Upgrade von AutoML auf SDK v2

  • Artikel

Im SDK v2 sind „Experimente“ und „Ausführungen“ in Aufträgen zusammengefasst.

Im SDK v1 wurde AutoML (automatisiertes maschinelles Lernen) in erster Linie mit der AutoMLConfig-Klasse konfiguriert und ausgeführt. Im SDK v2 wurde diese Klasse in einen AutoML-Auftrag konvertiert. Obwohl es einige Unterschiede bei den Konfigurationsoptionen gibt, wurde die Benennung und Funktionalität in V2 groß und groß beibehalten.

Dieser Artikel enthält einen Vergleich der Szenarien in SDK v1 und SDK v2.

Übermitteln einer AutoML-Ausführung

  • SDK v1: Nachstehend finden Sie ein Beispiel einer AutoML-Klassifizierungsaufgabe. Den gesamten Code finden Sie in unserem Repository mit Beispielen.

    # Imports

import azureml.core
from azureml.core.experiment import Experiment
from azureml.core.workspace import Workspace
from azureml.core.dataset import Dataset
from azureml.train.automl import AutoMLConfig
from azureml.train.automl.run import AutoMLRun   

# Load tabular dataset
data = "<url_to_data>"
dataset = Dataset.Tabular.from_delimited_files(data)
training_data, validation_data = dataset.random_split(percentage=0.8, seed=223)
label_column_name = "Class"

# Configure Auto ML settings
automl_settings = {
    "n_cross_validations": 3,
    "primary_metric": "average_precision_score_weighted",
    "enable_early_stopping": True,
    "max_concurrent_iterations": 2,  
    "experiment_timeout_hours": 0.25,  
    "verbosity": logging.INFO,
}

# Put together an AutoML job constructor
automl_config = AutoMLConfig(
    task="classification",
    debug_log="automl_errors.log",
    compute_target=compute_target,
    training_data=training_data,
    label_column_name=label_column_name,
    **automl_settings,
)

# Submit run
remote_run = experiment.submit(automl_config, show_output=False)
azureml_url = remote_run.get_portal_url()
print(azureml_url)

  • SDK v2: Nachstehend finden Sie ein Beispiel einer AutoML-Klassifizierungsaufgabe. Den gesamten Code finden Sie in unserem Repository mit Beispielen.

    # Imports
from azure.ai.ml import automl, Input, MLClient

from azure.ai.ml.constants import AssetTypes
from azure.ai.ml.automl import (
    classification,
    ClassificationPrimaryMetrics,
    ClassificationModels,
)


# Create MLTables for training dataset
# Note that AutoML Job can also take in tabular data
my_training_data_input = Input(
    type=AssetTypes.MLTABLE, path="./data/training-mltable-folder"
)

# Create the AutoML classification job with the related factory-function.
classification_job = automl.classification(
    compute="<compute_name>",
    experiment_name="<exp_name?",
    training_data=my_training_data_input,
    target_column_name="<name_of_target_column>",
    primary_metric="accuracy",
    n_cross_validations=5,
    enable_model_explainability=True,
    tags={"my_custom_tag": "My custom value"},
)

# Limits are all optional
classification_job.set_limits(
    timeout_minutes=600,
    trial_timeout_minutes=20,
    max_trials=5,
    max_concurrent_trials = 4,
    max_cores_per_trial= 1,
    enable_early_termination=True,
)

# Training properties are optional
classification_job.set_training(
    blocked_training_algorithms=["LogisticRegression"],
    enable_onnx_compatible_models=True,
)

# Submit the AutoML job
returned_job = ml_client.jobs.create_or_update(classification_job)  
returned_job

Zuordnung der wichtigsten Funktionen in SDK v1 und SDK v2

Funktionalität im SDK v1 Grobe Zuordnung in SDK v2
Methode/API im SDK v1 (mit Links zur Referenzdokumentation) Methode/API im SDK v2 (mit Links zur Referenzdokumentation)

Nächste Schritte

Weitere Informationen finden Sie unter