Run Kelas

Menentukan kelas dasar untuk semua eksekusi eksperimen Azure Machine Learning.

Eksekusi mewakili satu percobaan eksperimen. Eksekusi digunakan untuk memantau eksekusi asinkron percobaan, metrik log, dan menyimpan output uji coba, dan untuk menganalisis hasil dan mengakses artefak yang dihasilkan oleh uji coba.

Jalankan objek dibuat saat Anda mengirimkan skrip untuk melatih model dalam berbagai skenario di Azure Machine Learning, termasuk eksekusi HyperDrive, eksekusi Alur, dan eksekusi AutoML. Objek Jalankan juga dibuat saat Anda submit atau start_logging dengan Experiment kelas .

Untuk mulai menggunakan eksperimen dan eksekusi, lihat

Menginisialisasi objek Jalankan.

Konstruktor

Run(experiment, run_id, outputs=None, **kwargs)

Parameter

Nama	Deskripsi
experiment Diperlukan	Experiment Eksperimen yang berisi.
run_id Diperlukan	str ID untuk eksekusi.
outputs	str Output yang akan dilacak. Nilai default: None
_run_dto Diperlukan	<xref:azureml._restclient.models.run_dto.RunDto> Untuk penggunaan internal saja.
kwargs Diperlukan	dict Kamus parameter konfigurasi tambahan.
experiment Diperlukan	Experiment Eksperimen yang berisi.
run_id Diperlukan	str ID untuk eksekusi.
outputs Diperlukan	str Output yang akan dilacak.
kwargs Diperlukan	dict Kamus parameter konfigurasi tambahan.

Keterangan

Eksekusi mewakili satu percobaan eksperimen. Objek Jalankan digunakan untuk memantau eksekusi asinkron uji coba, metrik log, dan menyimpan output uji coba, dan untuk menganalisis hasil dan mengakses artefak yang dihasilkan oleh uji coba.

Eksekusi digunakan di dalam kode eksperimen Anda untuk mencatat metrik dan artefak ke layanan Riwayat Eksekusi.

Eksekusi digunakan di luar eksperimen Anda untuk memantau kemajuan dan untuk mengkueri dan menganalisis metrik dan hasil yang dihasilkan.

Fungsionalitas Jalankan meliputi:

Menyimpan dan mengambil metrik dan data
Mengunggah dan mengunduh file
Menggunakan tag serta hierarki anak untuk pencarian yang mudah dari eksekusi sebelumnya
Mendaftarkan file model tersimpan sebagai model yang dapat diopsisionalkan
Menyimpan, memodifikasi, dan mengambil properti eksekusi
Memuat eksekusi saat ini dari lingkungan jarak jauh dengan get_context metode
Rekam jepret file atau direktori secara efisien untuk reproduksi

Kelas ini berfungsi dengan Experiment dalam skenario ini:

Membuat eksekusi dengan mengeksekusi kode menggunakan submit
Membuat eksekusi secara interaktif di buku catatan menggunakan start_logging
Mencatat metrik dan mengunggah artefak dalam eksperimen Anda, seperti saat menggunakan log
Membaca metrik dan mengunduh artefak saat menganalisis hasil eksperimental, seperti saat menggunakan get_metrics

Untuk mengirimkan eksekusi, buat objek konfigurasi yang menjelaskan cara eksperimen dijalankan. Berikut adalah contoh berbagai objek konfigurasi yang dapat Anda gunakan:

ScriptRunConfig
azureml.train.automl.automlconfig.AutoMLConfig
azureml.train.hyperdrive.HyperDriveConfig
azureml.pipeline.core.Pipeline
azureml.pipeline.core.PublishedPipeline
azureml.pipeline.core.PipelineEndpoint

Metrik berikut dapat ditambahkan ke eksekusi saat melatih eksperimen.

Skalar
- Catat nilai numerik atau string ke eksekusi dengan nama yang diberikan menggunakan log. Mencatat metrik ke eksekusi menyebabkan metrik disimpan dalam rekaman eksekusi dalam eksperimen. Anda dapat mencatat metrik yang sama beberapa kali dalam eksekusi, hasilnya dianggap sebagai vektor metrik tersebut.
- Contoh: run.log("accuracy", 0.95)
Daftar
- Catat daftar nilai untuk dijalankan dengan nama yang diberikan menggunakan log_list.
- Contoh: run.log_list("accuracies", [0.6, 0.7, 0.87])
Baris
- Menggunakan log_row membuat metrik dengan beberapa kolom seperti yang dijelaskan dalam kwargs. Setiap parameter bernama menghasilkan kolom dengan nilai yang ditentukan. log_row dapat dipanggil sekali untuk mencatat tuple arbitrer, atau beberapa kali dalam perulangan untuk menghasilkan tabel lengkap.
- Contoh: run.log_row("Y over X", x=1, y=0.4)
Tabel
- Catat objek kamus ke eksekusi dengan nama yang diberikan menggunakan log_table.
- Contoh: run.log_table("Y over X", {"x":[1, 2, 3], "y":[0.6, 0.7, 0.89]})
Gambar
- Catat gambar ke rekaman eksekusi. Gunakan log_image untuk mencatat file gambar atau plot matplotlib ke eksekusi. Gambar-gambar ini akan terlihat dan sebanding dalam rekaman eksekusi.
- Contoh: run.log_image("ROC", path)

