HyperDriveStep Osztály
Létrehoz egy Azure ML Pipeline-lépést a hyperparaméter-tunning futtatásához a Machine Learning-modell betanításához.
A HyperDriveStep használatára példaként tekintse meg a jegyzetfüzetet https://aka.ms/pl-hyperdrive.
Hozzon létre egy Azure ML Pipeline-lépést a hyperparaméter-tunning futtatásához a Machine Learning-modell betanításához.
- Öröklődés
-
HyperDriveStep
Konstruktor
HyperDriveStep(name, hyperdrive_config, estimator_entry_script_arguments=None, inputs=None, outputs=None, metrics_output=None, allow_reuse=True, version=None)
Paraméterek
- hyperdrive_config
- HyperDriveConfig
[Kötelező] A HyperDrive-futtatás konfigurációját meghatározó HyperDriveConfig.
- estimator_entry_script_arguments
- list
A becslőbejegyzési szkript parancssori argumentumainak listája. Ha a Becslő bejegyzésszkriptje nem fogadja el a parancssori argumentumokat, állítsa ezt a paraméterértéket üres listára.
- inputs
- list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]]
A bemenetiport-kötések listája.
- outputs
- list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]]
Kimeneti portkötések listája
- metrics_output
- Union[PipelineData, DataReference, OutputPortBinding]
Nem kötelező érték, amely megadja a HyperDrive-beli futtatási metrikák JSON-fájlként való tárolásának helyét.
- allow_reuse
- bool
Azt jelzi, hogy a lépés újra felhasználja-e a korábbi eredményeket, amikor ugyanazokat a beállításokat használja újra. Az újrafelhasználás alapértelmezés szerint engedélyezve van. Ha a lépés tartalma (szkriptek/függőségek), valamint a bemenetek és paraméterek változatlanok maradnak, a lépés előző futtatásából származó kimenet újra felhasználva lesz. A lépés újbóli használata esetén a feladat számítási feladatként való elküldése helyett az előző futtatás eredményei azonnal elérhetővé válnak a további lépésekhez. Ha az Azure Machine Learning-adathalmazokat használja bemenetként, az újrafelhasználást az határozza meg, hogy az adathalmaz definíciója megváltozott-e, nem pedig az, hogy a mögöttes adatok megváltoztak-e.
- version
- str
Választható verziócímke, amely a modul funkcióváltozását jelöli.
- hyperdrive_config
- HyperDriveConfig
[Kötelező] A HyperDrive-futtatás konfigurációját meghatározó HyperDriveConfig.
- estimator_entry_script_arguments
- list
A becslőbejegyzési szkript parancssori argumentumainak listája. Ha a Becslő bejegyzésszkriptje nem fogadja el a parancssori argumentumokat, állítsa ezt a paraméterértéket üres listára.
- inputs
- list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]]
A bemenetiport-kötések listája.
A kimeneti portkötések listája.
- metrics_output
- Union[PipelineData, DataReference, OutputPortBinding]
Nem kötelező érték, amely meghatározza a HyperDrive-metrika JSON-fájlként való tárolásának helyét.
- allow_reuse
- bool
Azt jelzi, hogy a lépés újra felhasználja-e a korábbi eredményeket, amikor ugyanazokat a beállításokat használja újra. Az újrafelhasználás alapértelmezés szerint engedélyezve van. Ha a lépés tartalma (szkriptek/függőségek), valamint a bemenetek és paraméterek változatlanok maradnak, a lépés előző futtatásából származó kimenet újra felhasználva lesz. A lépés újbóli használata esetén a feladat számítási feladatként való elküldése helyett az előző futtatás eredményei azonnal elérhetővé válnak a további lépésekhez. Ha az Azure Machine Learning-adathalmazokat használja bemenetként, az újrafelhasználást az határozza meg, hogy az adathalmaz definíciója megváltozott-e, nem pedig az, hogy a mögöttes adatok megváltoztak-e.
Megjegyzések
Vegye figyelembe, hogy a becslő objektumban (például az TensorFlow objektumban) használt bejegyzésszkript argumentumait listaként kell megadni a paraméterrel a estimator_entry_script_arguments
HyperDriveStep példányosításakor. A becslő paraméter script_params
egy szótárt fogad el. A estimator_entry_script_argument
paraméter azonban listaként várja az argumentumokat.
A HyperDriveStep inicializálása magában foglalja az objektumok listájának DataReference megadását a inputs
paraméterrel. Az Azure ML Pipelinesban a folyamatlépések egy másik lépés kimenetét vagy DataReference-objektumokat adhatnak meg bemenetként. Ezért a HyperDriveStep létrehozásakor a inputs
és outputs
a paramétert explicit módon kell beállítani, amely felülbírálja inputs
a Becslő objektumban megadott paramétert.
A HyperDriveStep használatához ajánlott egy külön mappát használni a szkriptekhez és a lépéshez társított függő fájlokhoz, és ezt a mappát kell megadnia becslő objektumként source_directory
. Lásd például az source_directory
osztály paraméterét TensorFlow . Ennek két előnye van. Először is segít csökkenteni a lépéshez létrehozott pillanatkép méretét, mert csak a lépéshez szükséges pillanatkép készül. Másodszor, az előző futtatásból származó lépés kimenete újra felhasználható, ha nincsenek olyan módosítások, source_directory
amelyek a snaphot újrafeltöltését váltanák ki.
Az alábbi példa bemutatja, hogyan használható a HyperDriveStep egy Azure Machine Learning Pipeline-ban.
metrics_output_name = 'metrics_output'
metrics_data = PipelineData(name='metrics_data',
datastore=datastore,
pipeline_output_name=metrics_output_name,
training_output=TrainingOutput("Metrics"))
model_output_name = 'model_output'
saved_model = PipelineData(name='saved_model',
datastore=datastore,
pipeline_output_name=model_output_name,
training_output=TrainingOutput("Model",
model_file="outputs/model/saved_model.pb"))
hd_step_name='hd_step01'
hd_step = HyperDriveStep(
name=hd_step_name,
hyperdrive_config=hd_config,
inputs=[data_folder],
outputs=[metrics_data, saved_model])
A teljes minta a következő forrásból érhető el: https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-parameter-tuning-with-hyperdrive.ipynb
Metódusok
create_node |
Hozzon létre egy csomópontot a HyperDrive lépésből, és adja hozzá az adott gráfhoz. Ez a módszer nem használható közvetlenül. Ha ezzel a lépéssel példányosít egy folyamatot, az Azure ML automatikusan átadja a szükséges paramétereket ezen a módszeren keresztül, így a lépés hozzáadható a munkafolyamatot képviselő folyamatgráfhoz. |
create_node
Hozzon létre egy csomópontot a HyperDrive lépésből, és adja hozzá az adott gráfhoz.
Ez a módszer nem használható közvetlenül. Ha ezzel a lépéssel példányosít egy folyamatot, az Azure ML automatikusan átadja a szükséges paramétereket ezen a módszeren keresztül, így a lépés hozzáadható a munkafolyamatot képviselő folyamatgráfhoz.
create_node(graph, default_datastore, context)
Paraméterek
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Az alapértelmezett adattár.
- context
- <xref:azureml.pipeline.core._GraphContext>
A gráfkörnyezet.
Válaszok
A létrehozott csomópont.
Visszatérési típus
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: