SKLearn Klasse
Erstellt einen Schätzer für das Training in Scikit-learn-Experimenten.
VERALTET. Verwenden Sie das ScriptRunConfig-Objekt mit Ihrer eigenen definierten Umgebung oder die zusammengestellte Umgebung AzureML-Tutorial. Eine Einführung in die Konfiguration von SKLearn-Experimentausführungen mit ScriptRunConfig finden Sie unter Trainieren von Scikit-learn-Modellen im großen Stil mit Azure Machine Learning.
Dieser Schätzer unterstützt nur das CPU-Training mit einem Knoten.
Unterstützte Versionen: 0.20.3
Initialisieren Sie einen Scikit-learn-Schätzer.
- Vererbung
-
azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimatorSKLearn
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)
Parameter
- source_directory
- str
Ein lokales Verzeichnis mit Konfigurationsdateien für Experimente.
- compute_target
- AbstractComputeTarget oder str
Das Computeziel für das Training. Dies kann entweder ein Objekt oder die Zeichenfolge „local“ sein.
- vm_size
- str
Die VM-Größe des Computeziels, das für das Training erstellt wird.
Unterstützte Werte: beliebige Azure-VM-Größen.
- vm_priority
- str
Die VM-Priorität des Computeziels, das für das Training erstellt wird. Wenn keine Angabe erfolgt, wird „dedicated“ verwendet.
Unterstützte Werte: „dedicated“ und „lowpriority“.
Wird nur angewandt, wenn vm_size param
in der Eingabe angegeben wird.
- entry_script
- str
Eine Zeichenfolge, die den relativen Pfad zu der Datei repräsentiert, die zum Starten des Trainings verwendet wird.
- script_params
- dict
Ein Wörterbuch mit Befehlszeilenargumenten, die an das in entry_script
angegebene Trainingsskript übergeben werden.
- custom_docker_image
- str
Der Name des Docker-Images, mit dem das für das Training zu verwendende Image erstellt wird. Wenn diese Einstellung nicht festgelegt ist, wird als Basisimage ein CPU-basiertes Standardimage verwendet.
- user_managed
- bool
Gibt an, ob Azure Machine Learning eine vorhandene Python-Umgebung wiederverwendet Bei einer Festlegung auf FALSE erstellt Azure Machine Learning eine Python-Umgebung basierend auf der Spezifikation der Conda-Abhängigkeiten.
- conda_packages
- list
Eine Liste von Zeichenfolgen, die Conda-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
- pip_packages
- list
Eine Liste von Zeichenfolgen, die pip-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
- conda_dependencies_file_path
- str
Eine Zeichenfolge, die den relativen Pfad zur YAML-Datei der Conda-Abhängigkeiten darstellt.
Falls angegeben, installiert Azure Machine Learning keine frameworkbezogenen Pakete.
Dieser kann in Kombination mit dem Parameter conda_packages
bereitgestellt werden.
VERALTET. Verwenden Sie den Parameter conda_dependencies_file
.
- pip_requirements_file_path
- str
Eine Zeichenfolge, die den relativen Pfad zur Pip-Anforderungstextdatei darstellt.
Dieser kann in Kombination mit dem Parameter pip_packages
bereitgestellt werden.
VERALTET. Verwenden Sie den Parameter pip_requirements_file
.
- conda_dependencies_file
- str
Eine Zeichenfolge, die den relativen Pfad zur YAML-Datei der Conda-Abhängigkeiten darstellt.
Falls angegeben, installiert Azure Machine Learning keine frameworkbezogenen Pakete.
Dieser kann in Kombination mit dem Parameter conda_packages
bereitgestellt werden.
- pip_requirements_file
- str
Eine Zeichenfolge, die den relativen Pfad zur Pip-Anforderungstextdatei darstellt.
Dieser kann in Kombination mit dem Parameter pip_packages
bereitgestellt werden.
- environment_variables
- dict
Ein Wörterbuch mit Umgebungsvariablennamen und Werten. Diese Umgebungsvariablen werden für den Prozess festgelegt, in dem das Benutzerskript ausgeführt wird.