Metode

add_properties	Tambahkan properti yang tidak dapat diubah ke eksekusi. Tag dan properti (dict[str, str]) berbeda dalam mutabilitasnya. Properti tidak dapat diubah, sehingga properti membuat catatan permanen untuk tujuan audit. Tag dapat diubah. Untuk informasi selengkapnya tentang bekerja dengan tag dan properti, lihat Menandai dan menemukan eksekusi.
add_type_provider	Kait ekstensibilitas untuk jenis Jalankan kustom yang disimpan dalam Riwayat Eksekusi.
cancel	Tandai eksekusi sebagai dibatalkan. Jika ada pekerjaan terkait dengan bidang cancel_uri yang ditetapkan, hentikan pekerjaan tersebut juga.
child_run	Membuat eksekusi anak.
clean	Hapus file yang sesuai dengan eksekusi saat ini pada target yang ditentukan dalam konfigurasi eksekusi.
complete	Tunggu antrean tugas diproses. Kemudian eksekusi ditandai sebagai selesai. Ini biasanya digunakan dalam skenario notebook interaktif.
create_children	Buat satu atau banyak eksekusi anak.
download_file	Unduh file terkait dari penyimpanan.
download_files	Unduh file dari awalan penyimpanan tertentu (nama folder) atau seluruh kontainer jika awalan tidak ditentukan.
fail	Tandai eksekusi sebagai gagal. Secara opsional atur properti Kesalahan eksekusi dengan pesan atau pengecualian yang diteruskan ke `error_details`.
flush	Tunggu antrean tugas diproses.
get	Jalankan untuk ruang kerja ini dengan ID eksekusinya.
get_all_logs	Unduh semua log untuk dijalankan ke direktori.
get_children	Dapatkan semua turunan untuk eksekusi saat ini yang dipilih oleh filter tertentu.
get_context	Mengembalikan konteks layanan saat ini. Gunakan metode ini untuk mengambil konteks layanan saat ini untuk mencatat metrik dan mengunggah file. Jika `allow_offline` True (default), tindakan terhadap objek Jalankan akan dicetak ke standar keluar.
get_detailed_status	Ambil status terbaru eksekusi. Jika status eksekusi adalah "Diantrekan", status akan menampilkan detailnya.
get_details	Dapatkan definisi, informasi status, file log saat ini, dan detail eksekusi lainnya.
get_details_with_logs	Mengembalikan status eksekusi termasuk konten file log.
get_environment	Dapatkan definisi lingkungan yang digunakan oleh eksekusi ini.
get_file_names	Cantumkan file yang disimpan dalam asosiasi dengan eksekusi.
get_metrics	Ambil metrik yang dicatat ke eksekusi. Jika `recursive` True (False secara default), ambil metrik untuk eksekusi dalam subtree eksekusi yang diberikan.
get_properties	Ambil properti terbaru dari eksekusi dari layanan.
get_secret	Dapatkan nilai rahasia dari konteks eksekusi. Dapatkan nilai rahasia untuk nama yang disediakan. Nama rahasia mereferensikan nilai yang disimpan di Azure Key Vault yang terkait dengan ruang kerja Anda. Untuk contoh bekerja dengan rahasia, lihat Menggunakan rahasia dalam eksekusi pelatihan.
get_secrets	Dapatkan nilai rahasia untuk daftar nama rahasia tertentu. Dapatkan kamus yang ditemukan dan tidak ditemukan rahasia untuk daftar nama yang disediakan. Setiap nama rahasia mereferensikan nilai yang disimpan di Azure Key Vault yang terkait dengan ruang kerja Anda. Untuk contoh bekerja dengan rahasia, lihat Menggunakan rahasia dalam eksekusi pelatihan.
get_snapshot_id	Dapatkan ID rekam jepret terbaru.
get_status	Ambil status terbaru eksekusi. Nilai umum yang dikembalikan termasuk "Berjalan", "Selesai", dan "Gagal".
get_submitted_run	USANG. Gunakan get_context. Dapatkan eksekusi yang dikirimkan untuk eksperimen ini.
get_tags	Ambil set tag terbaru yang dapat diubah saat dijalankan dari layanan.
list	Dapatkan daftar eksekusi dalam eksperimen yang ditentukan oleh filter opsional.
list_by_compute	Dapatkan daftar eksekusi dalam komputasi yang ditentukan oleh filter opsional.
log	Catat nilai metrik ke eksekusi dengan nama yang diberikan.
log_accuracy_table	Catat tabel akurasi ke penyimpanan artefak. Metrik tabel akurasi adalah metrik non-skalar multi-penggunaan yang dapat digunakan untuk menghasilkan beberapa jenis bagan garis yang bervariasi terus menerus selama ruang probabilitas yang diprediksi. Contoh bagan ini adalah ROC, presisi-pengenalan, dan kurva angkat. Perhitungan tabel akurasi mirip dengan perhitungan kurva ROC. Kurva ROC menyimpan tingkat positif sejati dan tingkat positif palsu pada banyak ambang kemungkinan yang berbeda. Tabel akurasi menyimpan jumlah mentah positif benar, positif palsu, negatif benar, dan negatif palsu pada banyak ambang batas probabilitas. Ada dua metode yang digunakan untuk memilih ambang batas: "probabilitas" dan "persentil." Mereka berbeda dalam bagaimana mereka mengambil sampel dari ruang probabilitas yang diprediksi. Ambang probabilitas adalah ambang batas yang diberi spasi seragam antara 0 dan 1. Jika NUM_POINTS adalah 5 ambang batas probabilitas adalah [0,0, 0,25, 0,5, 0,75, 1,0]. Ambang persentil diberi spasi sesuai dengan distribusi probabilitas yang diprediksi. Setiap ambang sesuai dengan persentil data pada ambang probabilitas. Misalnya, jika NUM_POINTS adalah 5, maka ambang pertama akan berada pada persentil ke-0, yang kedua pada persentil ke-25, yang ketiga pada tanggal 50, dan sebagainya. Tabel probabilitas dan tabel persentil adalah daftar 3D di mana dimensi pertama mewakili label kelas, dimensi kedua mewakili sampel pada satu ambang batas (skala dengan NUM_POINTS), dan dimensi ketiga selalu memiliki 4 nilai: TP, FP, TN, FN, dan selalu dalam urutan tersebut. Nilai kebingungan (TP, FP, TN, FN) dihitung dengan strategi satu vs. istirahat. Lihat tautan berikut untuk detail selengkapnya: https://en.wikipedia.org/wiki/Multiclass_classification N = # sampel dalam himpunan data validasi (200 dalam contoh) M = # ambang batas = # sampel yang diambil dari ruang probabilitas (5 dalam contoh) C = kelas # dalam himpunan data lengkap (3 dalam contoh) Beberapa invarian tabel akurasi: TP + FP + TN + FN = N untuk semua ambang batas untuk semua kelas TP + FN sama di semua ambang batas untuk kelas apa pun TN + FP sama di semua ambang untuk kelas apa pun Tabel probabilitas dan tabel persentil memiliki bentuk [C, M, 4] Catatan: M dapat menjadi nilai apa pun dan mengontrol resolusi bagan Ini tidak bergantung pada himpunan data, ditentukan saat menghitung metrik, dan memperdagangkan ruang penyimpanan, waktu komputasi, dan resolusi. Label kelas harus berupa string, nilai kebingungan harus bilangan bulat, dan ambang batas harus mengambang.
log_confusion_matrix	Catat matriks kebingungan ke penyimpanan artefak. Ini mencatat pembungkus di sekitar matriks kebingungan sklearn. Data metrik berisi label kelas dan daftar 2D untuk matriks itu sendiri. Lihat tautan berikut untuk detail selengkapnya tentang bagaimana metrik dihitung: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html
log_image	Catat metrik gambar ke rekaman eksekusi.
log_list	Catat daftar nilai metrik untuk dijalankan dengan nama yang diberikan.
log_predictions	Catat prediksi ke penyimpanan artefak. Ini mencatat skor metrik yang dapat digunakan untuk membandingkan distribusi nilai target yang benar dengan distribusi nilai yang diprediksi untuk tugas regresi. Prediksi diikat dan penyimpangan standar dihitung untuk bilah kesalahan pada bagan garis.
log_residuals	Residu log ke penyimpanan artefak. Ini mencatat data yang diperlukan untuk menampilkan histogram residu untuk tugas regresi. Residu diprediksi - aktual. Harus ada satu tepi lebih dari jumlah hitungan. Silakan lihat dokumentasi histogram numpy untuk contoh penggunaan hitungan dan tepi untuk mewakili histogram. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html
log_row	Catat metrik baris ke eksekusi dengan nama yang diberikan.
log_table	Catat metrik tabel ke eksekusi dengan nama yang diberikan.
register_model	Daftarkan model untuk operasionalisasi.
remove_tags	Hapus daftar tag yang dapat diubah pada proses ini.
restore_snapshot	Memulihkan rekam jepret sebagai file ZIP. Mengembalikan jalur ke ZIP.
set_tags	Tambahkan atau ubah sekumpulan tag saat dijalankan. Tag yang tidak diteruskan dalam kamus dibiarkan tidak tersentuh. Anda juga dapat menambahkan tag string sederhana. Ketika tag ini muncul di kamus tag sebagai kunci, tag tersebut memiliki nilai Tidak Ada. Untuk informasi selengkapnya, lihat Menandai dan menemukan eksekusi.
start	Tandai eksekusi sebagai dimulai. Ini biasanya digunakan dalam skenario lanjutan ketika eksekusi telah dibuat oleh aktor lain.
submit_child	Kirim eksperimen dan kembalikan eksekusi anak aktif.
tag	Tandai eksekusi dengan kunci string dan nilai string opsional.
take_snapshot	Simpan rekam jepret file atau folder input.
upload_file	Unggah file ke rekaman eksekusi.
upload_files	Unggah file ke rekaman eksekusi.
upload_folder	Unggah folder yang ditentukan ke nama awalan yang diberikan.
wait_for_completion	Tunggu penyelesaian eksekusi ini. Mengembalikan objek status setelah menunggu.

add_properties

Tambahkan properti yang tidak dapat diubah ke eksekusi.

