
- distributed_job_config
- TensorflowConfiguration, MpiConfiguration nebo PyTorchConfiguration
Pro úlohy, které vyžadují další konfigurace specifické pro distribuované úlohy.
- resume_from
- DataPath
Cesta k datům obsahující kontrolní bod nebo soubory modelu, ze kterých chcete pokračovat v experimentu.
- max_run_duration_seconds
Maximální povolená doba spuštění. Systém se pokusí automaticky zrušit spuštění, pokud trvalo déle, než je tato hodnota. :type max_run_duration_seconds: int
Příkaz, který se má odeslat ke spuštění. Vlastnost příkazu lze také použít místo skriptů/argumentů. Vlastnosti příkazu i skriptu nebo argumentu nelze použít společně k odeslání spuštění. Odeslání souboru skriptu pomocí vlastnosti příkazu – ['python', 'train.py', '-arg1', arg1_val] Spuštění skutečného příkazu – ['ls']
- docker_runtime_config
- DockerConfiguration
Pro úlohy, které vyžadují konfigurace specifické pro modul runtime Dockeru.
Volitelné argumenty příkazového řádku, které se mají předat do trénovacího skriptu. Argumenty se předávají ve dvojicích, například [-arg1', arg1_val, '-arg2', arg2_val].
- compute_target
- AbstractComputeTarget nebo str
Cílový výpočetní objekt, kde bude probíhat trénování. Může to být objekt ComputeTarget, název existujícího ComputeTarget nebo řetězec "local". Pokud není zadaný žádný cílový výpočetní objekt, použije se váš místní počítač.
- environment
- Environment
Prostředí, které se má použít pro spuštění. Pokud není zadané žádné prostředí, jako image Dockeru pro spuštění se použije azureml.core.runconfig.DEFAULT_CPU_IMAGE.
- distributed_job_config
- TensorflowConfiguration nebo MpiConfiguration nebo PyTorchConfiguration
Pro úlohy, které vyžadují další konfigurace specifické pro distribuované úlohy.
- resume_from
- DataPath
Cesta k datům obsahující kontrolní bod nebo soubory modelu, ze kterých chcete pokračovat v experimentu.
- max_run_duration_seconds
- int
Maximální povolená doba spuštění. Systém se pokusí automaticky zrušit spuštění, pokud trvalo déle, než je tato hodnota.
Příkaz, který se má odeslat ke spuštění. Vlastnost příkazu lze také použít místo skriptů/argumentů. Vlastnosti příkazu i skriptu nebo argumentu nelze použít společně k odeslání spuštění. Odeslání souboru skriptu pomocí vlastnosti příkazu – ['python', 'train.py', '-arg1', arg1_val] Spuštění skutečného příkazu – ['ls']
- docker_runtime_config
- DockerConfiguration
Pro úlohy, které vyžadují konfigurace specifické pro modul runtime Dockeru.
Poznámky
Sada Azure Machine Learning SDK poskytuje řadu vzájemně propojených tříd, které jsou navržené tak, aby vám pomohly trénovat a porovnávat modely strojového učení, které souvisí se sdíleným problémem, který řeší.
Pro Experiment tato trénovací spuštění funguje jako logický kontejner. Objekt ScriptRunConfig slouží ke konfiguraci informací potřebných pro odeslání trénovacího spuštění v rámci experimentu. Když je spuštění odesláno pomocí objektu ScriptRunConfig, metoda submit vrátí objekt typu ScriptRun. Vrácený objekt ScriptRun vám poskytne programový přístup k informacím o trénovacím spuštění. ScriptRun je podřízená třída třídy Run.
Klíčovým konceptem, který je třeba si zapamatovat, je, že existují různé objekty konfigurace, které se používají k odeslání experimentu, na základě toho, jaký druh spuštění chcete aktivovat. Typ objektu konfigurace pak informuje, jakou podřízenou třídu run získáte zpět z metody submit. Když předáte objekt ScriptRunConfig ve volání metody submit experimentu, získáte zpět objekt ScriptRun. Příklady dalších vrácených objektů spuštění zahrnují AutoMLRun (vrácené pro spuštění Automatizovaného strojového učení) a PipelineRun (vrácené pro spuštění kanálu).
Následující ukázka ukazuje, jak odeslat trénovací skript na místním počítači.
from azureml.core import ScriptRunConfig, Experiment
# create or load an experiment
experiment = Experiment(workspace, 'MyExperiment')
# create or retrieve a compute target
cluster = workspace.compute_targets['MyCluster']
# create or retrieve an environment
env = Environment.get(ws, name='MyEnvironment')
# configure and submit your training run
config = ScriptRunConfig(source_directory='.',
script='train.py',
arguments=['--arg1', arg1_val, '--arg2', arg2_val],
compute_target=cluster,
environment=env)
script_run = experiment.submit(config)
Následující příklad ukazuje, jak odeslat trénovací skript do clusteru pomocí vlastnosti command místo skriptu a argumentů.
from azureml.core import ScriptRunConfig, Experiment
# create or load an experiment
experiment = Experiment(workspace, 'MyExperiment')
# create or retrieve a compute target
cluster = workspace.compute_targets['MyCluster']
# create or retrieve an environment
env = Environment.get(ws, name='MyEnvironment')
# configure and submit your training run
config = ScriptRunConfig(source_directory='.',
command=['python', 'train.py', '--arg1', arg1_val],
compute_target=cluster,
environment=env)
script_run = experiment.submit(config)
Následující ukázka ukazuje, jak spustit příkaz v clusteru.
from azureml.core import ScriptRunConfig, Experiment
# create or load an experiment
experiment = Experiment(workspace, 'MyExperiment')
# create or retrieve a compute target
cluster = workspace.compute_targets['MyCluster']
# create or retrieve an environment
env = Environment.get(ws, name='MyEnvironment')
# configure and submit your training run
config = ScriptRunConfig(source_directory='.',
command=['ls', '-l'],
compute_target=cluster,
environment=env)
script_run = experiment.submit(config)
Další příklady ukazující, jak pracovat s ScriptRunConfig, najdete tady:
Atributy
MAX_DURATION_SECONDS_DEFAULT
MAX_DURATION_SECONDS_DEFAULT = 2592000
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro