AutoMLStep Třída

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

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

Inicializace kroku 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	Description
name Vyžadováno	str Název kroku.
automl_config Vyžadováno	AutoMLConfig Objekt AutoMLConfig, který definuje konfiguraci pro toto spuštění AutoML.
inputs	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] Seznam vstupních vazeb portů Default value: None
outputs	list[Union[PipelineData, OutputPortBinding]] Seznam výstupních vazeb portů Default value: None
script_repl_params	dict Volitelné parametry, které se mají ve skriptu nahradit, například {'param1': 'value1', 'param2': 'value2'}. Default value: None
allow_reuse	bool Určuje, jestli má krok znovu použít předchozí výsledky při opětovném spuštění se stejným nastavením. Opakované použití je ve výchozím nastavení povolené. Pokud obsah kroku (skripty/závislosti) a vstupy a parametry zůstanou beze změny, výstup z předchozího spuštění tohoto kroku se znovu použije. Při opětovném použití kroku místo odeslání úlohy k výpočtu se výsledky předchozího spuštění okamžitě zpřístupní pro všechny následné kroky. Pokud jako vstupy používáte datové sady Azure Machine Learning, určuje se opakované použití podle toho, jestli se definice datové sady změnila, a ne tím, jestli se podkladová data změnila. Default value: True
version	str Verze, která se má přiřadit k kroku. Default value: None
hash_paths	list ZAVRHOVANÝ. Seznam cest k hodnotě hash při kontrole změn v obsahu kroku kanálu Ve výchozím nastavení jsou všechny soubory v parametru pathAutoMLConfig hashovány s výjimkou souborů uvedených v souboru .amlignore nebo .gitignore v části path. Pokud se nezjistí žádné změny, kanál znovu použije obsah kroku z předchozího spuštění. Default value: None
enable_default_model_output	bool Určuje, jestli se nejlepší model přidá jako výchozí výstup. To lze použít k načtení nejlepšího modelu po dokončení spuštění pomocí AutoMLStepRun třídy. Poznámka: Pokud výchozí výstup modelu není povinný, doporučuje se nastavit tento parametr na False. Default value: True
enable_default_metrics_output	bool Určuje, jestli se všechny podřízené metriky spuštění přidají jako výchozí výstup. To lze použít k načtení podřízených metrik spuštění po dokončení spuštění pomocí AutoMLStepRun třídy. Poznámka: Pokud výchozí výstup metriky není povinný, doporučuje se nastavit tento parametr na False. Default value: True
name Vyžadováno	str Název kroku.
automl_config Vyžadováno	AutoMLConfig AutoMLConfig, která definuje konfiguraci pro toto spuštění AutoML.
inputs Vyžadováno	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] Seznam vstupních vazeb portů
outputs Vyžadováno	list[Union[PipelineData, OutputPortBinding]] Seznam výstupních vazeb portů
script_repl_params Vyžadováno	dict Volitelné parametry, které se mají ve skriptu nahradit, například {'param1': 'value1', 'param2': 'value2'}.
script_repl_params Vyžadováno	Volitelné parametry, které se mají nahradit ve skriptu.
allow_reuse Vyžadováno	bool Určuje, jestli má krok znovu použít předchozí výsledky při opětovném spuštění se stejným nastavením. Opakované použití je ve výchozím nastavení povolené. Pokud obsah kroku (skripty/závislosti) a vstupy a parametry zůstanou beze změny, výstup z předchozího spuštění tohoto kroku se znovu použije. Při opětovném použití kroku místo odeslání úlohy k výpočtu se výsledky předchozího spuštění okamžitě zpřístupní pro všechny následné kroky. Pokud jako vstupy používáte datové sady Azure Machine Learning, určuje se opakované použití podle toho, jestli se definice datové sady změnila, a ne tím, jestli se podkladová data změnila.
version Vyžadováno	str Verze, která se má přiřadit k kroku.
hash_paths Vyžadováno	list ZAVRHOVANÝ. Seznam cest k hodnotě hash při kontrole změn v obsahu kroku kanálu Ve výchozím nastavení jsou všechny soubory v parametru pathAutoMLConfig hashovány s výjimkou souborů uvedených v souboru .amlignore nebo .gitignore v části path. Pokud se nezjistí žádné změny, kanál znovu použije obsah kroku z předchozího spuštění.
enable_default_model_output Vyžadováno	bool Určuje, jestli se nejlepší model přidá jako výchozí výstup. To lze použít k načtení nejlepšího modelu po dokončení spuštění pomocí AutoMLStepRun třídy. Poznámka: Pokud výchozí výstup modelu není povinný, doporučuje se nastavit tento parametr na False.
enable_default_metrics_output Vyžadováno	bool Určuje, jestli se všechny podřízené metriky spuštění přidají jako výchozí výstup. To lze použít k načtení podřízených metrik spuštění po dokončení spuštění pomocí AutoMLStepRun třídy. Poznámka: Pokud výchozí výstup metriky není povinný, doporučuje se nastavit tento parametr na False.

Poznámky

Pomocí třídy AutoMLStep můžete spustit 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 Azure Machine Learning?.

Pokud je váš automatizovaný pracovní postup STROJOVÉho učení v kanálu, můžete naplánovat spuštění kanálu podle časového plánu nebo podle plánu založeného na změnách. Plány založené na čase jsou užitečné pro rutinní úlohy, jako je monitorování posunu dat, zatímco plány založené na změnách jsou užitečné pro nepravidelné nebo nepředvídatelné změny, jako je například při změně dat. Plán může například dotazovat úložiště objektů blob, do kterého se data nahrávají, a pak kanál spustit znovu, pokud se data změní a po dokončení spuštění zaregistruje novou verzi modelu. Další informace najdete v tématu Plánování kanálů strojového učení a aktivace spuštění kanálu 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 od 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, jak použít AutoMLStep objekt 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 od 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 ML, budete mít alespoň jeden krok kanálu, který provádí přípravu dat před autoMLStep a dalším krokem kanálu po registraci modelu. 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 automatizovaného experimentu ML bez použití kanálu najdete v článku Konfigurace automatizovaného experimentu ML v Pythonu.

Metody

create_node

Vytvořte uzel z tohoto kroku AutoML a přidejte ho do daného grafu. Tato metoda není určena k přímému použití. Když se vytvoří instance kanálu pomocí tohoto kroku, Azure ML automaticky předá parametry požadované touto metodou, aby se tento krok mohl přidat do grafu kanálu, který představuje pracovní postup.

create_node

Vytvořte uzel z tohoto kroku AutoML a přidejte ho do daného grafu.

Tato metoda není určena k přímému použití. Když se vytvoří instance kanálu pomocí tohoto kroku, Azure ML automaticky předá parametry požadované touto metodou, aby se tento krok mohl přidat do grafu kanálu, který představuje pracovní postup.

create_node(graph, default_datastore, context)

Parametry

Name	Description
graph Vyžadováno	Graph Objekt grafu pro přidání uzlu.
default_datastore Vyžadováno	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Výchozí úložiště dat.
context Vyžadováno	<xref:azureml.pipeline.core._GraphContext> Kontext grafu

Návraty

Typ	Description
Node	Vytvořený uzel.

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_'