SKLearn Třída

Vytvoří estimátor pro trénování v experimentech Scikit-learn.

ZAVRHOVANÝ. ScriptRunConfig Použijte objekt s vlastním definovaným prostředím nebo AzureML-Tutorial kurátorovaným prostředím. Úvod ke konfiguraci experimentů SKLearn pomocí ScriptRunConfig najdete v tématu Trénování modelů scikit-learn ve velkém měřítku pomocí služby Azure Machine Learning.

Tento estimátor podporuje pouze trénování procesoru s jedním uzlem.

Podporované verze: 0.20.3

Inicializace estimátoru Scikit-learn

Konstruktor

SKLearn(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, use_docker=True, 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, shm_size=None, resume_from=None, max_run_duration_seconds=None, framework_version=None, _enable_optimized_mode=False, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)

Parametry

Name	Description
source_directory Vyžadováno	str Místní adresář obsahující konfigurační soubory experimentu.
compute_target Vyžadováno	AbstractComputeTarget nebo str Cílový výpočetní objekt, ve kterém bude trénování probíhat. Může to být buď objekt, nebo řetězec "local".
vm_size Vyžadováno	str Velikost virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Podporované hodnoty: Libovolná velikost virtuálního počítače Azure
vm_priority Vyžadováno	str Priorita virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Pokud není zadáno, použije se "dedicated". Podporované hodnoty: "dedicated" a "lowpriority". To se projeví pouze v případě, vm_size param že je zadaný ve vstupu.
entry_script Vyžadováno	str Řetězec představující relativní cestu k souboru použitému k zahájení trénování.
script_params Vyžadováno	dict Slovník argumentů příkazového řádku, který se má předat trénovacímu skriptu zadanému v entry_script.
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. False znamená, že AzureML vytvoří prostředí Pythonu na základě specifikace závislostí conda.
conda_packages Vyžadováno	list Seznam řetězců představujících balíčky conda, které se mají přidat do prostředí Pythonu pro experiment.
pip_packages Vyžadováno	list Seznam řetězců představujících balíčky pip, které se mají přidat do prostředí Pythonu pro experiment.
conda_dependencies_file_path Vyžadováno	str Řetězec představující relativní cestu k souboru yaml závislostí conda. Pokud je zadáno, Azure ML nenainstaluje žádné balíčky související s architekturou. Dá se zadat v kombinaci s parametrem conda_packages . ZAVRHOVANÝ. conda_dependencies_file Použijte parametr.
pip_requirements_file_path Vyžadováno	str Řetězec představující relativní cestu k textovému souboru požadavků pip. Dá se zadat v kombinaci s parametrem pip_packages . ZAVRHOVANÝ. pip_requirements_file Použijte parametr.
conda_dependencies_file Vyžadováno	str Řetězec představující relativní cestu k souboru yaml závislostí conda. Pokud je zadáno, Azure ML nenainstaluje žádné balíčky související s architekturou. Dá se zadat v kombinaci s parametrem conda_packages .
pip_requirements_file Vyžadováno	str Řetězec představující relativní cestu k textovému souboru požadavků pip. Dá se zadat v kombinaci s parametrem pip_packages .
environment_variables Vyžadováno	dict Slovník názvů a hodnot proměnných prostředí Tyto proměnné prostředí jsou nastavené v procesu, ve kterém se spouští uživatelský skript.
environment_definition Vyžadováno	Environment Definice prostředí pro experiment zahrnuje PythonSection, DockerSection a proměnné prostředí. Pomocí parametru lze nastavit environment_definition jakoukoli možnost prostředí, která není přímo zpřístupněna prostřednictvím jiných parametrů pro konstrukci odhadce. Pokud je tento parametr zadán, bude mít přednost před jinými parametry souvisejícími s prostředím, jako je use_gpu, custom_docker_image, conda_packagesnebo pip_packages. Chyby budou hlášeny neplatné kombinace.
inputs Vyžadováno	list Seznam DataReference objektů nebo DatasetConsumptionConfig objektů, které se mají použít jako vstup.
shm_size Vyžadováno	str Velikost bloku sdílené paměti kontejneru Dockeru. Pokud není nastavená, použije se výchozí azureml.core.environment._DEFAULT_SHM_SIZE.
resume_from Vyžadováno	DataPath Cesta k datům obsahující soubory kontrolního bodu nebo modelu, ze kterých chcete experiment obnovit.
max_run_duration_seconds Vyžadováno	int Maximální povolená doba běhu. Azure ML se pokusí spuštění automaticky zrušit, pokud trvá déle, než je tato hodnota.
framework_version Vyžadováno	str Verze Scikit-learn, která se má použít ke spouštění trénovacího kódu. SKLearn.get_supported_versions() vrátí seznam verzí podporovaných aktuální sadou SDK.
source_directory Vyžadováno	str Místní adresář obsahující konfigurační soubory experimentu.
compute_target Vyžadováno	AbstractComputeTarget nebo str Cílový výpočetní objekt, ve kterém bude trénování probíhat. Může to být buď objekt, nebo řetězec "local".
