AutoMLStep Třída

Reference

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.

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	Description
name Vyžadováno	str Název kroku.
automl_config Vyžadováno	AutoMLConfig Objekt AutoMLConfig, který definuje konfiguraci pro toto spuštění automatického strojového učení.
inputs	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] Seznam vazeb vstupních 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 nahradit ve skriptu, například {'param1': 'hodnota1', 'param2': 'hodnota2'}. 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) i vstupy a parametry zůstanou beze změny, výstup z předchozího spuštění tohoto kroku se znovu použije. Při opakovaném použití kroku se místo odeslání úlohy k výpočtu okamžitě zpřístupní výsledky z předchozího spuštění všem dalším krokům. Pokud jako vstupy použijete datové sady Azure Machine Learning, opakované použití závisí na tom, jestli se změnila definice datové sady, a ne na tom, jestli se změnila podkladová data. Default value: True
version	str Verze, která se má přiřadit ke kroku. Default value: None
hash_paths	list ZASTARALÉ. Seznam cest k hodnotě hash při kontrole změn v obsahu kroku kanálu. Ve výchozím nastavení jsou všechny soubory v parametru `path` v AutoMLConfig hodnotě hash s výjimkou souborů uvedených v .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 se dá použít k načtení nejlepšího modelu po dokončení spuštění pomocí AutoMLStepRun třídy . Poznámka: Pokud se výchozí výstup modelu nevyžaduje, doporučujeme nastavit tento parametr na `False`hodnotu . Default value: True
enable_default_metrics_output	bool Označuje, jestli se jako výchozí výstup přidají všechny podřízené metriky spuštění. Můžete ho použít k načtení metrik podřízených spuštění po dokončení spuštění pomocí AutoMLStepRun třídy . Poznámka: Pokud se výchozí výstup metriky nevyžaduje, doporučujeme nastavit tento parametr na `False`hodnotu . Default value: True
name Vyžadováno	str Název kroku.
automl_config Vyžadováno	AutoMLConfig AutoMLConfig, který definuje konfiguraci pro toto spuštění automatického strojového učení.
inputs Vyžadováno	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] Seznam vazeb vstupních portů
outputs Vyžadováno	list[Union[PipelineData, OutputPortBinding]] Seznam výstupních vazeb portů.
script_repl_params Vyžadováno	dict Volitelné parametry, které se mají nahradit ve skriptu, například {'param1': 'hodnota1', 'param2': 'hodnota2'}.
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) i vstupy a parametry zůstanou beze změny, výstup z předchozího spuštění tohoto kroku se znovu použije. Při opakovaném použití kroku se místo odeslání úlohy k výpočtu okamžitě zpřístupní výsledky z předchozího spuštění všem dalším krokům. Pokud jako vstupy použijete datové sady Azure Machine Learning, opakované použití závisí na tom, jestli se změnila definice datové sady, a ne na tom, jestli se změnila podkladová data.
version Vyžadováno	str Verze, která se má přiřadit ke kroku.
hash_paths Vyžadováno	list ZASTARALÉ. Seznam cest k hodnotě hash při kontrole změn v obsahu kroku kanálu. Ve výchozím nastavení jsou všechny soubory v parametru `path` v AutoMLConfig hodnotě hash 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 Vyžadováno	bool Určuje, jestli se nejlepší model přidá jako výchozí výstup. To se dá použít k načtení nejlepšího modelu po dokončení spuštění pomocí AutoMLStepRun třídy . Poznámka: Pokud se výchozí výstup modelu nevyžaduje, doporučujeme nastavit tento parametr na `False`hodnotu .
enable_default_metrics_output Vyžadováno	bool Označuje, jestli se jako výchozí výstup přidají všechny podřízené metriky spuštění. Můžete ho použít k načtení metrik podřízených spuštění po dokončení spuštění pomocí AutoMLStepRun třídy . Poznámka: Pokud se výchozí výstup metriky nevyžaduje, doporučujeme nastavit tento parametr na `False`hodnotu .

Poznámky

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

Pokud je váš automatizovaný pracovní postup ML 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 pak 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 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 použití objektu AutoMLStep v objektu Pipeline.


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

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 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 automatizovaného experimentu ML bez použití kanálu najdete v článku Konfigurace experimentu automatizovaného strojového učení v Pythonu.

Metody

create_node

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

Tato metoda není určena k přímému použití. Když se vytvoří instance kanálu pomocí tohoto kroku, Azure ML automaticky předává 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 Automatického strojového učení a přidejte ho do daného grafu.

create_node(graph, default_datastore, context)

Parametry

Name	Description
graph Vyžadováno	Graph Objekt grafu, do který se má uzel přidat.
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_'

Sdílet prostřednictvím

AutoMLStep Třída

Konstruktor

Parametry

Poznámky

Metody

create_node

Parametry

Návraty

Atributy

AUTOML_CONFIG_PARAM_NAME

DEFAULT_METRIC_PREFIX

DEFAULT_MODEL_PREFIX

Váš názor

Další materiály