Sdílet prostřednictvím

HyperDriveStep Třída

  • Reference

Vytvoří krok kanálu Azure ML pro spuštění hyperparametrů pro trénování modelu služby Machine Learning.

Příklad použití kroku HyperDriveStep najdete v poznámkovém bloku https://aka.ms/pl-hyperdrive.

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

Dědičnost
PipelineStep
HyperDriveStep

Konstruktor

HyperDriveStep(name, hyperdrive_config, estimator_entry_script_arguments=None, inputs=None, outputs=None, metrics_output=None, allow_reuse=True, version=None)

Parametry

name
str
Vyžadováno

[Povinné] Název kroku.

hyperdrive_config
HyperDriveConfig
Vyžadováno

[Povinné] HyperDriveConfig, který definuje konfiguraci pro spuštění HyperDrive.

estimator_entry_script_arguments
list
výchozí hodnota: None

Seznam argumentů příkazového řádku pro skript pro zadání estimátoru. Pokud vstupní skript estimátoru nepřijímá argumenty příkazového řádku, nastavte tuto hodnotu parametru na prázdný seznam.

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

Seznam vazeb vstupních portů.

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

Seznam výstupních vazeb portů

metrics_output
Union[PipelineData, DataReference, OutputPortBinding]
výchozí hodnota: None

Volitelná hodnota určující umístění pro uložení metrik spuštění HyperDrivu jako souboru JSON.

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

Volitelná značka verze, která označuje změnu funkčnosti modulu.

name
str
Vyžadováno

[Povinné] Název kroku.

hyperdrive_config
HyperDriveConfig
Vyžadováno

[Povinné] HyperDriveConfig, který definuje konfiguraci pro spuštění HyperDrive.

estimator_entry_script_arguments
list
Vyžadováno

Seznam argumentů příkazového řádku pro skript pro zadání estimátoru. Pokud vstupní skript estimátoru nepřijímá argumenty příkazového řádku, nastavte tuto hodnotu parametru na prázdný seznam.

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

Seznam vazeb vstupních portů.

outputs
list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]]
Vyžadováno

Seznam výstupních vazeb portů.

metrics_output
Union[PipelineData, DataReference, OutputPortBinding]
Vyžadováno

Volitelná hodnota určující umístění pro ukládání metrik spuštění HyperDrivu jako souboru JSON.

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

Poznámky

Všimněte si, že argumenty vstupního skriptu použitého v objektu TensorFlow estimátoru (např. objekt) musí být při vytváření instance HyperDriveStep zadány jako seznam pomocí parametru estimator_entry_script_arguments . Parametr script_params estimátoru přijímá slovník. Parametr však estimator_entry_script_argument očekává argumenty jako seznam.

Inicializace HyperDriveStep zahrnuje zadání seznamu DataReference objektů pomocí parametru inputs . V Azure ML Pipelines může krok kanálu jako vstup převzít výstup jiného kroku nebo objekty DataReference. Proto při vytváření HyperDriveStep musí inputs být parametry a outputs nastaveny explicitně, což přepisuje inputs parametr zadaný v objektu Estimator.

Osvědčeným postupem pro práci s krokem HyperDriveStep je použít samostatnou složku pro skripty a všechny závislé soubory přidružené ke kroku a zadat tuto složku jako objekt source_directorynástroje pro posouzení. Viz například source_directory parametr TensorFlow třídy . To má dvě výhody. Za prvé to pomáhá zmenšit velikost snímku vytvořeného pro krok, protože se vytvoří jenom to, co je pro krok potřeba. Za druhé je možné znovu použít výstup kroku z předchozího spuštění, pokud nedošlo k source_directory žádným změnám, které by aktivovaly opětovné nahrání snímku.

Následující příklad ukazuje, jak použít HyperDriveStep v kanálu Služby Azure Machine Learning.


   metrics_output_name = 'metrics_output'
   metrics_data = PipelineData(name='metrics_data',
                               datastore=datastore,
                               pipeline_output_name=metrics_output_name,
                               training_output=TrainingOutput("Metrics"))

   model_output_name = 'model_output'
   saved_model = PipelineData(name='saved_model',
                               datastore=datastore,
                               pipeline_output_name=model_output_name,
                               training_output=TrainingOutput("Model",
                                                              model_file="outputs/model/saved_model.pb"))

   hd_step_name='hd_step01'
   hd_step = HyperDriveStep(
       name=hd_step_name,
       hyperdrive_config=hd_config,
       inputs=[data_folder],
       outputs=[metrics_data, saved_model])

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-parameter-tuning-with-hyperdrive.ipynb

Metody

create_node

Vytvořte uzel z kroku HyperDrive 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 kroku HyperDrive 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