Estimator Třída
Představuje obecný estimátor pro trénovat data pomocí jakékoli zadané architektury.
ZASTARALÉ. Použijte objekt s ScriptRunConfig vlastním definovaným prostředím nebo kurátorovaným prostředím Azure ML. Úvod ke konfiguraci spuštění experimentů pomocí ScriptRunConfig najdete v tématu Konfigurace a odeslání trénovacích spuštění.
Tato třída je určená pro použití s architekturami strojového učení, které ještě nemají předem nakonfigurovaný estimátor služby Azure Machine Learning. Existují předem nakonfigurované estimátory pro Chainer, PyTorch, TensorFlowa SKLearn. Pokud chcete vytvořit estimátor, který není předkonfigurovaný, přečtěte si téma trénování modelů pomocí nástroje pro posouzení pomocí služby Azure Machine Learning.
Třída Estimator zabalí informace o konfiguraci spuštění, aby pomohla zjednodušit úlohy určení způsobu spuštění skriptu. Podporuje spouštění s jedním uzlem i s více uzly. Spuštění estimátoru vytvoří model ve výstupním adresáři zadaném v trénovacím skriptu.
Inicializujte estimátor.
používá se azureml.core.environment._DEFAULT_SHM_SIZE. Další informace najdete v referenčních informacích o spuštění Dockeru. :type shm_size: str :p aram resume_from: Cesta k datům obsahující soubory kontrolního bodu nebo modelu, ze kterých chcete experiment obnovit. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: Maximální povolená doba spuštění. Azure ML se pokusí automaticky
zrušte spuštění, pokud trvá déle než tato hodnota.
- Dědičnost
-
azureml.train.estimator._mml_base_estimator.MMLBaseEstimatorEstimator
Konstruktor
Estimator(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, node_count=1, process_count_per_node=1, distributed_backend=None, distributed_training=None, use_gpu=False, use_docker=True, custom_docker_base_image=None, custom_docker_image=None, image_registry_details=None, user_managed=False, conda_packages=None, pip_packages=None, conda_dependencies_file_path=None, pip_requirements_file_path=None, conda_dependencies_file=None, pip_requirements_file=None, environment_variables=None, environment_definition=None, inputs=None, source_directory_data_store=None, shm_size=None, resume_from=None, max_run_duration_seconds=None, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)Parametry
- source_directory
- str
Místní adresář obsahující konfiguraci experimentu a soubory kódu potřebné pro trénovací úlohu.
- compute_target
- AbstractComputeTarget nebo str
Cílový výpočetní objekt, ve kterém bude probíhat trénování. Může to být buď objekt, nebo řetězec "local".
- vm_size
- str
Velikost virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Podporované hodnoty: Libovolná velikost virtuálního počítače Azure.
- vm_priority
- str
Priorita virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Pokud není zadáno, použije se "vyhrazené".
Podporované hodnoty: "dedicated" a "lowpriority".
To se projeví pouze v případě, vm_size že je parametr zadaný ve vstupu.
- script_params
- dict
Slovník argumentů příkazového řádku, který se má předat do trénovacího skriptu zadaného v entry_scriptnástroji .
- node_count
- int
Počet uzlů v cílovém výpočetním objektu, které se používají pro trénování. Pokud je větší než 1, spustí se distribuovaná úloha MPI.
- process_count_per_node
- int
Počet procesů (neboli "pracovních procesů"), které se mají spustit na jednotlivých uzlech. Pokud je větší než 1, spustí se distribuovaná úloha MPI. U distribuovaných AmlCompute úloh se podporuje pouze cíl.
- distributed_backend
- str
Komunikační back-end pro distribuované trénování.
ZASTARALÉ. distributed_training Použijte parametr .
Podporované hodnoty: mpi. "mpi" představuje MPI/Horovod.
Tento parametr je povinný, pokud node_count nebo process_count_per_node> 1.
Pokud node_count je == 1 a process_count_per_node == 1, nebude použit žádný back-end, pokud není back-end explicitně nastaven. AmlCompute Pro distribuované trénování je podporován pouze cíl.
- distributed_training
- Mpi
Parametry pro spuštění distribuované trénovací úlohy
Pokud chcete spustit distribuovanou úlohu s back-endem MPI, zadejte process_count_per_nodepomocí Mpi objektu .
- use_gpu
- bool
Určuje, jestli by prostředí pro spuštění experimentu mělo 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 prostředcích s povoleným Dockerem.
- use_docker
- bool
Určuje, jestli má být prostředí pro spuštění experimentu založené na Dockeru.
- custom_docker_base_image
- str
Název image Dockeru, ze které se vytvoří image, která se má použít pro trénování.
