EstimatorStep Třída

ZAVRHOVANÝ. Vytvoří krok kanálu ke spuštění Estimator pro trénování modelu Azure ML.

Vytvořte krok kanálu Azure ML pro spuštění estimátoru pro trénování modelu Machine Learning.

ZAVRHOVANÝ. Použijte místo toho CommandStep . Příklad najdete v tématu Jak spustit trénování ML v kanálech pomocí CommandStep.

Konstruktor

EstimatorStep(name=None, estimator=None, estimator_entry_script_arguments=None, runconfig_pipeline_params=None, inputs=None, outputs=None, compute_target=None, allow_reuse=True, version=None)

Parametry

Name	Description
name	str Název kroku. Default value: None
estimator	Estimator Přidružený objekt estimátoru pro tento krok. Může to být předem nakonfigurovaný estimátor, například Chainer, PyTorch, TensorFlownebo SKLearn. Default value: None
estimator_entry_script_arguments	list[str] [Povinné] Seznam argumentů příkazového řádku Pokud vstupní skript estimátoru nepřijímá argumenty příkazového řádku, nastavte tuto hodnotu parametru na prázdný seznam. Default value: None
runconfig_pipeline_params	dict[str, PipelineParameter] Přepsání vlastností runconfig za běhu pomocí párů klíč-hodnota, každý s názvem vlastnosti runconfig a PipelineParameter pro danou vlastnost. Podporované hodnoty: NodeCount, MpiProcessCountPerNode, TensorflowWorkerCount, TensorflowParameterServerCount Default value: None
inputs	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]] Seznam vstupů, které se mají použít. Default value: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset]] Seznam objektů PipelineData. Default value: None
compute_target	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Povinné] Cílový výpočetní objekt, který se má použít. 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 Volitelná značka verze, která označuje změnu funkčnosti modulu. Default value: None
name Vyžadováno	str Název kroku.
estimator Vyžadováno	<xref:Estimator> Přidružený objekt estimátoru pro tento krok. Může to být předem nakonfigurovaný estimátor, například Chainer, PyTorch, TensorFlownebo SKLearn.
estimator_entry_script_arguments Vyžadováno	[str] [Povinné] Seznam argumentů příkazového řádku Pokud vstupní skript estimátoru nepřijímá argumenty příkazového řádku, nastavte tuto hodnotu parametru na prázdný seznam.
runconfig_pipeline_params Vyžadováno	dict[str, PipelineParameter] Přepsání vlastností runconfig za běhu pomocí párů klíč-hodnota, každý s názvem vlastnosti runconfig a PipelineParameter pro danou vlastnost. Podporované hodnoty: NodeCount, MpiProcessCountPerNode, TensorflowWorkerCount, TensorflowParameterServerCount
inputs Vyžadováno	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]] Seznam vstupů, které se mají použít.
outputs Vyžadováno	list[Union[PipelineData, PipelineOutputAbstractDataset] Seznam objektů PipelineData.
compute_target Vyžadováno	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Povinné] Cílový výpočetní objekt, který se má použít.
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

Poznámky

Všimněte si, že argumenty vstupního skriptu použitého v objektu Estimator musí být zadány jako seznam pomocí parametru estimator_entry_script_arguments při vytváření instance estimatorStep. Parametr script_params Estimator přijímá slovník. estimator_entry_script_argument Parametr však očekává argumenty jako seznam.

Inicializace EstimatorStep zahrnuje zadání seznamu vstupů s parametrem inputs a nemusíte zadávat vstupy pomocí nástroje Estimator, pokud to uděláte, vyvolá se výjimka. Projděte si inputs parametr pro typy vstupů, které jsou povoleny. Volitelně můžete také zadat všechny výstupy kroku. Projděte si outputs parametr pro typy povolených výstupů.

Osvědčeným postupem pro práci s nástrojem EstimatorStep je použít samostatnou složku pro skripty a všechny závislé soubory přidružené k kroku a určit tuto složku jako Estimator objekt source_directory. To má dvě výhody. Za prvé pomáhá zmenšit velikost snímku vytvořeného pro tento krok, protože se snímek vyžaduje jenom v případě, že se tento krok potřebuje. Za druhé, výstup kroku z předchozího spuštění lze znovu použít, pokud nedojde k source_directory žádným změnám, které by aktivovaly opětovné nahrání modulu snaphot.

Metody

create_node

Vytvořte uzel z kroku estimátoru a přidejte ho do zadaného grafu. ZAVRHOVANÝ. Použijte místo toho CommandStep . Příklad najdete v tématu Jak spustit trénování ML v kanálech pomocí CommandStep. 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 kroku estimátoru a přidejte ho do zadaného grafu.

ZAVRHOVANÝ. Použijte místo toho CommandStep . Příklad najdete v tématu Jak spustit trénování ML v kanálech pomocí CommandStep.

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.