Sdílet prostřednictvím

AutoMLStep Třída

  • Reference

Vytvoří krok kanálu Azure ML, který zapouzdřuje automatizované spuštění ml.

Příklad použití autoMLStep najdete v poznámkovém bloku https://aka.ms/pl-automl.

Inicializujte krok AutoMLStep.

Dědičnost
PipelineStep
AutoMLStep

Konstruktor

AutoMLStep(name, automl_config, inputs=None, outputs=None, script_repl_params=None, allow_reuse=True, version=None, hash_paths=None, enable_default_model_output=True, enable_default_metrics_output=True, **kwargs)

Parametry

name
str
Vyžadováno

Název kroku.

automl_config
AutoMLConfig
Vyžadováno

Objekt AutoMLConfig, který definuje konfiguraci pro toto spuštění automatizovaného strojového učení.

inputs
list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]]
výchozí hodnota: None

Seznam vazeb vstupních portů.

outputs
list[Union[PipelineData, OutputPortBinding]]
výchozí hodnota: None

Seznam výstupních vazeb portů.

script_repl_params
dict
výchozí hodnota: None

Volitelné parametry, které se mají nahradit ve skriptu, například {'param1': 'hodnota1', 'param2': 'hodnota2'}.

allow_reuse
bool
výchozí hodnota: True

Určuje, jestli má krok při opětovném spuštění se stejným nastavením znovu použít předchozí výsledky.

Opakované použití je ve výchozím nastavení povolené. Pokud obsah kroku (skripty/závislosti) a vstupy a parametry zůstanou beze změny, znovu se použije výstup z předchozího spuštění tohoto kroku. Při opakovaném použití kroku místo odeslání úlohy k výpočtu se výsledky z předchozího spuštění okamžitě zpřístupní všem dalším krokům. Pokud jako vstupy použijete datové sady Azure Machine Learning, opakované použití závisí na tom, jestli se změnila definice datové sady, nikoli na základě toho, jestli se změnila podkladová data.

version
str
výchozí hodnota: None

Verze, která se přiřadí ke kroku.

hash_paths
list
výchozí hodnota: None

ZASTARALÉ. Seznam cest k hodnotě hash při kontrole změn obsahu kroků kanálu

Ve výchozím nastavení se všechny soubory pod parametrem path v souboru AutoMLConfig hashují s výjimkou souborů uvedených v .amlignore nebo .gitignore v části path. Pokud se nezjistí žádné změny, kanál znovu použije obsah kroku z předchozího spuštění.

enable_default_model_output
bool
výchozí hodnota: True

Určuje, jestli se nejlepší model přidá jako výchozí výstup. Můžete ho použít k načtení nejlepšího modelu po dokončení spuštění pomocí AutoMLStepRun třídy . Poznámka: Pokud se výchozí výstup modelu nevyžaduje, doporučujeme nastavit tento parametr na Falsehodnotu .

enable_default_metrics_output
bool
výchozí hodnota: True

Určuje, jestli se jako výchozí výstup přidají všechny metriky podřízených spuštění. To se dá použít k načtení metrik podřízených spuštění po dokončení spuštění pomocí AutoMLStepRun třídy . Poznámka: Pokud se výchozí výstup metriky nevyžaduje, doporučujeme nastavit tento parametr na Falsehodnotu .

name
str
Vyžadováno

Název kroku.

automl_config
AutoMLConfig
Vyžadováno

AutoMLConfig, který definuje konfiguraci pro toto spuštění automatizovaného strojového učení.

inputs
list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]]
Vyžadováno

Seznam vazeb vstupních portů.

outputs
list[Union[PipelineData, OutputPortBinding]]
Vyžadováno

Seznam výstupních vazeb portů.

script_repl_params
dict
Vyžadováno

Volitelné parametry, které se mají nahradit ve skriptu, například {'param1': 'hodnota1', 'param2': 'hodnota2'}.

script_repl_params
Vyžadováno

Volitelné parametry, které se mají ve skriptu nahradit.

allow_reuse
bool
Vyžadováno

Určuje, jestli má krok při opětovném spuštění se stejným nastavením znovu použít předchozí výsledky.

Opakované použití je ve výchozím nastavení povolené. Pokud obsah kroku (skripty/závislosti) a vstupy a parametry zůstanou beze změny, znovu se použije výstup z předchozího spuštění tohoto kroku. Při opakovaném použití kroku místo odeslání úlohy k výpočtu se výsledky z předchozího spuštění okamžitě zpřístupní všem dalším krokům. Pokud jako vstupy použijete datové sady Azure Machine Learning, opakované použití závisí na tom, jestli se změnila definice datové sady, nikoli na základě toho, jestli se změnila podkladová data.

version
str
Vyžadováno

Verze, která se přiřadí ke kroku.

hash_paths
list
Vyžadováno

ZASTARALÉ. Seznam cest k hodnotě hash při kontrole změn obsahu kroků kanálu

Ve výchozím nastavení se všechny soubory pod parametrem path v souboru AutoMLConfig hashují s výjimkou souborů uvedených v .amlignore nebo .gitignore v části path. Pokud se nezjistí žádné změny, kanál znovu použije obsah kroku z předchozího spuštění.