- environment_definition
- Environment
Die Umgebungsdefinition für ein Experiment umfasst „PythonSection“, „DockerSection“ und Umgebungsvariablen. Jede Umgebungsoption, die nicht direkt über andere Parameter für die Erstellung des Schätzers verfügbar gemacht wird, kann mit dem Parameter environment_definition
festgelegt werden. Wenn dieser Parameter angegeben wird, hat er Vorrang vor anderen umgebungsbezogenen Parametern wie use_gpu
, custom_docker_image
, conda_packages
oder pip_packages
.
Bei ungültigen Kombinationen werden Fehler gemeldet.
- inputs
- list
Eine Liste von DataReference- oder DatasetConsumptionConfig-Objekten, die als Eingabe verwendet werden sollen
- shm_size
- str
Größe des freigegebenen Speicherblocks des Docker-Containers. Wenn diese Einstellung nicht festgelegt ist, wird die Standardgröße „azureml.core.environment._DEFAULT_SHM_SIZE“ verwendet.
- resume_from
- DataPath
Der Datenpfad, der die Prüfpunkt- oder Modelldateien enthält, aus denen das Experiment fortgesetzt werden soll
- max_run_duration_seconds
- int
Die maximal zulässige Zeit für die Ausführung Azure Machine Learning versucht, die Ausführung automatisch abzubrechen, wenn sie länger dauert als dieser Wert angibt.
- framework_version
- str
Die Scikit-learn-Version, die zum Ausführen von Trainingscode verwendet werden soll.
SKLearn.get_supported_versions()
gibt eine Liste der vom aktuellen SDK unterstützten Versionen zurück.
- source_directory
- str
Ein lokales Verzeichnis mit Konfigurationsdateien für Experimente.
- compute_target
- AbstractComputeTarget oder str
Das Computeziel für das Training. Dies kann entweder ein Objekt oder die Zeichenfolge „local“ sein.
- vm_size
- str
Die VM-Größe des Computeziels, das für das Training erstellt wird. Unterstützte Werte: beliebige Azure-VM-Größen.
- vm_priority
- str
Die VM-Priorität des Computeziels, das für das Training erstellt wird. Wenn keine Angabe erfolgt, wird „dedicated“ verwendet.
Unterstützte Werte: „dedicated“ und „lowpriority“.
Wird nur angewandt, wenn vm_size param
in der Eingabe angegeben wird.
- entry_script
- str
Eine Zeichenfolge, die den relativen Pfad zu der Datei repräsentiert, die zum Starten des Trainings verwendet wird.
- script_params
- dict
Ein Wörterbuch mit Befehlszeilenargumenten, die an das in entry_script
angegebene Trainingsskript übergeben werden.
- use_docker
- bool
Ein Bool-Wert, der angibt, ob die Umgebung, in der das Experiment ausgeführt werden soll, Docker-basiert sein soll.
- custom_docker_image
- str
Der Name des Docker-Images, mit dem das für das Training zu verwendende Image erstellt wird. Wenn diese Einstellung nicht festgelegt ist, wird als Basisimage ein CPU-basiertes Standardimage verwendet.
- user_managed
- bool
Gibt an, ob Azure Machine Learning eine vorhandene Python-Umgebung wiederverwendet Bei einer Festlegung auf FALSE erstellt Azure Machine Learning eine Python-Umgebung basierend auf der Spezifikation der Conda-Abhängigkeiten.
- conda_packages
- list
Eine Liste von Zeichenfolgen, die Conda-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
- pip_packages
- list
Eine Liste von Zeichenfolgen, die pip-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
- conda_dependencies_file_path
- str
Eine Zeichenfolge, die den relativen Pfad zur YAML-Datei der Conda-Abhängigkeiten darstellt. Falls angegeben, installiert Azure Machine Learning keine frameworkbezogenen Pakete.
Dieser kann in Kombination mit dem Parameter conda_packages
bereitgestellt werden.
VERALTET. Verwenden Sie den Parameter conda_dependencies_file
.
- pip_requirements_file_path
- str
Eine Zeichenfolge, die den relativen Pfad zur Pip-Anforderungstextdatei darstellt.
Dieser kann in Kombination mit dem Parameter pip_packages
bereitgestellt werden.
VERALTET. Verwenden Sie den Parameter pip_requirements_file
.
