HyperDriveStep Třída

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

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

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

Konstruktor

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

Parametry

Name	Description
name Vyžadováno	str [Povinné] Název kroku.
hyperdrive_config Vyžadováno	HyperDriveConfig [Povinné] HyperDriveConfig, který definuje konfiguraci pro spuštění HyperDrivu.
estimator_entry_script_arguments	list Seznam argumentů příkazového řádku pro vstupní skript estimátoru Pokud vstupní skript estimátoru nepřijímá argumenty příkazového řádku, nastavte tuto hodnotu parametru na prázdný seznam. Default value: None
inputs	list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]] Seznam vstupních vazeb portů Default value: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]] Seznam vazeb výstupních portů Default value: None
metrics_output	Union[PipelineData, DataReference, OutputPortBinding] Volitelná hodnota určující umístění pro uložení metrik spuštění HyperDrivu jako souboru JSON. 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 [Povinné] Název kroku.
hyperdrive_config Vyžadováno	HyperDriveConfig [Povinné] HyperDriveConfig, který definuje konfiguraci pro spuštění HyperDrivu.
estimator_entry_script_arguments Vyžadováno	list Seznam argumentů příkazového řádku pro vstupní skript estimátoru Pokud vstupní skript estimátoru nepřijímá argumenty příkazového řádku, nastavte tuto hodnotu parametru na prázdný seznam.
inputs Vyžadováno	list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]] Seznam vstupních vazeb portů
outputs Vyžadováno	list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]] Seznam výstupních vazeb portů
metrics_output Vyžadováno	Union[PipelineData, DataReference, OutputPortBinding] Volitelná hodnota určující umístění pro uložení metrik spuštění HyperDrivu jako souboru JSON.
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 odhadce (např TensorFlow . objekt) musí být zadány jako seznam pomocí parametru estimator_entry_script_arguments při vytváření instance HyperDriveStep. Parametr script_params estimátoru přijímá slovník. estimator_entry_script_argument Parametr však očekává argumenty jako seznam.

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

Osvědčeným postupem pro práci s HyperDriveStep je použít samostatnou složku pro skripty a všechny závislé soubory přidružené k kroku a určit tuto složku jako objekt source_directoryodhadce . Podívejte se například na source_directory parametr TensorFlow třídy. 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.

Následující příklad ukazuje, jak používat HyperDriveStep v kanálu 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 od 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 HyperDrivu 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 kroku HyperDrivu 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.