Tag dan properti (dict[str, str]) berbeda dalam mutabilitasnya. Properti tidak dapat diubah, sehingga properti membuat catatan permanen untuk tujuan audit. Tag dapat diubah. Untuk informasi selengkapnya tentang bekerja dengan tag dan properti, lihat Menandai dan menemukan eksekusi.

add_properties(properties)

Parameter

Nama	Deskripsi
properties Diperlukan	dict Properti tersembunyi yang disimpan dalam objek eksekusi.

add_type_provider

Kait ekstensibilitas untuk jenis Jalankan kustom yang disimpan dalam Riwayat Eksekusi.

static add_type_provider(runtype, run_factory)

Parameter

Nama	Deskripsi
runtype Diperlukan	str Nilai Run.type tempat pabrik akan dipanggil. Contohnya termasuk 'hyperdrive' atau 'azureml.scriptrun', tetapi dapat diperluas dengan jenis kustom.
run_factory Diperlukan	<xref:function> Fungsi dengan tanda tangan (Eksperimen, RunDto) -> Jalankan untuk dipanggil saat mencantumkan eksekusi.

cancel

Tandai eksekusi sebagai dibatalkan.

Jika ada pekerjaan terkait dengan bidang cancel_uri yang ditetapkan, hentikan pekerjaan tersebut juga.

cancel()

child_run

Membuat eksekusi anak.

child_run(name=None, run_id=None, outputs=None)

Parameter

Nama	Deskripsi
name	str Nama opsional untuk eksekusi anak, biasanya ditentukan untuk "bagian". Nilai default: None
run_id	str ID eksekusi opsional untuk anak, jika tidak, ID tersebut dibuat secara otomatis. Biasanya parameter ini tidak diatur. Nilai default: None
outputs	str Direktori output opsional untuk dilacak untuk anak. Nilai default: None

Mengembalikan

Jenis	Deskripsi
Run	Anak itu lari.

Keterangan

Ini digunakan untuk mengisolasi bagian dari eksekusi ke dalam sub bagian. Ini dapat dilakukan untuk "bagian" yang dapat diidentifikasi dari eksekusi yang menarik untuk dipisahkan, atau untuk menangkap metrik independen di seluruh interasi subproses.

Jika direktori output diatur untuk eksekusi anak, konten direktori tersebut akan diunggah ke rekaman eksekusi anak saat anak selesai.

clean

Hapus file yang sesuai dengan eksekusi saat ini pada target yang ditentukan dalam konfigurasi eksekusi.

clean()

Mengembalikan

Jenis	Deskripsi
list	Daftar file yang dihapus.

complete

Tunggu antrean tugas diproses.

Kemudian eksekusi ditandai sebagai selesai. Ini biasanya digunakan dalam skenario notebook interaktif.

complete(_set_status=True)

Parameter

Nama	Deskripsi
_set_status	bool Menunjukkan apakah akan mengirim peristiwa status untuk pelacakan. Nilai default: True

create_children

Buat satu atau banyak eksekusi anak.

create_children(count=None, tag_key=None, tag_values=None)

Parameter

Nama	Deskripsi
count	int Jumlah anak opsional yang akan dibuat. Nilai default: None
tag_key	str Kunci opsional untuk mengisi entri Tag di semua anak yang dibuat. Nilai default: None
tag_Values Diperlukan	Daftar nilai opsional yang akan dipetakan ke Tag[tag_key] untuk daftar eksekusi yang dibuat.
tag_values	Nilai default: None

Mengembalikan

Jenis	Deskripsi
list[Run]	Daftar eksekusi anak.

Keterangan

count Parameter ATAU parameter tag_key DAN tag_values harus ditentukan.

download_file

Unduh file terkait dari penyimpanan.

download_file(name, output_file_path=None, _validate_checksum=False)

Parameter

Nama	Deskripsi
name Diperlukan	str Nama artefak yang akan diunduh.
output_file_path Diperlukan	str Jalur lokal tempat menyimpan artefak.

download_files

Unduh file dari awalan penyimpanan tertentu (nama folder) atau seluruh kontainer jika awalan tidak ditentukan.

download_files(prefix=None, output_directory=None, output_paths=None, batch_size=100, append_prefix=True, timeout_seconds=None)

Parameter

Nama	Deskripsi
prefix Diperlukan	str Awalan filepath dalam kontainer untuk mengunduh semua artefak.
output_directory Diperlukan	str Direktori opsional yang digunakan semua jalur artefak sebagai awalan.
output_paths Diperlukan	[str] Jalur file opsional untuk menyimpan artefak yang diunduh. Harus unik dan cocok dengan panjang jalur.
batch_size Diperlukan	int Jumlah file yang akan diunduh per batch. Defaultnya adalah 100 file.
append_prefix Diperlukan	bool Bendera opsional apakah akan menambahkan awalan yang ditentukan dari jalur file output akhir. Jika False, maka awalan dihapus dari jalur file output.
timeout_seconds Diperlukan	int Waktu habis untuk mengunduh file.

fail

Tandai eksekusi sebagai gagal.

Secara opsional atur properti Kesalahan eksekusi dengan pesan atau pengecualian yang diteruskan ke error_details.

fail(error_details=None, error_code=None, _set_status=True)

Parameter

Nama	Deskripsi
error_details	str atau BaseException Detail opsional kesalahan. Nilai default: None
error_code	str Kode kesalahan opsional kesalahan untuk klasifikasi kesalahan. Nilai default: None
_set_status	bool Menunjukkan apakah akan mengirim peristiwa status untuk pelacakan. Nilai default: True

flush

Tunggu antrean tugas diproses.

flush(timeout_seconds=300)

Parameter

Nama	Deskripsi
timeout_seconds	int Berapa lama menunggu (dalam detik) agar antrean tugas diproses. Nilai default: 300

get

Jalankan untuk ruang kerja ini dengan ID eksekusinya.

static get(workspace, run_id)

Parameter

Nama	Deskripsi
workspace Diperlukan	Workspace Ruang kerja yang berisi.
run_id Diperlukan	string ID eksekusi.

Mengembalikan

Jenis	Deskripsi
Run	Eksekusi yang dikirimkan.

get_all_logs

Unduh semua log untuk dijalankan ke direktori.

get_all_logs(destination=None)

Parameter

Nama	Deskripsi
destination	str Jalur tujuan untuk menyimpan log. Jika tidak ditentukan, direktori bernama sebagai ID eksekusi dibuat di direktori proyek. Nilai default: None

Mengembalikan

Jenis	Deskripsi
list	Daftar nama log yang diunduh.

get_children

Dapatkan semua turunan untuk eksekusi saat ini yang dipilih oleh filter tertentu.

get_children(recursive=False, tags=None, properties=None, type=None, status=None, _rehydrate_runs=True)

Parameter

Nama	Deskripsi
recursive	bool Menunjukkan apakah akan berulang melalui semua turunan. Nilai default: False
tags	str atau dict Jika ditentukan, mengembalikan eksekusi yang cocok dengan "tag" atau {"tag" yang ditentukan: "value"}. Nilai default: None
properties	str atau dict Jika ditentukan, mengembalikan eksekusi yang cocok dengan "properti" atau {"property" tertentu: "value"}. Nilai default: None
type	str Jika ditentukan, mengembalikan eksekusi yang cocok dengan jenis ini. Nilai default: None
status	str Jika ditentukan, mengembalikan eksekusi dengan status yang ditentukan "status". Nilai default: None
_rehydrate_runs	bool Menunjukkan apakah akan membuat instans eksekusi jenis asli atau Eksekusi dasar. Nilai default: True

Mengembalikan

Jenis	Deskripsi
list	Daftar Run objek.

get_context

Mengembalikan konteks layanan saat ini.

