ScriptRunConfig Osztály
A betanítási futtatás Azure Machine Learningben való elküldéséhez szükséges konfigurációs információkat jelöli.
A ScriptRunConfig a futtatás Azure ML-ben való elküldéséhez szükséges konfigurációs információkat tartalmazza, beleértve a szkriptet, a számítási célt, a környezetet és az elosztott feladatspecifikus konfigurációkat.
Miután konfigurálta és elküldte a szkriptfuttatást a paranccsal, ScriptRun a submitlesz visszaadva.
Class ScriptRunConfig konstruktor.
- Öröklődés
-
azureml._logging.chained_identity.ChainedIdentityScriptRunConfig
Konstruktor
ScriptRunConfig(source_directory, script=None, arguments=None, run_config=None, _telemetry_values=None, compute_target=None, environment=None, distributed_job_config=None, resume_from=None, max_run_duration_seconds=2592000, command=None, docker_runtime_config=None)
Paraméterek
Nem kötelező parancssori argumentumok a betanítási szkriptnek való továbbításhoz. Az argumentumok párokban vannak átadva, például :–arg1, arg1_val, "–arg2", arg2_val].
- compute_target
- AbstractComputeTarget vagy str
A számítási cél, ahol a betanítás történik. Ez lehet ComputeTarget-objektum, egy meglévő ComputeTarget neve vagy a "local" sztring. Ha nincs megadva számítási cél, a rendszer a helyi gépet fogja használni.
- environment
- Environment
A futtatáshoz használni kívánt környezet. Ha nincs megadva környezet, azureml.core.runconfig.DEFAULT_CPU_IMAGE lesz használva a futtatás Docker-lemezképeként.
- distributed_job_config
- TensorflowConfiguration, MpiConfiguration vagy PyTorchConfiguration
Olyan feladatokhoz, amelyek további elosztott feladatspecifikus konfigurációkat igényelnek.
- resume_from
- DataPath
Az ellenőrzőpontot vagy modellfájlokat tartalmazó DataPath, amelyből folytatni szeretné a kísérletet.
- max_run_duration_seconds
A futtatáshoz engedélyezett maximális idő. A rendszer megpróbálja automatikusan megszakítani a futtatásokat, ha az ennél az értéknél tovább tartott. :type max_run_duration_seconds: int
A futtatáshoz elküldendő parancs. A parancstulajdonság szkriptek/argumentumok helyett is használható. A parancs- és szkript-/argumentumtulajdonságok nem használhatók együtt futtatás elküldéséhez. Szkriptfájl elküldése a következő parancstulajdonság használatával: "python", "train.py", "–arg1", arg1_val] Tényleges parancs futtatása – [ls]
- docker_runtime_config
- DockerConfiguration
Docker-futtatókörnyezet-specifikus konfigurációt igénylő feladatokhoz.
Nem kötelező parancssori argumentumok a betanítási szkriptnek való továbbításhoz. Az argumentumok párokban vannak átadva, például :–arg1, arg1_val, "–arg2", arg2_val].
- compute_target
- AbstractComputeTarget vagy str
A számítási cél, ahol a betanítás történik. Ez lehet ComputeTarget-objektum, egy meglévő ComputeTarget neve vagy a "local" sztring. Ha nincs megadva számítási cél, a rendszer a helyi gépet fogja használni.
- environment
- Environment
A futtatáshoz használni kívánt környezet. Ha nincs megadva környezet, azureml.core.runconfig.DEFAULT_CPU_IMAGE lesz használva a futtatás Docker-lemezképeként.
- distributed_job_config
- TensorflowConfiguration vagy MpiConfiguration vagy PyTorchConfiguration
Olyan feladatokhoz, amelyek további elosztott feladatspecifikus konfigurációkat igényelnek.
- resume_from
- DataPath
Az ellenőrzőpontot vagy modellfájlokat tartalmazó DataPath, amelyből folytatni szeretné a kísérletet.
- max_run_duration_seconds
- int
A futtatáshoz engedélyezett maximális idő. A rendszer megpróbálja automatikusan megszakítani a futtatásokat, ha az ennél az értéknél tovább tartott.
