Mise à niveau d’AutoML vers le kit de développement logiciel (SDK) v2

  • Article

Dans la v2 du SDK, les « expériences » et les « exécutions » sont regroupées en tâches.

Dans la v1 du SDK, AutoML était d’abord configuré et exécuté à l’aide de la classe AutoMLConfig. Dans la v2 du SDK, cette classe a été convertie en tâche AutoML. Bien qu’il existe des différences dans les options de configuration, par et en grande, les fonctionnalités de nommage et de nommage ont été conservées dans V2.

Cet article fournit une comparaison des scénarios dans le SDK v1 et le SDK v2.

Soumettre une exécution AutoML

  • SDK v1 : Vous trouverez ci-dessous un exemple de tâche de classification AutoML. Pour l’ensemble du code, consultez notre référentiel d’exemples.

    # 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 : Vous trouverez ci-dessous un exemple de tâche de classification AutoML. Pour l’ensemble du code, consultez notre référentiel d’exemples.

    # 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

Mappage des fonctionnalités clés dans le SDK v1 et le SDK v2

Fonctionnalités dans le SDK v1 Mappage approximatif dans le SDK v2
Méthode/API dans le Kit de développement logiciel (SDK) v1 (utilisez des liens vers des documents de référence) Méthode/API dans le Kit de développement logiciel (SDK) v2 (utilisez des liens vers des documents de référence)

Étapes suivantes

Pour plus d'informations, consultez les pages suivantes :