RScriptStep Třída

Poznámka:

Jedná se o experimentální třídu a může se kdykoli změnit. Další informace najdete tady: https://aka.ms/acr/connected-registry.

Vytvoří krok kanálu Azure ML, který spouští skript jazyka R.

Vytvořte krok kanálu Azure ML, který spouští skript jazyka R.

ZAVRHOVANÝ. Použijte místo toho CommandStep . Příklad najdete v tématu Spouštění skriptů jazyka R v kanálech pomocí commandStep.

Konstruktor

RScriptStep(script_name, name=None, arguments=None, compute_target=None, runconfig=None, runconfig_pipeline_params=None, inputs=None, outputs=None, params=None, source_directory=None, use_gpu=False, custom_docker_image=None, cran_packages=None, github_packages=None, custom_url_packages=None, allow_reuse=True, version=None)

Parametry

Name	Description
script_name Vyžadováno	str [Povinné] Název skriptu jazyka R vzhledem k `source_directory`.
name Vyžadováno	str Název kroku. Pokud není zadáno, `script_name` použije se.
arguments Vyžadováno	list Argumenty příkazového řádku pro soubor skriptu jazyka R Argumenty se předají výpočetním prostředkům prostřednictvím parametru `arguments` v RunConfiguration. Další podrobnosti o zpracování argumentů, jako jsou speciální symboly, naleznete v tématu RunConfiguration.
compute_target Vyžadováno	Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple] [Povinné] Cílový výpočetní objekt, který se má použít. Pokud není zadaný, použije se cíl z objektu `runconfig` . Tento parametr může být zadán jako cílový objekt výpočetního objektu nebo jako název řetězce cílového výpočetního objektu v pracovním prostoru. Volitelně pokud výpočetní cíl není k dispozici v době vytvoření kanálu, můžete zadat řazenou kolekci členů ("název cílového výpočetního objektu", "cílový typ výpočetního objektu"), abyste se vyhnuli načtení cílového objektu výpočetního objektu (typ AmlCompute je AmlCompute a typ RemoteCompute je VirtualMachine).
runconfig Vyžadováno	RunConfiguration [Povinné] Spusťte konfiguraci, která zapouzdřuje informace potřebné k odeslání trénovacího spuštění v experimentu. To je nutné k definování konfigurací spuštění jazyka R, které lze definovat v RSection. Pro tento krok se vyžaduje RSection.
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[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputFileDataset, PipelineOutputTabularDataset, 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_".
source_directory Vyžadováno	str Složka, která obsahuje skript jazyka R, env conda a další prostředky použité v kroku.
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 uživatel nenastaví oba `base_image` parametry.`base_dockerfile` Toto nastavení se používá jenom v cílových výpočetních objektech s podporou Dockeru. Další https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.environment.dockersection podrobnosti najdete v tématu `base_image`.
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. Tato verze je zastaralá a bude odebrána v budoucí verzi. Místo toho použijte base_image v DockerSection.
cran_packages Vyžadováno	list Balíčky CRAN, které se mají nainstalovat. Tato verze je zastaralá a bude odebrána v budoucí verzi. Místo toho použijte RSection.cran_packages.
github_packages Vyžadováno	list Balíčky GitHubu, které se mají nainstalovat. Tato verze je zastaralá a bude odebrána v budoucí verzi. Místo toho použijte RSection.github_packages.
custom_url_packages Vyžadováno	list Balíčky, které se mají nainstalovat z místního adresáře nebo vlastní adresy URL. Tato verze je zastaralá a bude odebrána v budoucí verzi. Místo toho použijte RSection.custom_url_packages.
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 Volitelná značka verze, která označuje změnu funkčnosti kroku.
script_name Vyžadováno	str [Povinné] Název skriptu jazyka R vzhledem k `source_directory`.
name Vyžadováno	str Název kroku. Pokud není zadáno, `script_name` použije se.
arguments Vyžadováno	list Argumenty příkazového řádku pro soubor skriptu jazyka R Argumenty se předají výpočetním prostředkům prostřednictvím parametru `arguments` v RunConfiguration. Další podrobnosti o zpracování argumentů, jako jsou speciální symboly, naleznete v tématu RunConfiguration.
compute_target Vyžadováno	Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple] [Povinné] Cílový výpočetní objekt, který se má použít. Pokud není zadaný, použije se cíl z objektu `runconfig` . Tento parametr může být zadán jako cílový objekt výpočetního objektu nebo jako název řetězce cílového výpočetního objektu v pracovním prostoru. Volitelně pokud výpočetní cíl není k dispozici v době vytvoření kanálu, můžete zadat řazenou kolekci členů ("název cílového výpočetního objektu", "cílový typ výpočetního objektu"), abyste se vyhnuli načtení cílového objektu výpočetního objektu (typ AmlCompute je AmlCompute a typ RemoteCompute je VirtualMachine).
runconfig Vyžadováno	RunConfiguration [Povinné] Spusťte konfiguraci, která zapouzdřuje informace potřebné k odeslání trénovacího spuštění v experimentu. To je nutné k definování konfigurací spuštění jazyka R, které lze definovat v RSection. Pro tento krok se vyžaduje RSection.
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[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputFileDataset, PipelineOutputTabularDataset, DatasetConsumptionConfig]] Seznam vstupních vazeb portů
outputs Vyžadováno	list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]] Seznam výstupních vazeb portů
params Vyžadováno	dict Slovník párů name-value registrovaných jako proměnné prostředí s "AML_PARAMETER_".
source_directory Vyžadováno	str Složka, která obsahuje skript jazyka R, env conda a další prostředky použité v kroku.
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 uživatel nenastaví oba `base_image` parametry.`base_dockerfile` Toto nastavení se používá jenom v cílových výpočetních objektech s podporou Dockeru. Další https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.environment.dockersection podrobnosti najdete v tématu `base_image`.
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. Tato verze je zastaralá a bude odebrána v budoucí verzi. Místo toho použijte base_image v DockerSection.
cran_packages Vyžadováno	list Balíčky CRAN, které se mají nainstalovat. Tato verze je zastaralá a bude odebrána v budoucí verzi. Místo toho použijte RSection.cran_packages.
github_packages Vyžadováno	list Balíčky GitHubu, které se mají nainstalovat. Tato verze je zastaralá a bude odebrána v budoucí verzi. Místo toho použijte RSection.github_packages.
custom_url_packages Vyžadováno	list Balíčky, které se mají nainstalovat z místního adresáře nebo vlastní adresy URL. Tato verze je zastaralá a bude odebrána v budoucí verzi. Místo toho použijte RSection.custom_url_packages.
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 Volitelná značka verze, která označuje změnu funkčnosti kroku.