A futtatáshoz elküldendő parancs. A parancstulajdonság szkriptek/argumentumok helyett is használható. A parancs- és szkript-/argumentumtulajdonságok nem használhatók együtt futtatás elküldéséhez. Szkriptfájl elküldése a következő parancstulajdonság használatával: "python", "train.py", "–arg1", arg1_val] Tényleges parancs futtatása – [ls]
- docker_runtime_config
- DockerConfiguration
Docker-futtatókörnyezet-specifikus konfigurációt igénylő feladatokhoz.
Megjegyzések
Az Azure Machine Learning SDK egy sor összekapcsolt osztályt biztosít, amelyek célja, hogy segítséget nyújtson az általuk megoldott megosztott probléma által kapcsolódó gépi tanulási modellek betanítása és összehasonlítása érdekében.
A betanítási Experiment futtatások logikai tárolójaként szolgálnak. A ScriptRunConfig objektum a kísérlet részeként a betanítási futtatás elküldéséhez szükséges információk konfigurálására szolgál. Ha egy futtatás ScriptRunConfig objektummal van elküldve, a submit metódus egy típusú ScriptRunobjektumot ad vissza. Ezután visszaadott ScriptRun objektum programozott hozzáférést biztosít a betanítási futtatás adataihoz. A ScriptRun a gyermekosztálya Run.
Fontos megjegyezni, hogy a kísérlet elküldéséhez különböző konfigurációs objektumok vannak használva, attól függően, hogy milyen futtatási típust szeretne aktiválni. A konfigurációs objektum típusa ezután tájékoztatja a Run gyermekosztályáról, amit a submit metódusból kap vissza. Amikor átad egy ScriptRunConfig objektumot egy kísérlet küldési metódusának hívásában, egy ScriptRun objektumot kap vissza. Példák más visszaadott futtatási objektumokra: AutoMLRun (AutoML-futtatás esetén visszaadva) és PipelineRun (folyamatfuttatás esetén visszaadva).
Az alábbi minta bemutatja, hogyan küldhet be betanítási szkriptet a helyi gépen.
from azureml.core import ScriptRunConfig, Experiment
# create or load an experiment
experiment = Experiment(workspace, 'MyExperiment')
# create or retrieve a compute target
cluster = workspace.compute_targets['MyCluster']
# create or retrieve an environment
env = Environment.get(ws, name='MyEnvironment')
# configure and submit your training run
config = ScriptRunConfig(source_directory='.',
script='train.py',
arguments=['--arg1', arg1_val, '--arg2', arg2_val],
compute_target=cluster,
environment=env)
script_run = experiment.submit(config)
Az alábbi példa bemutatja, hogyan küldhet be betanítási szkriptet a fürtön szkript és argumentumok helyett a parancstulajdonság használatával.
from azureml.core import ScriptRunConfig, Experiment
# create or load an experiment
experiment = Experiment(workspace, 'MyExperiment')
# create or retrieve a compute target
cluster = workspace.compute_targets['MyCluster']
# create or retrieve an environment
env = Environment.get(ws, name='MyEnvironment')
# configure and submit your training run
config = ScriptRunConfig(source_directory='.',
command=['python', 'train.py', '--arg1', arg1_val],
compute_target=cluster,
environment=env)
script_run = experiment.submit(config)
Az alábbi minta bemutatja, hogyan futtathat parancsokat a fürtön.
from azureml.core import ScriptRunConfig, Experiment
# create or load an experiment
experiment = Experiment(workspace, 'MyExperiment')
# create or retrieve a compute target
cluster = workspace.compute_targets['MyCluster']
# create or retrieve an environment
env = Environment.get(ws, name='MyEnvironment')
# configure and submit your training run
config = ScriptRunConfig(source_directory='.',
command=['ls', '-l'],
compute_target=cluster,
environment=env)
script_run = experiment.submit(config)
A ScriptRunConfig használatát bemutató további példákért lásd:
Attribútumok
MAX_DURATION_SECONDS_DEFAULT
MAX_DURATION_SECONDS_DEFAULT = 2592000
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: