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.ChainedIdentity

ScriptRunConfig

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

Name	Description
source_directory Kötelező	str A futtatáshoz szükséges kódfájlokat tartalmazó helyi könyvtár.
script Kötelező	str A futtatandó szkript source_directory viszonyítási útvonala.
arguments Kötelező	list vagy str Nem kötelező parancssori argumentumok a betanítási szkriptnek való továbbításhoz. Az argumentumok párokban vannak átadva, például :–arg1, arg1_val, "–arg2", arg2_val].
run_config Kötelező	RunConfiguration Nem kötelező a futtatási konfiguráció használata.
_telemetry_values Kötelező	dict Csak belső használatra.
compute_target Kötelező	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 Kötelező	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 Kötelező	TensorflowConfiguration, MpiConfiguration vagy PyTorchConfiguration Olyan feladatokhoz, amelyek további elosztott feladatspecifikus konfigurációkat igényelnek.
resume_from Kötelező	DataPath Az ellenőrzőpontot vagy modellfájlokat tartalmazó DataPath, amelyből folytatni szeretné a kísérletet.
max_run_duration_seconds Kötelező	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
command Kötelező	list[str] vagy str 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 Kötelező	DockerConfiguration Docker-futtatókörnyezet-specifikus konfigurációt igénylő feladatokhoz.
source_directory Kötelező	str A futtatáshoz szükséges kódfájlokat tartalmazó helyi könyvtár.
script Kötelező	str A futtatandó szkript source_directory viszonyítási útvonala.
arguments Kötelező	list[str] Nem kötelező parancssori argumentumok a betanítási szkriptnek való továbbításhoz. Az argumentumok párokban vannak átadva, például :–arg1, arg1_val, "–arg2", arg2_val].
run_config Kötelező	RunConfiguration Nem kötelező a futtatási konfiguráció használata.
_telemetry_values Kötelező	dict Csak belső használatra.
compute_target Kötelező	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 Kötelező	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 Kötelező	TensorflowConfiguration vagy MpiConfiguration vagy PyTorchConfiguration Olyan feladatokhoz, amelyek további elosztott feladatspecifikus konfigurációkat igényelnek.
resume_from Kötelező	DataPath Az ellenőrzőpontot vagy modellfájlokat tartalmazó DataPath, amelyből folytatni szeretné a kísérletet.
max_run_duration_seconds Kötelező	int A futtatáshoz engedélyezett maximális idő. A rendszer megpróbálja automatikusan megszakítani a futtatásokat, ha az ennél az értéknél tovább tartott.
command Kötelező	list[str] vagy str 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 Kötelező	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:

• A modell betanítása számítási cél kiválasztása és használata

• ezek a betanítási jegyzetfüzetek

Attribútumok

MAX_DURATION_SECONDS_DEFAULT

MAX_DURATION_SECONDS_DEFAULT = 2592000