Gunakan metode ini untuk mengambil konteks layanan saat ini untuk mencatat metrik dan mengunggah file. Jika allow_offline True (default), tindakan terhadap objek Jalankan akan dicetak ke standar keluar.

get_context(allow_offline=True, used_for_context_manager=False, **kwargs)

Parameter

Nama	Deskripsi
cls Diperlukan	Menunjukkan metode kelas.
allow_offline	bool Izinkan konteks layanan kembali ke mode offline sehingga skrip pelatihan dapat diuji secara lokal tanpa mengirimkan pekerjaan dengan SDK. True secara default. Nilai default: True
kwargs Diperlukan	dict Kamus parameter tambahan.
used_for_context_manager	Nilai default: False

Mengembalikan

Jenis	Deskripsi
Run	Eksekusi yang dikirimkan.

Keterangan

Fungsi ini umumnya digunakan untuk mengambil objek Run yang diautentikasi di dalam skrip yang akan dikirimkan untuk dieksekusi melalui experiment.submit(). Objek eksekusi ini adalah konteks terautentikasi untuk berkomunikasi dengan layanan Azure Machine Learning dan kontainer konseptual tempat metrik, file (artefak), dan model terkandung.


   run = Run.get_context() # allow_offline=True by default, so can be run locally as well
   ...
   run.log("Accuracy", 0.98)
   run.log_row("Performance", epoch=e, error=err)

get_detailed_status

Ambil status terbaru eksekusi. Jika status eksekusi adalah "Diantrekan", status akan menampilkan detailnya.

get_detailed_status()

Mengembalikan

Jenis	Deskripsi
dict[str, str]	Status dan detail terbaru

Keterangan

status: Status eksekusi saat ini. Nilai yang sama seperti yang dikembalikan dari get_status().
detail: Informasi terperinci untuk status saat ini.


   run = experiment.submit(config)
   details = run.get_detailed_status()
   # details = {
   #     'status': 'Queued',
   #     'details': 'Run requested 1 node(s). Run is in pending status.',
   # }

get_details

Dapatkan definisi, informasi status, file log saat ini, dan detail eksekusi lainnya.

get_details()

Mengembalikan

Jenis	Deskripsi
dict[str, str]	Mengembalikan detail untuk eksekusi

Keterangan

Kamus yang dikembalikan berisi pasangan kunci-nilai berikut:

runId: ID eksekusi ini.
Target
status: Status eksekusi saat ini. Nilai yang sama seperti yang dikembalikan dari get_status().
startTimeUtc: Waktu UTC ketika eksekusi ini dimulai, dalam ISO8601.
endTimeUtc: Waktu UTC ketika eksekusi ini selesai (Selesai atau Gagal), dalam ISO8601.

Kunci ini tidak ada jika eksekusi masih berlangsung.
properti: Pasangan kunci-nilai yang tidak dapat diubah yang terkait dengan eksekusi. Properti default termasuk ID rekam jepret eksekusi dan informasi tentang repositori git tempat eksekusi dibuat (jika ada). Properti tambahan dapat ditambahkan ke eksekusi menggunakan add_properties.
inputDatasets: Input himpunan data yang terkait dengan eksekusi.
outputDatasets: Himpunan data output yang terkait dengan eksekusi.
logFiles
submittedBy


   run = experiment.start_logging()

   details = run.get_details()
   # details = {
   #     'runId': '5c24aa28-6e4a-4572-96a0-fb522d26fe2d',
   #     'target': 'sdk',
   #     'status': 'Running',
   #     'startTimeUtc': '2019-01-01T13:08:01.713777Z',
   #     'endTimeUtc': '2019-01-01T17:15:65.986253Z',
   #     'properties': {
   #         'azureml.git.repository_uri': 'https://example.com/my/git/repo',
   #         'azureml.git.branch': 'master',
   #         'azureml.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'azureml.git.dirty': 'True',
   #         'mlflow.source.git.repoURL': 'https://example.com/my/git/repo',
   #         'mlflow.source.git.branch': 'master',
   #         'mlflow.source.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'ContentSnapshotId': 'b4689489-ce2f-4db5-b6d7-6ad11e77079c'
   #     },
   #     'inputDatasets': [{
   #         'dataset': {'id': 'cdebf245-701d-4a68-8055-41f9cf44f298'},
   #         'consumptionDetails': {
   #             'type': 'RunInput',
   #             'inputName': 'training-data',
   #             'mechanism': 'Mount',
   #             'pathOnCompute': '/mnt/datasets/train'
   #         }
   #     }],
   #     'outputDatasets': [{
   #         'dataset': {'id': 'd04e8a19-1caa-4b1f-b318-4cbff9af9615'},
   #         'outputType': 'RunOutput',
   #         'outputDetails': {
   #             'outputName': 'training-result'
   #         }
   #     }],
   #     'runDefinition': {},
   #     'logFiles': {},
   #     'submittedBy': 'Alan Turing'
   # }

get_details_with_logs

Mengembalikan status eksekusi termasuk konten file log.

get_details_with_logs()

Mengembalikan

Jenis	Deskripsi
dict	Mengembalikan status untuk eksekusi dengan konten file log.

get_environment

Dapatkan definisi lingkungan yang digunakan oleh eksekusi ini.

get_environment()

Mengembalikan

Jenis	Deskripsi
Environment	Mengembalikan objek lingkungan.

get_file_names

Cantumkan file yang disimpan dalam asosiasi dengan eksekusi.

get_file_names()

Mengembalikan

Jenis	Deskripsi
list[str]	Daftar jalur untuk artefak yang ada

get_metrics

Ambil metrik yang dicatat ke eksekusi.

Jika recursive True (False secara default), ambil metrik untuk eksekusi dalam subtree eksekusi yang diberikan.

get_metrics(name=None, recursive=False, run_type=None, populate=False)

Parameter

Nama	Deskripsi
name	str Nama metrik. Nilai default: None
recursive	bool Menunjukkan apakah akan berulang melalui semua turunan. Nilai default: False
run_type	str Nilai default: None
populate	bool Menunjukkan apakah akan mengambil konten data eksternal yang ditautkan ke metrik. Nilai default: False

Mengembalikan

Jenis	Deskripsi
dict	Kamus yang berisi metrik pengguna.

Keterangan


   run = experiment.start_logging() # run id: 123
   run.log("A", 1)
   with run.child_run() as child: # run id: 456
       child.log("A", 2)

   metrics = run.get_metrics()
   # metrics = { 'A': 1 }

   metrics = run.get_metrics(recursive=True)
   # metrics = { '123': { 'A': 1 }, '456': { 'A': 2 } } note key is runId

get_properties

Ambil properti terbaru dari eksekusi dari layanan.

get_properties()

Mengembalikan

Jenis	Deskripsi
dict	Properti eksekusi.

Keterangan

Properti adalah informasi yang dihasilkan sistem yang tidak dapat diubah seperti durasi, tanggal eksekusi, pengguna, dan properti kustom yang ditambahkan dengan metode .add_properties Untuk informasi selengkapnya, lihat Menandai dan menemukan eksekusi.

Saat mengirimkan pekerjaan ke Azure Machine Learning, jika file sumber disimpan di repositori git lokal, informasi tentang repositori disimpan sebagai properti. Properti git ini ditambahkan saat membuat eksekusi atau memanggil Experiment.submit. Untuk informasi selengkapnya tentang properti git lihat Integrasi Git untuk Azure Machine Learning.

get_secret

Dapatkan nilai rahasia dari konteks eksekusi.

Dapatkan nilai rahasia untuk nama yang disediakan. Nama rahasia mereferensikan nilai yang disimpan di Azure Key Vault yang terkait dengan ruang kerja Anda. Untuk contoh bekerja dengan rahasia, lihat Menggunakan rahasia dalam eksekusi pelatihan.

get_secret(name)

Parameter

Nama	Deskripsi
name Diperlukan	str Nama rahasia untuk mengembalikan rahasia.

Mengembalikan

Jenis	Deskripsi
str	Nilai rahasia.

get_secrets

Dapatkan nilai rahasia untuk daftar nama rahasia tertentu.

Dapatkan kamus yang ditemukan dan tidak ditemukan rahasia untuk daftar nama yang disediakan. Setiap nama rahasia mereferensikan nilai yang disimpan di Azure Key Vault yang terkait dengan ruang kerja Anda. Untuk contoh bekerja dengan rahasia, lihat Menggunakan rahasia dalam eksekusi pelatihan.

get_secrets(secrets)

Parameter

Nama	Deskripsi
secrets Diperlukan	list[str] Daftar nama rahasia untuk mengembalikan nilai rahasia.

Mengembalikan

Jenis	Deskripsi
dict[str: str]	Mengembalikan kamus rahasia yang ditemukan dan tidak ditemukan.

get_snapshot_id

Dapatkan ID rekam jepret terbaru.

get_snapshot_id()

Mengembalikan

Jenis	Deskripsi
str	ID rekam jepret terbaru.

get_status

Ambil status terbaru eksekusi.

Nilai umum yang dikembalikan termasuk "Berjalan", "Selesai", dan "Gagal".

get_status()

Mengembalikan

Jenis	Deskripsi
str	Status terbaru.

Keterangan

NotStarted - Ini adalah objek Jalankan sisi klien status sementara sebelum pengiriman cloud.
Mulai - Eksekusi telah mulai diproses di cloud. Pemanggil memiliki ID eksekusi pada saat ini.
Provisi - Dikembalikan saat komputasi sesuai permintaan sedang dibuat untuk pengiriman pekerjaan tertentu.
Persiapan - Lingkungan eksekusi sedang disiapkan:
- build gambar docker
- penyiapan lingkungan conda
Diantrekan - Pekerjaan diantrekan dalam target komputasi. Misalnya, di BatchAI, pekerjaan dalam status antrean

sambil menunggu semua simpul yang diminta siap.
Berjalan - Pekerjaan mulai berjalan di target komputasi.
Finalisasi - Kode pengguna telah selesai dan eksekusi sedang dalam tahap pasca-pemrosesan.
CancelRequested - Pembatalan telah diminta untuk pekerjaan tersebut.
Selesai - Proses berhasil diselesaikan. Ini termasuk kode pengguna dan jalankan

tahap pasca-pemrosesan.
Gagal - Eksekusi gagal. Biasanya properti Kesalahan saat dijalankan akan memberikan detail alasannya.
Dibatalkan - Mengikuti permintaan pembatalan dan menunjukkan bahwa eksekusi sekarang berhasil dibatalkan.
NotResponding - Untuk eksekusi yang mengaktifkan Heartbeat, tidak ada heartbeat yang baru-baru ini dikirim.


   run = experiment.submit(config)
   while run.get_status() not in ['Completed', 'Failed']: # For example purposes only, not exhaustive
       print('Run {} not in terminal state'.format(run.id))
       time.sleep(10)

get_submitted_run

USANG. Gunakan get_context.

Dapatkan eksekusi yang dikirimkan untuk eksperimen ini.

get_submitted_run(**kwargs)

Mengembalikan

Jenis	Deskripsi
Run	Eksekusi yang dikirimkan.

get_tags

Ambil set tag terbaru yang dapat diubah saat dijalankan dari layanan.

get_tags()

Mengembalikan

Jenis	Deskripsi
dict	Tag yang disimpan pada objek eksekusi.

list

Dapatkan daftar eksekusi dalam eksperimen yang ditentukan oleh filter opsional.

static list(experiment, type=None, tags=None, properties=None, status=None, include_children=False, _rehydrate_runs=True)

Parameter

Nama	Deskripsi
experiment Diperlukan	Experiment Eksperimen yang berisi.
type	str Jika ditentukan, mengembalikan eksekusi yang cocok dengan jenis yang ditentukan. Nilai default: None
tags	str atau dict Jika ditentukan, mengembalikan eksekusi yang cocok dengan "tag" atau {"tag" yang ditentukan: "value"}. Nilai default: None
properties	str atau dict Jika ditentukan, mengembalikan eksekusi yang cocok dengan "properti" atau {"property" tertentu: "value"}. Nilai default: None
status	str Jika ditentukan, mengembalikan eksekusi dengan status yang ditentukan "status". Nilai default: None
include_children	bool Jika diatur ke true, ambil semua eksekusi, tidak hanya yang tingkat atas. Nilai default: False
_rehydrate_runs	bool Jika diatur ke True (secara default), akan menggunakan penyedia terdaftar untuk menginstansiasi ulang objek untuk jenis tersebut, bukan Eksekusi dasar. Nilai default: True

Mengembalikan

Jenis	Deskripsi
list[Run]	Daftar eksekusi.

Keterangan

Contoh kode berikut menunjukkan beberapa penggunaan list metode .


   favorite_completed_runs = Run.list(experiment, status='Completed', tags='favorite')

   all_distinct_runs = Run.list(experiment)
   and_their_children = Run.list(experiment, include_children=True)

   only_script_runs = Run.list(experiment, type=ScriptRun.RUN_TYPE)

list_by_compute

Dapatkan daftar eksekusi dalam komputasi yang ditentukan oleh filter opsional.

static list_by_compute(compute, type=None, tags=None, properties=None, status=None)

Parameter

Nama	Deskripsi
compute Diperlukan	ComputeTarget Komputasi yang berisi.
type	str Jika ditentukan, mengembalikan eksekusi yang cocok dengan jenis yang ditentukan. Nilai default: None
tags	str atau dict Jika ditentukan, mengembalikan eksekusi yang cocok dengan "tag" atau {"tag" yang ditentukan: "value"}. Nilai default: None
properties	str atau dict Jika ditentukan, mengembalikan eksekusi yang cocok dengan "properti" atau {"property" tertentu: "value"}. Nilai default: None
status	str Jika ditentukan, mengembalikan eksekusi dengan status yang ditentukan "status". Hanya nilai yang diizinkan adalah "Berjalan" dan "Diantrekan". Nilai default: None

Mengembalikan

Jenis	Deskripsi
<xref:builtin.generator>	generator ~_restclient.models.RunDto

log

Catat nilai metrik ke eksekusi dengan nama yang diberikan.

log(name, value, description='', step=None)

Parameter

Nama	Deskripsi
name Diperlukan	str Nama metrik.
value Diperlukan	Nilai yang akan diposting ke layanan.
description Diperlukan	str Deskripsi metrik opsional.
step	int Sumbu opsional untuk menentukan urutan nilai dalam metrik. Nilai default: None

Keterangan

Mencatat metrik ke eksekusi menyebabkan metrik disimpan dalam rekaman eksekusi dalam eksperimen. Anda dapat mencatat metrik yang sama beberapa kali dalam eksekusi, hasilnya dianggap sebagai vektor metrik tersebut. Jika langkah ditentukan untuk metrik, langkah tersebut harus ditentukan untuk semua nilai.

log_accuracy_table

Catat tabel akurasi ke penyimpanan artefak.

Metrik tabel akurasi adalah metrik non-skalar multi-penggunaan yang dapat digunakan untuk menghasilkan beberapa jenis bagan garis yang bervariasi terus menerus selama ruang probabilitas yang diprediksi. Contoh bagan ini adalah ROC, presisi-pengenalan, dan kurva angkat.

Perhitungan tabel akurasi mirip dengan perhitungan kurva ROC. Kurva ROC menyimpan tingkat positif sejati dan tingkat positif palsu pada banyak ambang kemungkinan yang berbeda. Tabel akurasi menyimpan jumlah mentah positif benar, positif palsu, negatif benar, dan negatif palsu pada banyak ambang batas probabilitas.

Ada dua metode yang digunakan untuk memilih ambang batas: "probabilitas" dan "persentil." Mereka berbeda dalam bagaimana mereka mengambil sampel dari ruang probabilitas yang diprediksi.

Ambang probabilitas adalah ambang batas yang diberi spasi seragam antara 0 dan 1. Jika NUM_POINTS adalah 5 ambang batas probabilitas adalah [0,0, 0,25, 0,5, 0,75, 1,0].

