EstimatorStep Classe
DÉPRÉCIÉ. Crée une étape de pipeline pour exécuter Estimator pour la formation du modèle Azure ML.
Créez une étape de pipeline Azure ML pour exécuter l’estimateur pour l’apprentissage du modèle Machine Learning.
DÉPRÉCIÉ. Utilisez plutôt CommandStep. Pour obtenir un exemple, consultez Guide pratique de l’exécution de l’apprentissage ML des pipelines avec CommandStep.
- Héritage
-
EstimatorStep
Constructeur
EstimatorStep(name=None, estimator=None, estimator_entry_script_arguments=None, runconfig_pipeline_params=None, inputs=None, outputs=None, compute_target=None, allow_reuse=True, version=None)
Paramètres
- estimator
- Estimator
Objet estimateur associé pour cette étape. Peut être un estimateur préconfiguré comme Chainer, PyTorch, TensorFlow ou SKLearn.
[Obligatoire] Liste des arguments de ligne de commande. Si le script d’entrée de l’estimateur n’accepte pas d’arguments de ligne de commande, définissez cette valeur de paramètre sur une liste vide.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Remplacement des propriétés runconfig au moment de l’exécution à l’aide de paires clé-valeur, chacune comportant le nom de la propriété runconfig et le paramètre PipelineParameter de cette propriété.
Valeurs prises en charge : « NodeCount », « MpiProcessCountPerNode », « TensorflowWorkerCount », « TensorflowParameterServerCount »
- inputs
- list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]]
Liste des entrées à utiliser.
Liste des objets PipelineData.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, str]
[Obligatoire] Cible de calcul à utiliser.
- allow_reuse
- bool
Indique si l’étape doit réutiliser les résultats précédents lorsqu’elle est exécutée avec les mêmes paramètres. La réutilisation est activée par défaut. Si le contenu de l’étape (scripts/dépendances) ainsi que les entrées et les paramètres restent inchangés, la sortie de l’exécution précédente de cette étape est réutilisée. Lors de la réutilisation de l’étape, au lieu de soumettre le travail au calcul, les résultats de l’exécution précédente sont immédiatement mis à la disposition des étapes suivantes. Si vous utilisez des jeux de données Azure Machine Learning comme entrées, la réutilisation est déterminée par le fait que la définition du jeu de données a changé ou pas, non par la modification éventuelle des données sous-jacentes.
- version
- str
Balise de version facultative pour indiquer une modification de fonctionnalité pour le module.
- estimator
- <xref:Estimator>
Objet estimateur associé pour cette étape. Peut être un estimateur préconfiguré comme Chainer, PyTorch, TensorFlow ou SKLearn.
- estimator_entry_script_arguments
- [str]
[Obligatoire] Liste des arguments de ligne de commande. Si le script d’entrée de l’estimateur n’accepte pas d’arguments de ligne de commande, définissez cette valeur de paramètre sur une liste vide.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Remplacement des propriétés runconfig au moment de l’exécution à l’aide de paires clé-valeur, chacune comportant le nom de la propriété runconfig et le paramètre PipelineParameter de cette propriété.
Valeurs prises en charge : « NodeCount », « MpiProcessCountPerNode », « TensorflowWorkerCount », « TensorflowParameterServerCount »
- inputs
- list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]]
Liste des entrées à utiliser.
- outputs
- list[Union[PipelineData, PipelineOutputAbstractDataset]
Liste des objets PipelineData.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, str]
[Obligatoire] Cible de calcul à utiliser.
- allow_reuse
- bool
Indique si l’étape doit réutiliser les résultats précédents lorsqu’elle est exécutée avec les mêmes paramètres. La réutilisation est activée par défaut. Si le contenu de l’étape (scripts/dépendances) ainsi que les entrées et les paramètres restent inchangés, la sortie de l’exécution précédente de cette étape est réutilisée. Lors de la réutilisation de l’étape, au lieu de soumettre le travail au calcul, les résultats de l’exécution précédente sont immédiatement mis à la disposition des étapes suivantes. Si vous utilisez des jeux de données Azure Machine Learning comme entrées, la réutilisation est déterminée par le fait que la définition du jeu de données a changé ou pas, non par la modification éventuelle des données sous-jacentes.
Remarques
Notez que les arguments du script d’entrée utilisé dans l’objet Estimator doivent être spécifiés en tant que liste à l’aide du paramètre estimator_entry_script_arguments
lors de l’instanciation d’une étape EstimatorStep. Le paramètre d’estimateur script_params
accepte un dictionnaire. Toutefois, le paramètre estimator_entry_script_argument
attend des arguments sous forme de liste.
L’initialisation d’EstimatorStep implique la spécification d’une liste d’entrées avec le paramètre inputs
. Vous n’avez pas besoin de spécifier les entrées avec l’estimateur, mais une exception est levée si vous le faites. Reportez-vous au paramètre inputs
pour connaître les types d’entrées autorisées. Vous pouvez aussi spécifier d’éventuelles sorties pour l’étape. Reportez-vous au paramètre outputs
pour connaître les types de sorties autorisées.
La meilleure pratique pour l’utilisation d’EstimatorStep consiste à utiliser un dossier distinct pour les scripts et tous les fichiers dépendants associés à l’étape, puis à spécifier ce dossier en tant que source_directory
de l’objet Estimator. Cette pratique présente deux avantages. En premier lieu, cela permet de réduire la taille de l’instantané créé pour l’étape, car seuls les éléments nécessaires à l’étape sont capturés. Deuxièmement, la sortie de l’étape d’une exécution précédente peut être réutilisée si aucune modification n’est apportée au source_directory
. La présence de modifications déclenche un nouveau chargement de l’instantané.
Méthodes
create_node |
Crée un nœud à partir de l’étape d’estimateur et l’ajoute au graphique spécifié. DÉPRÉCIÉ. Utilisez plutôt CommandStep. Pour obtenir un exemple, consultez Guide pratique de l’exécution de l’apprentissage ML des pipelines avec CommandStep. Cette méthode n’est pas destinée à être utilisée directement. Lorsqu’un pipeline est instancié avec cette étape, Azure ML transmet automatiquement les paramètres requis via cette méthode afin que l’étape puisse être ajoutée à un graphique de pipeline qui représente le flux de travail. |
create_node
Crée un nœud à partir de l’étape d’estimateur et l’ajoute au graphique spécifié.
DÉPRÉCIÉ. Utilisez plutôt CommandStep. Pour obtenir un exemple, consultez Guide pratique de l’exécution de l’apprentissage ML des pipelines avec CommandStep.
Cette méthode n’est pas destinée à être utilisée directement. Lorsqu’un pipeline est instancié avec cette étape, Azure ML transmet automatiquement les paramètres requis via cette méthode afin que l’étape puisse être ajoutée à un graphique de pipeline qui représente le flux de travail.
create_node(graph, default_datastore, context)
Paramètres
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Magasin de données par défaut.
- context
- <xref:azureml.pipeline.core._GraphContext>
Contexte du graphique.
Retours
Nœud créé.
Type de retour
Commentaires
https://aka.ms/ContentUserFeedback.
Bientôt disponible : Tout au long de 2024, nous allons supprimer progressivement GitHub Issues comme mécanisme de commentaires pour le contenu et le remplacer par un nouveau système de commentaires. Pour plus d’informations, consultezEnvoyer et afficher des commentaires pour