dnn Paket

Enthält Schätzer, die in deep Neural Network (DNN)-Schulungen verwendet werden.

Klassen

Chainer	Stellt eine Schätzung für Schulungen in Chainer-Experimenten dar. VERALTET. Verwenden Sie das ScriptRunConfig Objekt mit Ihrer eigenen definierten Umgebung oder einer der kuratierten Azure ML Chainer-Umgebungen. Eine Einführung in das Konfigurieren von Experimentläufen mit ScriptRunConfig finden Sie unter Konfigurieren und Übermitteln von Schulungsläufen. Unterstützte Versionen: 5.1.0, 7.0.0 Initialisieren Sie eine Chainer-Schätzung.
Gloo	Verwaltet Gloo-Einstellungen für verteilte Schulungsaufträge. VERALTET. Verwenden Sie die PyTorchConfiguration Klasse. Gloo kann für einen Schulungsauftrag mit dem distributed_training Parameter des vorkonfigurierten PyTorch Estimators oder einer beliebigen generischen unterstützenden Estimator Gloo angegeben werden. Eine Klasse zum Verwalten von Gloo-Einstellungen für Aufträge.
Mpi	Verwaltet die Einstellungen für das Message Passing Interface (MPI) für verteilte Schulungsaufträge. VERALTET. Verwenden Sie die MpiConfiguration Klasse. MPI kann für einen Auftrag mit dem distributed_training Parameter vorkonfigurierten Schätzern Chainer, PyTorchund , und , oder TensorFlowmit einem generischen Estimator. Eine Klasse zum Verwalten von MPI-Einstellungen für Aufträge.
Nccl	Verwaltet Nccl-Einstellungen für verteilte Schulungsaufträge. VERALTET. Verwenden Sie die PyTorchConfiguration Klasse. Nccl kann für einen Schulungsauftrag mit dem distributed_training Parameter des vorkonfigurierten PyTorch Schätzwerts oder einer generischen unterstützenden Estimator Nccl angegeben werden. Eine Klasse zum Verwalten von Nccl-Einstellungen für Aufträge.
ParameterServer	Verwaltet parameterservereinstellungen für Schulungsaufträge. VERALTET. Verwenden Sie die TensorflowConfiguration Klasse. Eine Klasse zum Verwalten von Parameterservereinstellungen für Aufträge. VERALTET. Verwenden Sie die TensorflowConfiguration Klasse.
PyTorch	Stellt eine Schätzung für schulungen in PyTorch-Experimenten dar. VERALTET. Verwenden Sie das ScriptRunConfig Objekt mit Ihrer eigenen definierten Umgebung oder einer der kuratierten Azure ML PyTorch-Umgebungen. Eine Einführung in die Konfiguration des PyTorch-Experiments mit ScriptRunConfig finden Sie unter Train PyTorch-Modelle im Maßstab mit Azure Machine Learning. Unterstützte Versionen: 1.0, 1.1, 1.2, 1.3, 1.4, 1.5, 1.6 Initialisieren Sie einen PyTorch-Schätzer. Docker run reference. :type shm_size: str :p aram resume_from: Der Datenpfad mit den Prüfpunkt- oder Modelldateien, aus denen das Experiment fortgesetzt werden soll. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: Die maximal zulässige Zeit für die Ausführung. Azure ML versucht automatisch, abbrechen, wenn die Ausführung länger dauert als dieser Wert.
TensorFlow	Stellt eine Schätzung für schulungen in TensorFlow-Experimenten dar. VERALTET. Verwenden Sie das ScriptRunConfig Objekt mit Ihrer eigenen definierten Umgebung oder einer der kuratierten Azure ML TensorFlow-Umgebungen. Eine Einführung in das Konfigurieren des TensorFlow-Experiments mit ScriptRunConfig finden Sie unter Train TensorFlow-Modelle im Maßstab mit Azure Machine Learning. Unterstützte Versionen: 1.10, 1.12, 1.13, 2.0, 2.1, 2.2 Initialisieren Sie einen TensorFlow-Schätzer. Docker run reference. :type shm_size: str :p aram resume_from: Der Datenpfad mit den Prüfpunkt- oder Modelldateien, aus denen das Experiment fortgesetzt werden soll. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: Die maximal zulässige Zeit für die Ausführung. Azure ML versucht automatisch, abbrechen, wenn die Ausführung länger dauert als dieser Wert.