MpiStep Třída

Vytvoří krok kanálu Azure ML pro spuštění úlohy MPI.

Příklad použití funkce MpiStep najdete v poznámkovém bloku https://aka.ms/pl-style-trans.

Vytvořte krok kanálu Azure ML pro spuštění úlohy MPI.

ZAVRHOVANÝ. Použijte místo toho CommandStep . Příklad najdete v tématu Postup spuštění distribuovaného trénování v kanálech pomocí CommandStep.

Konstruktor

MpiStep(name=None, source_directory=None, script_name=None, arguments=None, compute_target=None, node_count=None, process_count_per_node=None, inputs=None, outputs=None, allow_reuse=True, version=None, hash_paths=None, **kwargs)

Parametry

Name	Description
name	str [Povinné] Název modulu. Default value: None
source_directory	str [Povinné] Složka, která obsahuje skript Pythonu, env conda a další prostředky použité v kroku. Default value: None
script_name	str [Povinné] Název skriptu Pythonu vzhledem k source_directory. Default value: None
arguments	list [Povinné] Seznam argumentů příkazového řádku Default value: None
compute_target	AmlCompute, str [Povinné] Cílový výpočetní objekt, který se má použít. Default value: None
node_count	int [Povinné] Početuzlůch Pokud je větší než 1, spustí se distribuovaná úloha mpi. Distribuované úlohy podporují pouze výpočetní cíl AmlCompute. Podporují se hodnoty PipelineParameter. Default value: None
process_count_per_node	int [Povinné] Počet procesů na uzel. Pokud je větší než 1, spustí se distribuovaná úloha mpi. Distribuované úlohy podporují pouze výpočetní cíl AmlCompute. Podporují se hodnoty PipelineParameter. Default value: None
inputs	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]] Seznam vstupních vazeb portů Default value: None
outputs	list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]] Seznam výstupních vazeb portů Default value: None
params Vyžadováno	dict Slovník párů name-value registrovaných jako proměnné prostředí s "AML_PARAMETER_".
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
hash_paths	list ZASTARALÉ: Už není potřeba. Seznam cest k hodnotě hash při kontrole změn v obsahu kroku. Pokud se nezjistí žádné změny, kanál znovu použije obsah kroku z předchozího spuštění. Ve výchozím nastavení je obsah source_directory hashován s výjimkou souborů uvedených v souboru .amlignore nebo .gitignore. Default value: None
use_gpu Vyžadováno	bool Určuje, jestli má prostředí pro spuštění experimentu podporovat gpu. Pokud ano, použije se v prostředí výchozí image Dockeru založená na GPU. Pokud je false, použije se image založená na procesoru. Výchozí image Dockeru (CPU nebo GPU) se použijí jenom v případě, že custom_docker_image parametr není nastavený. Toto nastavení se používá jenom v cílových výpočetních objektech s podporou Dockeru.
use_docker Vyžadováno	bool Určuje, jestli má být prostředí ke spuštění experimentu založené na Dockeru.
custom_docker_image Vyžadováno	str Vytvoří se název image Dockeru, ze které se má image použít pro trénování. Pokud není nastavená, jako základní image se použije výchozí image založená na procesoru.
image_registry_details Vyžadováno	ContainerRegistry Podrobnosti registru imagí Dockeru
user_managed Vyžadováno	bool Určuje, jestli Azure ML znovu používá existující prostředí Pythonu; Nepravda znamená, že Azure ML vytvoří prostředí Pythonu na základě specifikace závislostí conda.
conda_packages Vyžadováno	list Seznam řetězců představujících balíčky conda, které se mají přidat do prostředí Pythonu.
pip_packages Vyžadováno	list Seznam řetězců představujících balíčky pip, které se mají přidat do prostředí Pythonu.
pip_requirements_file_path Vyžadováno	str Relativní cesta k textovému souboru požadavků pip. Tento parametr lze zadat v kombinaci s parametrem pip_packages .
environment_definition Vyžadováno	EnvironmentDefinition Definice EnvironmentDefinition pro experiment. Zahrnuje PythonSection a DockerSection a proměnné prostředí. Pomocí parametru environment_definition lze nastavit jakoukoli možnost prostředí, která není přímo zpřístupněna prostřednictvím jiných parametrů pro konstrukci MpiStep. Pokud je tento parametr zadaný, bude mít přednost před jinými parametry souvisejícími s prostředím, jako jsou use_gpu, custom_docker_image, conda_packages nebo pip_packages a chyby budou hlášeny na těchto neplatných kombinacích.
