Compartir a través de

BanditPolicy Clase

  • Referencia

Define una directiva de terminación anticipada basada en criterios de demora y un intervalo de frecuencia y retraso para la evaluación.

Herencia
azure.ai.ml.entities._job.sweep.early_termination_policy.EarlyTerminationPolicy
BanditPolicy

Constructor

BanditPolicy(*, delay_evaluation: int = 0, evaluation_interval: int = 0, slack_amount: float = 0, slack_factor: float = 0)

Parámetros de palabra clave únicamente

Nombre Description
delay_evaluation
int

Número de intervalos por los que se va a retrasar la primera evaluación. El valor predeterminado es 0.
evaluation_interval
int

Intervalo (número de ejecuciones) entre las evaluaciones de directivas. El valor predeterminado es 0.
slack_amount
float

Distancia absoluta permitida desde la ejecución con mejor rendimiento. El valor predeterminado es 0.
slack_factor
float

Proporción de la distancia permitida desde la ejecución con mejor rendimiento. El valor predeterminado es 0.

Ejemplos

Configuración de la finalización anticipada de BanditPolicy de un barrido de hiperparámetros en un trabajo de comando.


   from azure.ai.ml import command

   job = command(
       inputs=dict(kernel="linear", penalty=1.0),
       compute=cpu_cluster,
       environment=f"{job_env.name}:{job_env.version}",
       code="./scripts",
       command="python scripts/train.py --kernel $kernel --penalty $penalty",
       experiment_name="sklearn-iris-flowers",
   )

   # we can reuse an existing Command Job as a function that we can apply inputs to for the sweep configurations
   from azure.ai.ml.sweep import Uniform

   job_for_sweep = job(
       kernel=Uniform(min_value=0.0005, max_value=0.005),
       penalty=Uniform(min_value=0.9, max_value=0.99),
   )

   from azure.ai.ml.sweep import BanditPolicy

   sweep_job = job_for_sweep.sweep(
       sampling_algorithm="random",
       primary_metric="best_val_acc",
       goal="Maximize",
       max_total_trials=8,
       max_concurrent_trials=4,
       early_termination_policy=BanditPolicy(slack_factor=0.15, evaluation_interval=1, delay_evaluation=10),
   )