Poznámky

RScriptStep je základní integrovaný krok pro spuštění skriptu jazyka R na cílovém výpočetním objektu. Vezme název skriptu a další volitelné parametry, jako jsou argumenty pro skript, cílový výpočetní objekt, vstupy a výstupy. Měli byste použít RunConfiguration k určení požadavků pro RScriptStep, například vlastní image Dockeru, požadované balíčky cran/github.

Osvědčeným postupem pro práci s jazykem RScriptStep je použít samostatnou složku pro skripty a všechny závislé soubory přidružené k kroku a určit tuto složku s parametrem source_directory . Následující osvědčený postup 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 snímku.

Následující příklad kódu ukazuje, jak použít RScriptStep ve scénáři trénování strojového učení.


   from azureml.core.runconfig import RunConfiguration
   from azureml.core.environment import Environment, RSection, RCranPackage
   from azureml.pipeline.steps import RScriptStep

   rc = RunConfiguration()
   rc.framework='R'
   rc.environment.r = RSection()                            # R details with required packages
   rc.environment.docker.enabled = True                     # to enable docker image
   rc.environment.docker.base_image = '<custom user image>' # to use custom image

   cran_package1 = RCranPackage()
   cran_package1.name = "ggplot2"
   cran_package1.repository = "www.customurl.com"
   cran_package1.version = "2.1"
   rc.environment.r.cran_packages = [cran_package1]

   trainStep = RScriptStep(script_name="train.R",
                           arguments=["--input", blob_input_data, "--output", output_data1],
                           inputs=[blob_input_data],
                           outputs=[output_data1],
                           compute_target=compute_target,
                           use_gpu=False,
                           runconfig=rc,
                           source_directory=project_folder)

https://aka.ms/pl-first-pipeline Další podrobnosti o vytváření kanálů najdete obecně. Další https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.environment.rsection podrobnosti o RSection.

Metody

create_node

Vytvořte uzel pro RScriptStep a přidejte ho do zadaného grafu.

ZAVRHOVANÝ. Použijte místo toho CommandStep . Příklad najdete v tématu Spouštění skriptů jazyka R 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 pro RScriptStep a přidejte ho do zadaného grafu.

ZAVRHOVANÝ. Použijte místo toho CommandStep . Příklad najdete v tématu Spouštění skriptů jazyka R v kanálech pomocí commandStep.

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.

Váš názor

Byla tato stránka užitečná?

Sdílet prostřednictvím

RScriptStep Třída

Konstruktor

Parametry

Poznámky

Metody

create_node

Parametry

Návraty

Váš názor