name Vyžadováno	str [Povinné] Název modulu.
source_directory Vyžadováno	str [Povinné] Složka, která obsahuje skript Pythonu, env conda a další prostředky použité v kroku.
script_name Vyžadováno	str [Povinné] Název skriptu Pythonu vzhledem k source_directory.
arguments Vyžadováno	list [Povinné] Seznam argumentů příkazového řádku
compute_target Vyžadováno	<xref:azureml.core.compute.AmlComputeCompute>, str [Povinné] Cílový výpočetní objekt, který se má použít.
node_count Vyžadováno	int [Povinné] Počet uzlů v cílovém výpočetním objektu použitém pro trénování Pokud je větší než 1, spustí se distribuovaná úloha mpi. Distribuované úlohy podporují pouze výpočetní cíl AmlCompute. Podporují se hodnoty PipelineParameter.
process_count_per_node Vyžadováno	int [Povinné] Počet procesů na uzel Pokud je větší než 1, spustí se distribuovaná úloha mpi. Distribuované úlohy podporují pouze výpočetní cíl AmlCompute. Podporují se hodnoty PipelineParameter.
inputs Vyžadováno	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]] Seznam vstupních vazeb portů
outputs Vyžadováno	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]] Seznam výstupních vazeb portů
params Vyžadováno	dict Slovník párů name-value registrovaných jako proměnné prostředí s ">>AML_PARAMETER_<<".
allow_reuse Vyžadováno	bool Určuje, zda má krok opakovaně používat předchozí výsledky při opětovném spuštění se stejnými parametry, 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 Volitelná značka verze, která označuje změnu funkčnosti modulu
hash_paths Vyžadováno	list ZASTARALÉ: Už není potřeba. Seznam cest k hodnotě hash při kontrole změn v obsahu kroku. Pokud se nezjistí žádné změny, kanál znovu použije obsah kroku z předchozího spuštění. Ve výchozím nastavení je obsah source_directory hashován s výjimkou souborů uvedených v souboru .amlignore nebo .gitignore.
use_gpu Vyžadováno	bool Určuje, jestli má prostředí pro spuštění experimentu podporovat gpu. Pokud ano, použije se v prostředí výchozí image Dockeru založená na GPU. Pokud je false, použije se image založená na procesoru. Výchozí image Dockeru (CPU nebo GPU) se použijí jenom v případě, že custom_docker_image parametr není nastavený. Toto nastavení se používá jenom v cílových výpočetních objektech s podporou Dockeru.
use_docker Vyžadováno	bool Určuje, jestli má být prostředí ke spuštění experimentu založené na Dockeru. custom_docker_image (str): Název image Dockeru, ze které se má image použít pro úlohu mpi, vytvoří. Pokud není nastavená, jako základní image se použije výchozí image založená na procesoru.
custom_docker_image Vyžadováno	str Vytvoří se název image Dockeru, ze které se má image použít pro trénování. Pokud není nastavená, jako základní image se použije výchozí image založená na procesoru.
image_registry_details Vyžadováno	ContainerRegistry Podrobnosti registru imagí Dockeru
user_managed Vyžadováno	bool Určuje, jestli Azure ML znovu používá existující prostředí Pythonu; Nepravda znamená, že Azure ML vytvoří prostředí Pythonu na základě specifikace závislostí conda.
conda_packages Vyžadováno	list Seznam řetězců představujících balíčky conda, které se mají přidat do prostředí Pythonu.
pip_packages Vyžadováno	list Seznam řetězců představujících balíčky pip, které se mají přidat do prostředí Pythonu.
pip_requirements_file_path Vyžadováno	str Relativní cesta k textovému souboru požadavků pip. Tento parametr lze zadat v kombinaci s parametrem pip_packages .
environment_definition Vyžadováno	EnvironmentDefinition Definice EnvironmentDefinition pro experiment. Zahrnuje PythonSection a DockerSection a proměnné prostředí. Pomocí parametru environment_definition lze nastavit jakoukoli možnost prostředí, která není přímo zpřístupněna prostřednictvím jiných parametrů pro konstrukci MpiStep. Pokud je tento parametr zadaný, bude mít přednost před jinými parametry souvisejícími s prostředím, jako jsou use_gpu, custom_docker_image, conda_packages nebo pip_packages a chyby budou hlášeny na těchto neplatných kombinacích.