Ambang persentil diberi spasi sesuai dengan distribusi probabilitas yang diprediksi. Setiap ambang sesuai dengan persentil data pada ambang probabilitas. Misalnya, jika NUM_POINTS adalah 5, maka ambang pertama akan berada pada persentil ke-0, yang kedua pada persentil ke-25, yang ketiga pada tanggal 50, dan sebagainya.

Tabel probabilitas dan tabel persentil adalah daftar 3D di mana dimensi pertama mewakili label kelas, dimensi kedua mewakili sampel pada satu ambang batas (skala dengan NUM_POINTS), dan dimensi ketiga selalu memiliki 4 nilai: TP, FP, TN, FN, dan selalu dalam urutan tersebut.

Nilai kebingungan (TP, FP, TN, FN) dihitung dengan strategi satu vs. istirahat. Lihat tautan berikut untuk detail selengkapnya: https://en.wikipedia.org/wiki/Multiclass_classification

N = # sampel dalam himpunan data validasi (200 dalam contoh) M = # ambang batas = # sampel yang diambil dari ruang probabilitas (5 dalam contoh) C = kelas # dalam himpunan data lengkap (3 dalam contoh)

Beberapa invarian tabel akurasi:

TP + FP + TN + FN = N untuk semua ambang batas untuk semua kelas
TP + FN sama di semua ambang batas untuk kelas apa pun
TN + FP sama di semua ambang untuk kelas apa pun
Tabel probabilitas dan tabel persentil memiliki bentuk [C, M, 4]

Catatan: M dapat menjadi nilai apa pun dan mengontrol resolusi bagan Ini tidak bergantung pada himpunan data, ditentukan saat menghitung metrik, dan memperdagangkan ruang penyimpanan, waktu komputasi, dan resolusi.

Label kelas harus berupa string, nilai kebingungan harus bilangan bulat, dan ambang batas harus mengambang.

log_accuracy_table(name, value, description='')

Parameter

Nama	Deskripsi
name Diperlukan	str Nama tabel akurasi.
value Diperlukan	str atau dict JSON berisi properti nama, versi, dan data.
description Diperlukan	str Deskripsi metrik opsional.

Keterangan

Contoh nilai JSON yang valid:


   {
       "schema_type": "accuracy_table",
       "schema_version": "1.0.1",
       "data": {
           "probability_tables": [
               [
                   [82, 118, 0, 0],
                   [75, 31, 87, 7],
                   [66, 9, 109, 16],
                   [46, 2, 116, 36],
                   [0, 0, 118, 82]
               ],
               [
                   [60, 140, 0, 0],
                   [56, 20, 120, 4],
                   [47, 4, 136, 13],
                   [28, 0, 140, 32],
                   [0, 0, 140, 60]
               ],
               [
                   [58, 142, 0, 0],
                   [53, 29, 113, 5],
                   [40, 10, 132, 18],
                   [24, 1, 141, 34],
                   [0, 0, 142, 58]
               ]
           ],
           "percentile_tables": [
               [
                   [82, 118, 0, 0],
                   [82, 67, 51, 0],
                   [75, 26, 92, 7],
                   [48, 3, 115, 34],
                   [3, 0, 118, 79]
               ],
               [
                   [60, 140, 0, 0],
                   [60, 89, 51, 0],
                   [60, 41, 99, 0],
                   [46, 5, 135, 14],
                   [3, 0, 140, 57]
               ],
               [
                   [58, 142, 0, 0],
                   [56, 93, 49, 2],
                   [54, 47, 95, 4],
                   [41, 10, 132, 17],
                   [3, 0, 142, 55]
               ]
           ],
           "probability_thresholds": [0.0, 0.25, 0.5, 0.75, 1.0],
           "percentile_thresholds": [0.0, 0.01, 0.24, 0.98, 1.0],
           "class_labels": ["0", "1", "2"]
       }
   }

log_confusion_matrix

Catat matriks kebingungan ke penyimpanan artefak.

Ini mencatat pembungkus di sekitar matriks kebingungan sklearn. Data metrik berisi label kelas dan daftar 2D untuk matriks itu sendiri. Lihat tautan berikut untuk detail selengkapnya tentang bagaimana metrik dihitung: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

Parameter

Nama	Deskripsi
name Diperlukan	str Nama matriks kebingungan.
value Diperlukan	str atau dict JSON berisi properti nama, versi, dan data.
description Diperlukan	str Deskripsi metrik opsional.

Keterangan

Contoh nilai JSON yang valid:


   {
       "schema_type": "confusion_matrix",
       "schema_version": "1.0.0",
       "data": {
           "class_labels": ["0", "1", "2", "3"],
           "matrix": [
               [3, 0, 1, 0],
               [0, 1, 0, 1],
               [0, 0, 1, 0],
               [0, 0, 0, 1]
           ]
       }
   }

log_image

Catat metrik gambar ke rekaman eksekusi.

log_image(name, path=None, plot=None, description='')

Parameter

Nama	Deskripsi
name Diperlukan	str Nama metrik.
path Diperlukan	str Jalur atau aliran gambar.
plot Diperlukan	<xref:matplotlib.pyplot> Plot untuk mencatat sebagai gambar.
description Diperlukan	str Deskripsi metrik opsional.

Keterangan

Gunakan metode ini untuk mencatat file gambar atau plot matplotlib ke eksekusi. Gambar-gambar ini akan terlihat dan sebanding dalam rekaman eksekusi.

log_list

Catat daftar nilai metrik untuk dijalankan dengan nama yang diberikan.

log_list(name, value, description='')

Parameter

Nama	Deskripsi
name Diperlukan	str Nama metrik.
value Diperlukan	list Nilai metrik.
description Diperlukan	str Deskripsi metrik opsional.

log_predictions

Catat prediksi ke penyimpanan artefak.

Ini mencatat skor metrik yang dapat digunakan untuk membandingkan distribusi nilai target yang benar dengan distribusi nilai yang diprediksi untuk tugas regresi.

Prediksi diikat dan penyimpangan standar dihitung untuk bilah kesalahan pada bagan garis.

log_predictions(name, value, description='')

Parameter

Nama	Deskripsi
name Diperlukan	str Nama prediksi.
value Diperlukan	str atau dict JSON berisi properti nama, versi, dan data.
description Diperlukan	str Deskripsi metrik opsional.

Keterangan

Contoh nilai JSON yang valid:


   {
       "schema_type": "predictions",
       "schema_version": "1.0.0",
       "data": {
           "bin_averages": [0.25, 0.75],
           "bin_errors": [0.013, 0.042],
           "bin_counts": [56, 34],
           "bin_edges": [0.0, 0.5, 1.0]
       }
   }

log_residuals

Residu log ke penyimpanan artefak.

Ini mencatat data yang diperlukan untuk menampilkan histogram residu untuk tugas regresi. Residu diprediksi - aktual.

Harus ada satu tepi lebih dari jumlah hitungan. Silakan lihat dokumentasi histogram numpy untuk contoh penggunaan hitungan dan tepi untuk mewakili histogram. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

Parameter

Nama	Deskripsi
name Diperlukan	str Nama residu.
value Diperlukan	str atau dict JSON berisi properti nama, versi, dan data.
description Diperlukan	str Deskripsi metrik opsional.

Keterangan

Contoh nilai JSON yang valid:


   {
       "schema_type": "residuals",
       "schema_version": "1.0.0",
       "data": {
           "bin_edges": [50, 100, 200, 300, 350],
           "bin_counts": [0.88, 20, 30, 50.99]
       }
   }

log_row

Catat metrik baris ke eksekusi dengan nama yang diberikan.

log_row(name, description=None, **kwargs)

Parameter

Nama	Deskripsi
name Diperlukan	str Nama metrik.
description	str Deskripsi metrik opsional. Nilai default: None
kwargs Diperlukan	dict Kamus parameter tambahan. Dalam hal ini, kolom metrik.