enable_default_model_output
bool
Vyžadováno

Určuje, jestli se nejlepší model přidá jako výchozí výstup. Můžete ho použít k načtení nejlepšího modelu po dokončení spuštění pomocí AutoMLStepRun třídy . Poznámka: Pokud se výchozí výstup modelu nevyžaduje, doporučujeme nastavit tento parametr na Falsehodnotu .

enable_default_metrics_output
bool
Vyžadováno

Určuje, jestli se jako výchozí výstup přidají všechny metriky podřízených spuštění. To se dá použít k načtení metrik podřízených spuštění po dokončení spuštění pomocí AutoMLStepRun třídy . Poznámka: Pokud se výchozí výstup metriky nevyžaduje, doporučujeme nastavit tento parametr na Falsehodnotu .

Poznámky

Pomocí třídy AutoMLStep můžete spustit svůj automatizovaný pracovní postup ML v kanálu Azure Machine Learning. Kanály poskytují výhody, jako je opakovatelnost, bezobslužná spuštění, správa verzí a sledování a modularita pro váš automatizovaný pracovní postup ML. Další informace najdete v tématu Co jsou kanály služby Azure Machine Learning?.

Když je pracovní postup automatizovaného strojového učení v kanálu, můžete naplánovat spuštění kanálu podle časového plánu nebo plánu založeného na změnách. Časové plány jsou užitečné pro rutinní úlohy, jako je monitorování posunu dat, zatímco plány založené na změnách jsou užitečné pro nepravidelné nebo nepředvídatelné změny, například při změnách dat. Plán se například může dotazovat úložiště objektů blob, kam se data nahrávají, a potom spustit kanál znovu, pokud se data změní, a po dokončení spuštění zaregistrovat novou verzi modelu. Další informace najdete v tématech Plánování kanálů strojového učení a Aktivace spuštění kanálu služby Machine Learning z aplikace logiky.

Následující příklad ukazuje, jak vytvořit AutoMLStep.


   automl_step = AutoMLStep(
       name='automl_module',
       automl_config=automl_config,
       outputs=[metrics_data, model_data],
       allow_reuse=True)

Úplná ukázka je k dispozici na webu https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb

Následující příklad ukazuje použití objektu AutoMLStep v objektu Pipeline.


   from azureml.pipeline.core import Pipeline
   pipeline = Pipeline(
       description="pipeline_with_automlstep",
       workspace=ws,
       steps=[automl_step])

Úplná ukázka je k dispozici na webu https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb

Výše uvedený příklad ukazuje jeden krok v kanálu. Pokud ale použijete AutoMLStep v reálném automatizovaném pracovním postupu STROJOVÉHO UČENÍ, budete mít alespoň jeden krok kanálu, který provádí přípravu dat před krokem AutoMLStep, a další krok kanálu, který zaregistruje model. Příklad tohoto typu pracovního postupu najdete v poznámkovém bloku https://aka.ms/automl-retrain-pipeline.

Ke správě, kontrole stavu a získání podrobností o spuštění kanálu použijte AutoMLStepRun třídu .

Další informace o automatizovaném strojovém učení v Azure najdete v článku Co je automatizované strojové učení?. Další informace o nastavení experimentu automatizovaného strojového učení bez použití kanálu najdete v článku Konfigurace experimentu automatizovaného strojového učení v Pythonu.

Metody

create_node

Vytvořte uzel z tohoto kroku Automatizovaného strojového učení a přidejte ho do daného grafu.

Tato metoda není určena k přímému použití. Když se v tomto kroku vytvoří instance kanálu, Azure ML automaticky předá požadované parametry prostřednictvím této metody, aby se tento krok mohl přidat do grafu kanálu, který představuje pracovní postup.

create_node

Vytvořte uzel z tohoto kroku Automatizovaného strojového učení a přidejte ho do daného grafu.

Tato metoda není určena k přímému použití. Když se v tomto kroku vytvoří instance kanálu, Azure ML automaticky předá požadované parametry prostřednictvím této metody, aby se tento krok mohl přidat do grafu kanálu, který představuje pracovní postup.

create_node(graph, default_datastore, context)

Parametry

graph
Graph
Vyžadováno

Objekt grafu, do který chcete přidat uzel.

default_datastore
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Vyžadováno

Výchozí úložiště dat.

context
<xref:azureml.pipeline.core._GraphContext>
Vyžadováno

Kontext grafu.

Návraty

Vytvořený uzel.

Návratový typ

Node

Atributy

AUTOML_CONFIG_PARAM_NAME 

AUTOML_CONFIG_PARAM_NAME = 'AutoMLConfig'

DEFAULT_METRIC_PREFIX 

DEFAULT_METRIC_PREFIX = 'default_metrics_'

DEFAULT_MODEL_PREFIX 

DEFAULT_MODEL_PREFIX = 'default_model_'