ZASTARALÉ. custom_docker_image Použijte parametr .
Pokud není nastavená, jako základní image se použije výchozí image založená na procesoru.
- custom_docker_image
- str
Název image Dockeru, ze které se vytvoří image, která se má použít pro trénování. Pokud není nastavená, jako základní image se použije výchozí image založená na procesoru. Zadejte pouze image dostupné ve veřejných úložištích Dockeru (Docker Hub). Pokud chcete použít image z privátního úložiště Dockeru, použijte místo toho parametr konstruktoru environment_definition .
- user_managed
- bool
Určuje, jestli Azure ML opakovaně používá existující prostředí Pythonu. Pokud je false, vytvoří se prostředí Pythonu na základě specifikace závislostí conda.
- conda_packages
- list
Seznam řetězců představujících balíčky conda, které se mají přidat do prostředí Pythonu pro experiment.
- pip_packages
- list
Seznam řetězců představujících balíčky pip, které se mají přidat do prostředí Pythonu pro experiment.
- conda_dependencies_file_path
- str
Relativní cesta k závislosti conda soubor yaml. Pokud je zadáno, Azure ML nenainstaluje žádné balíčky související s architekturou.
ZASTARALÉ. conda_dependencies_file Použijte paramenter.
Zadejte nebo conda_dependencies_file_pathconda_dependencies_file. Pokud jsou zadány obě možnosti, conda_dependencies_file použije se.
- pip_requirements_file_path
- str
Relativní cesta k textovému souboru pip.
ZASTARALÉ. pip_requirements_file Použijte parametr .
Tento parametr lze zadat v kombinaci s parametrem pip_packages . Zadejte nebo pip_requirements_file_pathpip_requirements_file. Pokud jsou zadány obě možnosti, pip_requirements_file použije se.
- conda_dependencies_file
- str
Relativní cesta k závislosti conda soubor yaml. Pokud je zadáno, Azure ML nenainstaluje žádné balíčky související s architekturou.
- pip_requirements_file
- str
Relativní cesta k textovému souboru pip.
Tento parametr lze zadat v kombinaci s parametrem pip_packages .
- environment_variables
- dict
Slovník názvů a hodnot proměnných prostředí. Tyto proměnné prostředí se nastavují v procesu, ve kterém se spouští uživatelský skript.
- environment_definition
- Environment
Definice prostředí pro experiment. Zahrnuje PythonSection, DockerSection a proměnné prostředí. Pomocí tohoto parametru lze nastavit jakoukoli možnost prostředí, která není přímo zpřístupněna prostřednictvím jiných parametrů pro konstrukci estimátoru. Pokud je tento parametr zadaný, bude mít přednost před ostatními parametry souvisejícími s prostředím, jako use_gpujsou , custom_docker_image, conda_packagesnebo pip_packages.
U neplatných kombinací budou hlášeny chyby.
- inputs
- list
Seznam DataReference objektů nebo DatasetConsumptionConfig , které se mají použít jako vstup.
- shm_size
- str
Velikost bloku sdílené paměti kontejneru Dockeru. Pokud není nastavená, použije se výchozí azureml.core.environment._DEFAULT_SHM_SIZE. Další informace najdete v referenčních informacích o spuštění Dockeru.
- resume_from
- DataPath
Cesta k datům obsahující kontrolní bod nebo soubory modelu, ze kterých chcete pokračovat v experimentu.
- max_run_duration_seconds
- int
Maximální povolený čas pro spuštění. Azure ML se pokusí automaticky zrušit spuštění, pokud trvá déle než tato hodnota.
- source_directory
- str
Místní adresář obsahující konfiguraci experimentu a soubory kódu potřebné pro trénovací úlohu.
- compute_target
- AbstractComputeTarget nebo str
Cílový výpočetní objekt, kde bude probíhat trénování. Může to být buď objekt, nebo řetězec "local".
- vm_size
- str
Velikost virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Podporované hodnoty: Libovolná velikost virtuálního počítače Azure.
- vm_priority
- str
Priorita virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Pokud není zadaný, použije se "dedicated".
Podporované hodnoty: dedicated a lowpriority.
To se projeví pouze v případě, že vm_size je parametr zadán ve vstupu.
- script_params
- dict
Slovník argumentů příkazového řádku, který se má předat trénovacímu skriptu zadanému v entry_script.
- node_count
- int
Počet uzlů ve výpočetním cíli, které se používají k trénování. Pokud je větší než 1, spustí se distribuovaná úloha MPI. AmlCompute Pro distribuované úlohy se podporuje pouze cíl.