Keterangan

Menggunakan log_row membuat metrik tabel dengan kolom seperti yang dijelaskan dalam kwargs. Setiap parameter bernama menghasilkan kolom dengan nilai yang ditentukan. log_row dapat dipanggil sekali untuk mencatat tuple arbitrer, atau beberapa kali dalam perulangan untuk menghasilkan tabel lengkap.


   citrus = ['orange', 'lemon', 'lime']
   sizes = [ 10, 7, 3]
   for index in range(len(citrus)):
       run.log_row("citrus", fruit = citrus[index], size=sizes[index])

log_table

Catat metrik tabel ke eksekusi dengan nama yang diberikan.

log_table(name, value, description='')

Parameter

Nama	Deskripsi
name Diperlukan	str Nama metrik.
value Diperlukan	dict Nilai tabel metrik, kamus tempat kunci adalah kolom yang akan diposting ke layanan.
description Diperlukan	str Deskripsi metrik opsional.

register_model

Daftarkan model untuk operasionalisasi.

register_model(model_name, model_path=None, tags=None, properties=None, model_framework=None, model_framework_version=None, description=None, datasets=None, sample_input_dataset=None, sample_output_dataset=None, resource_configuration=None, **kwargs)

Parameter

Nama	Deskripsi
model_name Diperlukan	str Nama dari model tersebut.
model_path	str Jalur cloud relatif ke model, misalnya, "output/modelname". Ketika tidak ditentukan (Tidak Ada), `model_name` digunakan sebagai jalur. Nilai default: None
tags	dict[str, str] Kamus tag nilai kunci untuk ditetapkan ke model. Nilai default: None
properties	dict[str, str] Kamus properti nilai kunci untuk ditetapkan ke model. Properti ini tidak dapat diubah setelah pembuatan model, namun pasangan nilai kunci baru dapat ditambahkan. Nilai default: None
model_framework	str Kerangka kerja model untuk mendaftar. Kerangka kerja yang saat ini didukung: TensorFlow, ScikitLearn, Onnx, Custom, Multi Nilai default: None
model_framework_version	str Versi kerangka kerja dari model terdaftar. Nilai default: None
description	str Deskripsi opsional model. Nilai default: None
datasets	list[(str, AbstractDataset)] Daftar tuple tempat elemen pertama menjelaskan hubungan model himpunan data dan elemen kedua adalah himpunan data. Nilai default: None
sample_input_dataset	AbstractDataset Fakultatif. Sampel himpunan data input untuk model terdaftar Nilai default: None
sample_output_dataset	AbstractDataset Fakultatif. Sampel himpunan data output untuk model terdaftar Nilai default: None
resource_configuration	ResourceConfiguration Fakultatif. Konfigurasi sumber daya untuk menjalankan model terdaftar Nilai default: None
kwargs Diperlukan	dict Parameter opsional.

Mengembalikan

Jenis	Deskripsi
Model	Model terdaftar.

Keterangan


   model = best_run.register_model(model_name = 'best_model', model_path = 'outputs/model.pkl')

remove_tags

Hapus daftar tag yang dapat diubah pada proses ini.

remove_tags(tags)

Parameter

Nama	Deskripsi
tags Diperlukan	list Daftar tag yang akan dihapus.

Mengembalikan

Jenis	Deskripsi
	Tag yang disimpan pada objek eksekusi

restore_snapshot

Memulihkan rekam jepret sebagai file ZIP. Mengembalikan jalur ke ZIP.

restore_snapshot(snapshot_id=None, path=None)

Parameter

Nama	Deskripsi
snapshot_id	str ID rekam jepret untuk dipulihkan. Yang terbaru digunakan jika tidak ditentukan. Nilai default: None
path	str Jalur tempat ZIP yang diunduh disimpan. Nilai default: None

Mengembalikan

Jenis	Deskripsi
str	Jalurnya.

set_tags

Tambahkan atau ubah sekumpulan tag saat dijalankan. Tag yang tidak diteruskan dalam kamus dibiarkan tidak tersentuh.

Anda juga dapat menambahkan tag string sederhana. Ketika tag ini muncul di kamus tag sebagai kunci, tag tersebut memiliki nilai Tidak Ada. Untuk informasi selengkapnya, lihat Menandai dan menemukan eksekusi.

set_tags(tags)

Parameter

Nama	Deskripsi
tags Diperlukan	dict[str] atau str Tag yang disimpan dalam objek eksekusi.

start

Tandai eksekusi sebagai dimulai.

Ini biasanya digunakan dalam skenario lanjutan ketika eksekusi telah dibuat oleh aktor lain.

start()

submit_child

Kirim eksperimen dan kembalikan eksekusi anak aktif.

submit_child(config, tags=None, **kwargs)

Parameter

Nama	Deskripsi
config Diperlukan	object Konfigurasi yang akan dikirimkan.
tags	dict Tag yang akan ditambahkan ke eksekusi yang dikirimkan, misalnya, {"tag": "value"}. Nilai default: None
kwargs Diperlukan	dict Parameter tambahan yang digunakan dalam fungsi pengiriman untuk konfigurasi.

Mengembalikan

Jenis	Deskripsi
Run	Objek eksekusi.

Keterangan

Kirim adalah panggilan asinkron ke platform Azure Machine Learning untuk menjalankan uji coba pada perangkat keras lokal atau jarak jauh. Bergantung pada konfigurasi, kirim akan secara otomatis menyiapkan lingkungan eksekusi Anda, menjalankan kode Anda, dan mengambil kode sumber Anda dan hasil ke dalam riwayat eksekusi eksperimen.

Untuk mengirimkan eksperimen, Pertama-tama Anda perlu membuat objek konfigurasi yang menjelaskan bagaimana eksperimen akan dijalankan. Konfigurasi tergantung pada jenis uji coba yang diperlukan.

Contoh cara mengirimkan eksperimen anak dari komputer lokal Anda menggunakan ScriptRunConfig adalah sebagai berikut:


   from azureml.core import ScriptRunConfig

   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = parent_run.submit_child(config)

   # get the url to view the progress of the experiment and then wait
   # until the trial is complete
   print(run.get_portal_url())
   run.wait_for_completion()

Untuk detail tentang cara mengonfigurasi eksekusi, lihat submit.

tag

Tandai eksekusi dengan kunci string dan nilai string opsional.

tag(key, value=None)

Parameter

Nama	Deskripsi
key Diperlukan	str Kunci tag
value	str Nilai opsional untuk tag Nilai default: None

Keterangan

Tag dan properti pada eksekusi keduanya adalah kamus string -> string. Perbedaannya adalah mutabilitas: Tag dapat diatur, diperbarui, dan dihapus sementara Properti hanya dapat ditambahkan. Ini membuat Properti lebih sesuai untuk pemicu perilaku terkait sistem/alur kerja, sementara Tag umumnya menghadap pengguna dan bermakna bagi konsumen eksperimen.


   run = experiment.start_logging()
   run.tag('DeploymentCandidate')
   run.tag('modifiedBy', 'Master CI')
   run.tag('modifiedBy', 'release pipeline') # Careful, tags are mutable

   run.add_properties({'BuildId': os.environ.get('VSTS_BUILD_ID')}) # Properties are not

   tags = run.get_tags()
   # tags = { 'DeploymentCandidate': None, 'modifiedBy': 'release pipeline' }

take_snapshot

Simpan rekam jepret file atau folder input.

take_snapshot(file_or_folder_path)

Parameter

Nama	Deskripsi
file_or_folder_path Diperlukan	str File atau folder yang berisi kode sumber eksekusi.

Mengembalikan

Jenis	Deskripsi
str	Mengembalikan ID rekam jepret.

Keterangan

Rekam jepret dimaksudkan untuk menjadi kode sumber yang digunakan untuk menjalankan eksperimen yang dijalankan. Ini disimpan dengan eksekusi sehingga uji coba eksekusi dapat direplikasi di masa mendatang.