vm_size Vyžadováno	str Velikost virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Podporované hodnoty: Libovolná velikost virtuálního počítače Azure
vm_priority Vyžadováno	str Priorita virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Pokud není zadáno, použije se "dedicated". Podporované hodnoty: "dedicated" a "lowpriority". To se projeví pouze v případě, vm_size param že je zadaný ve vstupu.
entry_script Vyžadováno	str Řetězec představující relativní cestu k souboru použitému k zahájení trénování.
script_params Vyžadováno	dict Slovník argumentů příkazového řádku, který se má předat trénovacímu skriptu zadanému v entry_script.
use_docker Vyžadováno	bool Logická hodnota označující, 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. False znamená, že AzureML vytvoří prostředí Pythonu na základě specifikace závislostí conda.
conda_packages Vyžadováno	list Seznam řetězců představujících balíčky conda, které se mají přidat do prostředí Pythonu pro experiment.
pip_packages Vyžadováno	list Seznam řetězců představujících balíčky pip, které se mají přidat do prostředí Pythonu pro experiment.
conda_dependencies_file_path Vyžadováno	str Řetězec představující relativní cestu k souboru yaml závislostí conda. Pokud je zadáno, Azure ML nenainstaluje žádné balíčky související s architekturou. Dá se zadat v kombinaci s parametrem conda_packages . ZAVRHOVANÝ. conda_dependencies_file Použijte parametr.
pip_requirements_file_path Vyžadováno	str Řetězec představující relativní cestu k textovému souboru požadavků pip. Dá se zadat v kombinaci s parametrem pip_packages . ZAVRHOVANÝ. pip_requirements_file Použijte parametr.
conda_dependencies_file Vyžadováno	str Řetězec představující relativní cestu k souboru yaml závislostí conda. Pokud je zadáno, Azure ML nenainstaluje žádné balíčky související s architekturou. Dá se zadat v kombinaci s parametrem conda_packages .
pip_requirements_file Vyžadováno	str Řetězec představující relativní cestu k textovému souboru požadavků pip. Dá se zadat v kombinaci s parametrem pip_packages .
environment_variables Vyžadováno	dict Slovník názvů a hodnot proměnných prostředí Tyto proměnné prostředí jsou nastavené v procesu, ve kterém se spouští uživatelský skript.
environment_definition Vyžadováno	Environment Definice prostředí pro experiment zahrnuje PythonSection, DockerSection a proměnné prostředí. Pomocí parametru lze nastavit environment_definition jakoukoli možnost prostředí, která není přímo zpřístupněna prostřednictvím jiných parametrů pro konstrukci odhadce. Pokud je tento parametr zadán, bude mít přednost před jinými parametry souvisejícími s prostředím, jako je use_gpu, custom_docker_image, conda_packagesnebo pip_packages. Chyby budou hlášeny neplatné kombinace.
inputs Vyžadováno	list Seznam azureml.data.data_reference Objekty DataReference, které se mají použít jako vstup.
shm_size Vyžadováno	str Velikost bloku sdílené paměti kontejneru Dockeru. Pokud není nastavená, použije se výchozí azureml.core.environment._DEFAULT_SHM_SIZE.
resume_from Vyžadováno	DataPath Cesta k datům obsahující soubory kontrolního bodu nebo modelu, ze kterých chcete experiment obnovit.
max_run_duration_seconds Vyžadováno	int Maximální povolená doba běhu. Azure ML se pokusí spuštění automaticky zrušit, pokud trvá déle, než je tato hodnota.
framework_version Vyžadováno	str Verze Scikit-learn, která se má použít ke spouštění trénovacího kódu. SKLearn.get_supported_versions() vrátí seznam verzí podporovaných aktuální sadou SDK.
_enable_optimized_mode Vyžadováno	bool Povolte přírůstkové sestavení prostředí s předem sestavenými imagemi architektury pro rychlejší přípravu prostředí. Předem sestavená image architektury je postavená na výchozích imagích procesoru a GPU Azure ML s předinstalovanými závislostmi architektury.
_disable_validation Vyžadováno	bool Před spuštěním odeslání zakažte ověření skriptu. Výchozí hodnota je True.
_show_lint_warnings Vyžadováno	bool Zobrazí upozornění pro lintování skriptu. Výchozí hodnota je False.
_show_package_warnings Vyžadováno	bool Zobrazí upozornění na ověření balíčku. Výchozí hodnota je False.

Poznámky

Při odesílání trénovací úlohy spustí Azure ML skript v prostředí Conda v kontejneru Dockeru. Kontejnery SKLearn mají nainstalované následující závislosti.

Závislosti | Scikit-learn 0.20.3 | ———————- | —————– | Python | 3.6.2 | výchozí hodnoty azureml | Nejnovější | IntelMpi | 2018.3.222 | scikit-learn | 0.20.3 | numpy | 1.16.2 | miniconda | 4.5.11 | scipy | 1.2.1 | joblib | 0.13.2 | git | 2.7.4 |

Image Dockeru rozšiřují Ubuntu 16.04.

Pokud potřebujete nainstalovat další závislosti, můžete použít pip_packagesconda_packages buď parametry, nebo můžete zadat soubor pip_requirements_file nebo conda_dependencies_file soubor. Alternativně můžete vytvořit vlastní image a předat custom_docker_image parametr konstruktoru estimátoru.

Atributy

DEFAULT_VERSION

DEFAULT_VERSION = '0.20.3'

FRAMEWORK_NAME

FRAMEWORK_NAME = 'SKLearn'