ScriptRunConfig Kelas

Mewakili informasi konfigurasi untuk mengirimkan eksekusi pelatihan di Azure Machine Learning.

ScriptRunConfig mengemas bersama informasi konfigurasi yang diperlukan untuk mengirimkan eksekusi di Azure Machine Learning, termasuk skrip, target komputasi, lingkungan, dan konfigurasi khusus pekerjaan terdistribusi.

Setelah skrip dijalankan dikonfigurasi dan dikirimkan dengan submit, ScriptRun dikembalikan.

Konstruktor Class ScriptRunConfig.

Warisan

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)

Parameter

Nama	Deskripsi
source_directory Diperlukan	str Direktori lokal yang berisi file kode yang diperlukan untuk eksekusi.
script Diperlukan	str Jalur file relatif terhadap source_directory skrip yang akan dijalankan.
arguments Diperlukan	list atau str Argumen baris perintah opsional yang akan diteruskan ke skrip pelatihan. Argumen diteruskan berpasangan, misalnya, ['–arg1', arg1_val, '–arg2', arg2_val].
run_config Diperlukan	RunConfiguration Konfigurasi eksekusi opsional yang akan digunakan.
_telemetry_values Diperlukan	dict Penggunaan internal saja.
compute_target Diperlukan	AbstractComputeTarget atau str Target komputasi di mana pelatihan akan terjadi. Ini bisa berupa objek ComputeTarget, nama ComputeTarget yang ada, atau string "lokal". Jika tidak ada target komputasi yang ditentukan, komputer lokal Anda akan digunakan.
environment Diperlukan	Environment Lingkungan yang digunakan untuk eksekusi. Jika tidak ada lingkungan yang ditentukan, azureml.core.runconfig.DEFAULT_CPU_IMAGE akan digunakan sebagai gambar Docker untuk eksekusi.
distributed_job_config Diperlukan	TensorflowConfiguration, MpiConfiguration atau PyTorchConfiguration Untuk pekerjaan yang memerlukan konfigurasi khusus pekerjaan terdistribusi tambahan.
resume_from Diperlukan	DataPath DataPath berisi file titik pemeriksaan atau model untuk melanjutkan eksperimen.
max_run_duration_seconds Diperlukan	Waktu maksimum yang diizinkan untuk eksekusi. Sistem akan coba membatalkan eksekusi secara otomatis jika membutuhkan waktu lebih lama dari nilai ini. :type max_run_duration_seconds: int
command Diperlukan	list[str] atau str Perintah yang akan dikirimkan untuk eksekusi. Properti perintah juga dapat digunakan sebagai pengganti skrip/argumen. Properti perintah dan skrip/argumen tidak dapat digunakan bersama untuk mengirimkan eksekusi. Untuk mengirimkan file skrip menggunakan properti perintah - ['python', 'train.py', '–arg1', arg1_val] Untuk menjalankan perintah sebenarnya - ['ls']
docker_runtime_config Diperlukan	DockerConfiguration Untuk pekerjaan yang memerlukan konfigurasi khusus runtime Docker.
source_directory Diperlukan	str Direktori lokal yang berisi file kode yang diperlukan untuk eksekusi.
script Diperlukan	str Jalur file relatif terhadap source_directory skrip yang akan dijalankan.
arguments Diperlukan	list[str] Argumen baris perintah opsional yang akan diteruskan ke skrip pelatihan. Argumen diteruskan berpasangan, misalnya, ['–arg1', arg1_val, '–arg2', arg2_val].
run_config Diperlukan	RunConfiguration Konfigurasi eksekusi opsional yang akan digunakan.
_telemetry_values Diperlukan	dict Penggunaan internal saja.
compute_target Diperlukan	AbstractComputeTarget atau str Target komputasi di mana pelatihan akan terjadi. Ini bisa berupa objek ComputeTarget, nama ComputeTarget yang ada, atau string "lokal". Jika tidak ada target komputasi yang ditentukan, komputer lokal Anda akan digunakan.
environment Diperlukan	Environment Lingkungan yang digunakan untuk eksekusi. Jika tidak ada lingkungan yang ditentukan, azureml.core.runconfig.DEFAULT_CPU_IMAGE akan digunakan sebagai gambar Docker untuk eksekusi.
distributed_job_config Diperlukan	TensorflowConfiguration atau MpiConfiguration atau PyTorchConfiguration Untuk pekerjaan yang memerlukan konfigurasi khusus pekerjaan terdistribusi tambahan.
resume_from Diperlukan	DataPath DataPath berisi file titik pemeriksaan atau model untuk melanjutkan eksperimen.
max_run_duration_seconds Diperlukan	int Waktu maksimum yang diizinkan untuk eksekusi. Sistem akan mencoba membatalkan eksekusi secara otomatis jika memakan waktu lebih lama dari nilai ini.
command Diperlukan	list[str] atau str Perintah yang akan dikirimkan untuk eksekusi. Properti perintah juga dapat digunakan sebagai pengganti skrip/argumen. Properti perintah dan skrip/argumen tidak dapat digunakan bersama untuk mengirimkan eksekusi. Untuk mengirimkan file skrip menggunakan properti perintah - ['python', 'train.py', '–arg1', arg1_val] Untuk menjalankan perintah sebenarnya - ['ls']
docker_runtime_config Diperlukan	DockerConfiguration Untuk pekerjaan yang memerlukan konfigurasi khusus runtime Docker.

Keterangan

SDK Azure Machine Learning memberi Anda serangkaian kelas yang saling berhubungan, yang dirancang untuk membantu Anda melatih dan membandingkan model pembelajaran mesin yang terkait dengan masalah bersama yang mereka selesaikan.

Experiment berfungsi sebagai kontainer logis untuk eksekusi pelatihan ini. Objek ScriptRunConfig digunakan untuk mengonfigurasi informasi yang diperlukan untuk mengirimkan eksekusi pelatihan sebagai bagian dari Eksperimen. Saat proses dikirimkan menggunakan objek ScriptRunConfig, metode pengiriman menampilkan objek berjenis ScriptRun. Kemudian objek ScriptRun yang ditampilkan memberi Anda akses terprogram ke informasi tentang eksekusi pelatihan. ScriptRun adalah kelas turunan dari Run.

Konsep kunci yang perlu diingat adalah bahwa ada objek konfigurasi berbeda yang digunakan untuk mengirimkan eksperimen, berdasarkan jenis eksekusi yang ingin Anda picu. Jenis objek konfigurasi kemudian menginformasikan kelas turunan Eksekusi apa yang Anda dapatkan kembali dari metode kirim. Saat Anda meneruskan objek ScriptRunConfig dalam panggilan ke metode pengiriman Eksperimen, Anda mendapatkan kembali objek ScriptRun. Contoh objek eksekusi lain yang ditampilkan termasuk AutoMLRun (ditampilkan untuk eksekusi AutoML) dan PipelineRun (ditampilkan untuk eksekusi Alur).

Contoh berikut menunjukkan cara mengirimkan skrip pelatihan di komputer lokal Anda.

   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)

Contoh berikut menunjukkan cara mengirimkan skrip pelatihan di kluster Anda menggunakan properti perintah, bukan skrip dan argumen.

   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)

Sampel berikut menunjukkan cara menjalankan perintah di kluster Anda.

   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)

Untuk contoh selengkapnya yang menunjukkan cara bekerja dengan ScriptRunConfig, lihat:

• artikel Memilih dan menggunakan target komputasi untuk melatih model Anda

• notebook pelatihan ini

Atribut

MAX_DURATION_SECONDS_DEFAULT

MAX_DURATION_SECONDS_DEFAULT = 2592000