Nota

Rekam jepret secara otomatis diambil ketika submit dipanggil. Biasanya, metode take_snapshot ini hanya diperlukan untuk eksekusi interaktif (notebook).

upload_file

Unggah file ke rekaman eksekusi.

upload_file(name, path_or_stream, datastore_name=None)

Parameter

Nama	Deskripsi
name Diperlukan	str Nama file yang akan diunggah.
path_or_stream Diperlukan	str Jalur lokal relatif atau streaming ke file yang akan diunggah.
datastore_name Diperlukan	str Nama DataStore Opsional

Mengembalikan

Jenis	Deskripsi
ResourceProperties

Keterangan


   run = experiment.start_logging()
   run.upload_file(name='important_file', path_or_stream="path/on/disk/file.txt")

Nota

Menjalankan pengambilan file secara otomatis di direktori output yang ditentukan, yang default ke "./outputs" untuk sebagian besar jenis eksekusi. Gunakan upload_file hanya ketika file tambahan perlu diunggah atau direktori output tidak ditentukan.

upload_files

Unggah file ke rekaman eksekusi.

upload_files(names, paths, return_artifacts=False, timeout_seconds=None, datastore_name=None)

Parameter

Nama	Deskripsi
names Diperlukan	list Nama file yang akan diunggah. Jika diatur, jalur juga harus diatur.
paths Diperlukan	list Jalur lokal relatif ke file yang akan diunggah. Jika diatur, nama diperlukan.
return_artifacts Diperlukan	bool Menunjukkan bahwa objek artefak harus dikembalikan untuk setiap file yang diunggah.
timeout_seconds Diperlukan	int Batas waktu untuk mengunggah file.
datastore_name Diperlukan	str Nama DataStore Opsional

Keterangan

upload_files memiliki efek yang sama seperti upload_file pada file terpisah, namun ada manfaat pemanfaatan performa dan sumber daya saat menggunakan upload_files.


   import os

   run = experiment.start_logging()
   file_name_1 = 'important_file_1'
   file_name_2 = 'important_file_2'
   run.upload_files(names=[file_name_1, file_name_2],
                       paths=['path/on/disk/file_1.txt', 'other/path/on/disk/file_2.txt'])

   run.download_file(file_name_1, 'file_1.txt')

   os.mkdir("path")  # The path must exist
   run.download_file(file_name_2, 'path/file_2.txt')

Nota

Menjalankan pengambilan file secara otomatis di direktori output yang ditentukan, yang default ke "./outputs" untuk sebagian besar jenis eksekusi. Gunakan upload_files hanya ketika file tambahan perlu diunggah atau direktori output tidak ditentukan.

upload_folder

Unggah folder yang ditentukan ke nama awalan yang diberikan.

upload_folder(name, path, datastore_name=None)

Parameter

Nama	Deskripsi
name Diperlukan	str Nama folder file yang akan diunggah.
folder Diperlukan	str Jalur lokal relatif ke folder yang akan diunggah.
datastore_name Diperlukan	str Nama DataStore Opsional

Keterangan


   run = experiment.start_logging()
   run.upload_folder(name='important_files', path='path/on/disk')

   run.download_file('important_files/existing_file.txt', 'local_file.txt')

Nota

Menjalankan pengambilan file secara otomatis di direktori output yang ditentukan, yang default ke "./outputs" untuk sebagian besar jenis eksekusi. Gunakan upload_folder hanya ketika file tambahan perlu diunggah atau direktori output tidak ditentukan.

wait_for_completion

Tunggu penyelesaian eksekusi ini. Mengembalikan objek status setelah menunggu.

wait_for_completion(show_output=False, wait_post_processing=False, raise_on_error=True)

Parameter

Nama	Deskripsi
show_output	bool Menunjukkan apakah akan menampilkan output eksekusi pada sys.stdout. Nilai default: False
wait_post_processing	bool Menunjukkan apakah akan menunggu pemrosesan pasca selesai setelah eksekusi selesai. Nilai default: False
raise_on_error	bool Menunjukkan apakah Kesalahan dimunculkan saat Eksekusi dalam keadaan gagal. Nilai default: True

Mengembalikan

Jenis	Deskripsi
dict	Objek status.

Atribut

description

Mengembalikan deskripsi eksekusi.

Deskripsi opsional dari eksekusi adalah string yang ditentukan pengguna yang berguna untuk menjelaskan eksekusi.

Mengembalikan

Jenis	Deskripsi
str	Deskripsi eksekusi.

display_name

Mengembalikan nama tampilan eksekusi.

Nama tampilan opsional dari eksekusi adalah string yang ditentukan pengguna yang berguna untuk identifikasi eksekusi nanti.

Mengembalikan

Jenis	Deskripsi
str	Nama tampilan eksekusi.

experiment

Dapatkan eksperimen yang berisi eksekusi.

Mengembalikan

Jenis	Deskripsi
Experiment	Mengambil eksperimen yang sesuai dengan eksekusi.

id

Dapatkan ID eksekusi.

ID eksekusi adalah pengidentifikasi unik di seluruh eksperimen yang berisi.

Mengembalikan

Jenis	Deskripsi
str	ID eksekusi.

name

USANG. Gunakan display_name.

Nama opsional eksekusi adalah string yang ditentukan pengguna yang berguna untuk identifikasi eksekusi nanti.

Mengembalikan

Jenis	Deskripsi
str	ID eksekusi.

number

Dapatkan nomor eksekusi.

Angka yang meningkat secara monoton yang mewakili urutan eksekusi dalam eksperimen.

Mengembalikan

Jenis	Deskripsi
int	Nomor eksekusi.

parent

Ambil eksekusi induk untuk eksekusi ini dari layanan.

Eksekusi dapat memiliki induk opsional, yang menghasilkan hierarki pohon potensial eksekusi. Untuk mencatat metrik ke eksekusi induk, gunakan log metode objek induk, misalnya, run.parent.log().

Mengembalikan

Jenis	Deskripsi
Run	Induk berjalan, atau Tidak Ada jika tidak diatur.

properties

Mengembalikan properti yang tidak dapat diubah dari eksekusi ini.

Mengembalikan

Jenis	Deskripsi
dict[str], str	Properti eksekusi yang di-cache secara lokal.

Keterangan

Properti termasuk informasi yang dihasilkan sistem yang tidak dapat diubah seperti durasi, tanggal eksekusi, pengguna, dll.

status

Mengembalikan status objek eksekusi.

type

Dapatkan jenis eksekusi.

Menunjukkan bagaimana eksekusi dibuat atau dikonfigurasi.

Mengembalikan

Jenis	Deskripsi
str	Jenis eksekusi.

Saran dan Komentar

Apakah halaman ini membantu?

Bagikan melalui

Run Kelas

Konstruktor

Parameter

Keterangan

Metode

add_properties

Parameter

add_type_provider

Parameter

cancel

child_run

Parameter

Mengembalikan

Keterangan

clean

Mengembalikan

complete

Parameter

create_children

Parameter

Mengembalikan

Keterangan

download_file

Parameter

download_files

Parameter

fail

Parameter

flush

Parameter

get

Parameter

Mengembalikan

get_all_logs

Parameter

Mengembalikan

get_children

Parameter

Mengembalikan

get_context

Parameter

Mengembalikan

Keterangan

get_detailed_status

Mengembalikan

Keterangan

get_details

Mengembalikan

Keterangan

get_details_with_logs

Mengembalikan

get_environment

Mengembalikan

get_file_names

Mengembalikan

get_metrics

Parameter

Mengembalikan

Keterangan

get_properties

Mengembalikan

Keterangan

get_secret

Parameter

Mengembalikan

get_secrets

Parameter

Mengembalikan

get_snapshot_id

Mengembalikan

get_status

Mengembalikan

Keterangan

get_submitted_run

Mengembalikan

get_tags

Mengembalikan

list

Parameter