- conda_dependencies_file
- str
Eine Zeichenfolge, die den relativen Pfad zur YAML-Datei der Conda-Abhängigkeiten darstellt. Falls angegeben, installiert Azure Machine Learning keine frameworkbezogenen Pakete.
Dieser kann in Kombination mit dem Parameter conda_packages
bereitgestellt werden.
- pip_requirements_file
- str
Eine Zeichenfolge, die den relativen Pfad zur Pip-Anforderungstextdatei darstellt.
Dieser kann in Kombination mit dem Parameter pip_packages
bereitgestellt werden.
- environment_variables
- dict
Ein Wörterbuch mit Umgebungsvariablennamen und Werten. Diese Umgebungsvariablen werden für den Prozess festgelegt, in dem das Benutzerskript ausgeführt wird.
- environment_definition
- Environment
Die Umgebungsdefinition für ein Experiment umfasst „PythonSection“, „DockerSection“ und Umgebungsvariablen. Jede Umgebungsoption, die nicht direkt über andere Parameter für die Erstellung des Schätzers verfügbar gemacht wird, kann mit dem Parameter environment_definition
festgelegt werden. Wenn dieser Parameter angegeben wird, hat er Vorrang vor anderen umgebungsbezogenen Parametern wie use_gpu
, custom_docker_image
, conda_packages
oder pip_packages
.
Bei ungültigen Kombinationen werden Fehler gemeldet.
- inputs
- list
Eine Liste der azureml.data.data_reference. DataReference-Objekte, die als Eingabe verwendet werden sollen.
- shm_size
- str
Größe des freigegebenen Speicherblocks des Docker-Containers. Wenn diese Einstellung nicht festgelegt ist, wird die Standardgröße „azureml.core.environment._DEFAULT_SHM_SIZE“ verwendet.
- resume_from
- DataPath
Der Datenpfad, der die Prüfpunkt- oder Modelldateien enthält, aus denen das Experiment fortgesetzt werden soll
- max_run_duration_seconds
- int
Die maximal zulässige Zeit für die Ausführung Azure Machine Learning versucht, die Ausführung automatisch abzubrechen, wenn sie länger dauert als dieser Wert angibt.
- framework_version
- str
Die Scikit-learn-Version, die zum Ausführen von Trainingscode verwendet werden soll.
SKLearn.get_supported_versions()
gibt eine Liste der vom aktuellen SDK unterstützten Versionen zurück.
- _enable_optimized_mode
- bool
Aktivieren Sie den inkrementellen Umgebungsbuild mit vordefinierten Frameworkimages für eine schnellere Umgebungsvorbereitung. Ein vordefiniertes Frameworkimage basiert auf azure ML-Standard-CPU-/GPU-Basisimages mit vorinstallierten Frameworkabhängigkeiten.
- _disable_validation
- bool
Deaktivieren Sie die Skriptüberprüfung vor der Übermittlung. Der Standardwert ist True.
- _show_lint_warnings
- bool
Anzeigen von Skript-Lintingwarnungen. Die Standardeinstellung lautet „false“.
- _show_package_warnings
- bool
Paketvalidierungswarnungen anzeigen. Die Standardeinstellung lautet „false“.
Hinweise
Beim Übermitteln eines Trainingsauftrags führt Azure Machine Learning Ihr Skript in einer Conda-Umgebung innerhalb eines Docker-Containers aus. Für SKLearn-Container werden die folgenden Abhängigkeiten installiert.
Abhängigkeiten | Scikit-learn 0.20.3 | ———————- | —————– | Python | 3.6.2 | azureml-defaults | Neueste | 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 |
Die Docker-Images erweitern Ubuntu 16.04.
Wenn Sie zusätzliche Abhängigkeiten installieren müssen, können Sie entweder die Parameter pip_packages
oder conda_packages
verwenden oder Ihre pip_requirements_file
- oder conda_dependencies_file
-Datei angeben. Alternativ können Sie ein eigenes Image erstellen und den Parameter custom_docker_image
an den Schätzerkonstruktor übergeben.
Attribute
DEFAULT_VERSION
DEFAULT_VERSION = '0.20.3'
FRAMEWORK_NAME
FRAMEWORK_NAME = 'SKLearn'
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unterFeedback senden und anzeigen für