HyperDriveStep Třída
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
-
HyperDriveStep
Konstruktor
HyperDriveStep(name, hyperdrive_config, estimator_entry_script_arguments=None, inputs=None, outputs=None, metrics_output=None, allow_reuse=True, version=None)
Parametry
- hyperdrive_config
- HyperDriveConfig
[Povinné] HyperDriveConfig, který definuje konfiguraci pro spuštění HyperDrive.
- estimator_entry_script_arguments
- list
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]]
Seznam vazeb vstupních portů.
- outputs
- list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]]
Seznam výstupních vazeb portů
- metrics_output
- Union[PipelineData, DataReference, OutputPortBinding]
Volitelná hodnota určující umístění pro uložení metrik spuštění HyperDrivu jako souboru JSON.
- allow_reuse
- bool
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.
- hyperdrive_config
- HyperDriveConfig
[Povinné] HyperDriveConfig, který definuje konfiguraci pro spuštění HyperDrive.
- estimator_entry_script_arguments
- list
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]]
Seznam vazeb vstupních portů.
Seznam výstupních vazeb portů.
- metrics_output
- Union[PipelineData, DataReference, OutputPortBinding]
Volitelná hodnota určující umístění pro ukládání metrik spuštění HyperDrivu jako souboru JSON.
- allow_reuse
- bool
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.
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_directory
nástroje 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
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Výchozí úložiště dat.
- context
- <xref:azureml.pipeline.core._GraphContext>
Kontext grafu.
Návraty
Vytvořený uzel.
Návratový typ
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro