ScriptRunConfig Kelas

Mewakili informasi konfigurasi untuk mengirimkan pelatihan yang dijalankan di Azure Machine Learning.

ScriptRunConfig menyatukan informasi konfigurasi yang diperlukan untuk mengirimkan eksekusi di Azure ML, termasuk skrip, target komputasi, lingkungan, dan konfigurasi khusus pekerjaan terdistribusi.

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

Konstruktor Class 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 dijalankan.
script Diperlukan	str Jalur file relatif terhadap source_directory skrip yang akan dijalankan.
arguments Diperlukan	list atau str Argumen baris perintah opsional untuk diteruskan ke skrip pelatihan. Argumen diteruskan berpasangan, misalnya, ['–arg1', arg1_val, '–arg2', arg2_val].
run_config Diperlukan	RunConfiguration Konfigurasi eksekusi opsional untuk digunakan.
_telemetry_values Diperlukan	dict Untuk penggunaan internal saja.
compute_target Diperlukan	AbstractComputeTarget atau str Target komputasi tempat pelatihan akan terjadi. Ini bisa menjadi 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 yang berisi titik pemeriksaan atau file model untuk melanjutkan eksperimen.
max_run_duration_seconds Diperlukan	Waktu maksimum yang diizinkan untuk eksekusi. Sistem akan mencoba 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 alih-alih skrip/argumen. Properti perintah dan skrip/argumen tidak dapat digunakan bersama-sama untuk mengirimkan eksekusi. Untuk mengirimkan file skrip menggunakan properti perintah - ['python', 'train.py', '–arg1', arg1_val] Untuk menjalankan perintah aktual - ['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 dijalankan.
script Diperlukan	str Jalur file relatif terhadap source_directory skrip yang akan dijalankan.
arguments Diperlukan	list[str] Argumen baris perintah opsional untuk diteruskan ke skrip pelatihan. Argumen diteruskan berpasangan, misalnya, ['–arg1', arg1_val, '–arg2', arg2_val].
run_config Diperlukan	RunConfiguration Konfigurasi eksekusi opsional untuk digunakan.
_telemetry_values Diperlukan	dict Untuk penggunaan internal saja.
compute_target Diperlukan	AbstractComputeTarget atau str Target komputasi tempat pelatihan akan terjadi. Ini bisa menjadi 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 yang berisi titik pemeriksaan atau file model untuk melanjutkan eksperimen.
max_run_duration_seconds Diperlukan	int Waktu maksimum yang diizinkan untuk eksekusi. Sistem akan mencoba membatalkan eksekusi secara otomatis jika membutuhkan waktu lebih lama dari nilai ini.
command Diperlukan	list[str] atau str Perintah yang akan dikirimkan untuk eksekusi. Properti perintah juga dapat digunakan alih-alih skrip/argumen. Properti perintah dan skrip/argumen tidak dapat digunakan bersama-sama untuk mengirimkan eksekusi. Untuk mengirimkan file skrip menggunakan properti perintah - ['python', 'train.py', '–arg1', arg1_val] Untuk menjalankan perintah aktual - ['ls']
docker_runtime_config Diperlukan	DockerConfiguration Untuk pekerjaan yang memerlukan konfigurasi khusus runtime Docker.

Keterangan

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

Bertindak Experiment sebagai kontainer logis untuk pelatihan ini berjalan. Objek ScriptRunConfig digunakan untuk mengonfigurasi informasi yang diperlukan untuk mengirimkan pelatihan yang dijalankan sebagai bagian dari Eksperimen. Ketika eksekusi dikirimkan menggunakan objek ScriptRunConfig, metode kirim mengembalikan objek jenis ScriptRun. Kemudian objek ScriptRun yang dikembalikan memberi Anda akses terprogram ke informasi tentang pelatihan yang dijalankan. ScriptRun adalah kelas anak dari Run.

Konsep utama yang perlu diingat adalah bahwa ada berbagai objek konfigurasi yang digunakan untuk mengirimkan eksperimen, berdasarkan jenis eksekusi apa yang ingin Anda picu. Jenis objek konfigurasi kemudian menginformasikan kelas turunan Eksekusi yang Anda dapatkan kembali dari metode kirim. Saat Anda meneruskan objek ScriptRunConfig dalam panggilan ke metode kirim Eksperimen, Anda mendapatkan kembali objek ScriptRun. Contoh objek eksekusi lainnya yang dikembalikan termasuk AutoMLRun (dikembalikan untuk eksekusi AutoML) dan PipelineRun (dikembalikan 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 pada kluster Anda menggunakan properti perintah alih-alih 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 pada 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:

Atribut

MAX_DURATION_SECONDS_DEFAULT

MAX_DURATION_SECONDS_DEFAULT = 2592000

Saran dan Komentar

Apakah halaman ini membantu?