- process_count_per_node
- int
Počet procesů na uzel Pokud je větší než 1, spustí se distribuovaná úloha MPI. AmlCompute Pro distribuované úlohy se podporuje pouze cíl.
- distributed_backend
- str
Komunikační back-end pro distribuované trénování.
ZASTARALÉ. distributed_training Použijte parametr .
Podporované hodnoty: mpi. "mpi" představuje MPI/Horovod.
Tento parametr je povinný, když node_count nebo process_count_per_node> 1.
Pokud node_count == 1 a process_count_per_node == 1, nebude použit žádný back-end, pokud není back-end explicitně nastaven. AmlCompute Distribuované trénování podporuje pouze cíl.
- distributed_training
- Mpi
Parametry pro spuštění distribuované trénovací úlohy
Pokud chcete spustit distribuovanou úlohu s back-endem MPI, zadejte pomocí Mpi objektu process_count_per_node.
- use_gpu
- bool
Určuje, jestli by prostředí pro spuštění experimentu mělo podporovat GPU.
Pokud je true, 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
- bool
Určuje, jestli má být prostředí pro spuštění experimentu založené na Dockeru.
- custom_docker_base_image
- str
Vytvoří se název image Dockeru, ze které se image použije pro trénování.
ZASTARALÉ. custom_docker_image Použijte parametr .
Pokud není nastavená, jako základní image se použije výchozí image založená na procesoru.
- custom_docker_image
- str
Vytvoří se název image Dockeru, ze které se image použije pro trénování. Pokud není nastavená, jako základní image se použije výchozí image založená na procesoru. Zadejte pouze image dostupné ve veřejných úložištích Dockeru (Docker Hub). Pokud chcete použít image z privátního úložiště Dockeru, použijte místo toho parametr konstruktoru environment_definition .
- user_managed
- bool
Určuje, jestli Azure ML znovu použije existující prostředí Pythonu. Pokud je false, vytvoří se prostředí Pythonu na základě specifikace závislostí Conda.
- conda_packages
- list
Seznam řetězců představujících balíčky conda, které se mají přidat do prostředí Pythonu pro experiment.
- pip_packages
- list
Seznam řetězců představujících balíčky pip, které se mají přidat do prostředí Pythonu pro experiment.
- conda_dependencies_file_path
Relativní cesta k souboru yaml závislostí conda. Pokud zadáte tento parametr, Azure ML nenainstaluje žádné balíčky související s architekturou.
ZASTARALÉ. conda_dependencies_file Použijte paramenter.
Zadejte nebo conda_dependencies_file_pathconda_dependencies_file. Pokud jsou zadány obě, conda_dependencies_file použije se .
- pip_requirements_file_path
Relativní cesta k textovému souboru požadavků pip.
ZASTARALÉ. pip_requirements_file Použijte parametr .
To lze zadat v kombinaci s parametrem pip_packages . Zadejte nebo pip_requirements_file_pathpip_requirements_file. Pokud jsou zadány obě, pip_requirements_file použije se .
- pip_requirements_file
- str
Relativní cesta k textovému souboru požadavků pip.
To lze zadat v kombinaci s parametrem pip_packages .
- environment_variables
- dict
Slovník názvů a hodnot proměnných prostředí. Tyto proměnné prostředí se nastavují v procesu, ve kterém se spouští uživatelský skript.
- environment_definition
- Environment
Definice prostředí experimentu Zahrnuje PythonSection, DockerSection a proměnné prostředí. Pomocí tohoto parametru lze nastavit jakoukoli možnost prostředí, která není přímo zpřístupněna prostřednictvím jiných parametrů pro konstrukci estimátoru. Pokud je tento parametr zadaný, bude mít přednost před ostatními parametry souvisejícími s prostředím, jako use_gpujsou , custom_docker_image, conda_packagesnebo pip_packages.
U neplatných kombinací budou hlášeny chyby.
- inputs
- list
Seznam DataReference objektů nebo DatasetConsumptionConfig , které se mají použít jako vstup.
- shm_size
Velikost bloku sdílené paměti kontejneru Dockeru. Pokud není nastavená, výchozí hodnota
- _disable_validation
- bool
Před spuštěním odeslání zakažte ověřování skriptů. Výchozí hodnota je True.
- _show_lint_warnings
- bool
Zobrazit upozornění na lintování skriptů Výchozí hodnota je Nepravda.
- _show_package_warnings
- bool
Zobrazit upozornění ověření balíčku. Výchozí hodnota je Nepravda.
Váš názor
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: https://aka.ms/ContentUserFeedback.
Odeslat a zobrazit názory pro