EstimatorStep Kelas
TIDAK DIGUNAKAN LAGI. Membuat langkah alur untuk menjalankan Estimator untuk pelatihan model Azure ML.
Buat langkah Alur Azure ML untuk menjalankan Estimator untuk pelatihan model Pembelajaran Mesin.
TIDAK DIGUNAKAN LAGI. Gunakan CommandStep sebagai gantinya. Misalnya lihat Cara menjalankan pelatihan ML dalam alur dengan CommandStep.
- Warisan
-
EstimatorStep
Konstruktor
EstimatorStep(name=None, estimator=None, estimator_entry_script_arguments=None, runconfig_pipeline_params=None, inputs=None, outputs=None, compute_target=None, allow_reuse=True, version=None)Parameter
- estimator
- Estimator
Objek penghitung terkait untuk langkah ini. Dapat berupa penghitung yang telah dikonfigurasi sebelumnya seperti Chainer, PyTorch, TensorFlow, atau SKLearn.
[Diperlukan] Daftar argumen baris perintah. Jika skrip entri Penghitung tidak menerima argumen baris perintah, atur nilai parameter ini ke daftar kosong.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Penimpaan properti runconfig saat runtime menggunakan pasangan kunci-nilai, masing-masing dengan nama properti runconfig dan PipelineParameter untuk properti tersebut.
Nilai yang didukung: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount'
- inputs
- list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]]
Daftar input yang akan digunakan.
Daftar objek PipelineData.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, str]
[Diperlukan] Target komputasi untuk digunakan.
- allow_reuse
- bool
Menunjukkan apakah langkah tersebut harus menggunakan kembali hasil sebelumnya saat dijalankan lagi dengan pengaturan yang sama. Penggunaan kembali diaktifkan secara default. Jika konten langkah (skrip/dependensi) serta input dan parameter tetap tidak berubah, output dari eksekusi sebelumnya dari langkah ini digunakan ulang. Saat menggunakan ulang langkah tersebut, daripada mengirimkan pekerjaan ke komputasi, hasil dari eksekusi sebelumnya segera dibuat tersedia untuk langkah selanjutnya. Jika Anda menggunakan himpunan data Azure Machine Learning sebagai input, penggunaan ulang ditentukan oleh apakah definisi himpunan data telah berubah, bukan oleh apakah data yang mendasarinya telah berubah.
- version
- str
Tag versi opsional untuk menunjukkan perubahan fungsionalitas untuk modul.
- estimator
- <xref:Estimator>
Objek penghitung terkait untuk langkah ini. Dapat berupa penghitung yang telah dikonfigurasi sebelumnya seperti Chainer, PyTorch, TensorFlow, atau SKLearn.
- estimator_entry_script_arguments
- [str]
[Diperlukan] Daftar argumen baris perintah. Jika skrip entri Penghitung tidak menerima argumen baris perintah, atur nilai parameter ini ke daftar kosong.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Penimpaan properti runconfig saat runtime menggunakan pasangan kunci-nilai, masing-masing dengan nama properti runconfig dan PipelineParameter untuk properti tersebut.
Nilai yang didukung: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount'
- inputs
- list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]]
Daftar input yang akan digunakan.
- outputs
- list[Union[PipelineData, PipelineOutputAbstractDataset]
Daftar objek PipelineData.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, str]
[Diperlukan] Target komputasi untuk digunakan.
- allow_reuse
- bool
Menunjukkan apakah langkah tersebut harus menggunakan kembali hasil sebelumnya saat dijalankan lagi dengan pengaturan yang sama. Penggunaan kembali diaktifkan secara default. Jika konten langkah (skrip/dependensi) serta input dan parameter tetap tidak berubah, output dari eksekusi sebelumnya dari langkah ini digunakan ulang. Saat menggunakan ulang langkah tersebut, daripada mengirimkan pekerjaan ke komputasi, hasil dari eksekusi sebelumnya segera dibuat tersedia untuk langkah selanjutnya. Jika Anda menggunakan himpunan data Azure Machine Learning sebagai input, penggunaan ulang ditentukan oleh apakah definisi himpunan data telah berubah, bukan oleh apakah data yang mendasarinya telah berubah.
Keterangan
Perhatikan bahwa argumen ke skrip entri yang digunakan dalam objek Estimator harus ditetapkan sebagai daftar menggunakan parameter estimator_entry_script_arguments saat membuat EstimatorStep. Parameter Penghitung script_params menerima kamus. Namun, parameter estimator_entry_script_argument mengharapkan argumen sebagai daftar.
Inisialisasi EstimatorStep melibatkan penetapan daftar input dengan parameter inputs dan Anda tidak perlu menentukan input dengan Penghitung, pengecualian akan ditampilkan jika Anda melakukannya. Lihat parameter inputs untuk jenis input yang diizinkan. Anda juga dapat secara opsional menentukan semua output untuk langkah. Lihat parameter outputs untuk jenis output yang diizinkan.
Praktik terbaik untuk bekerja dengan EstimatorStep adalah menggunakan folder terpisah untuk skrip dan semua file dependen yang terkait dengan langkah tersebut, dan menetapkan folder tersebut sebagai Estimatorsource_directory objek. Ada dua manfaat dari melakukan hal ini. Pertama, itu membantu mengurangi ukuran snapshot yang dibuat untuk langkah, karena hanya yang diperlukan untuk langkahnya yang di-snapshot. Kedua, output langkah dari eksekusi sebelumnya dapat digunakan ulang jika tidak ada perubahan pada source_directory yang akan memicu pengunggahan ulang snaphot.
Metode
| create_node |
Buat node dari langkah Kusto dan tambahkan ke grafik yang ditentukan. TIDAK DIGUNAKAN LAGI. Gunakan CommandStep sebagai gantinya. Misalnya lihat Cara menjalankan pelatihan ML dalam alur dengan CommandStep. Metode ini tidak dimaksudkan untuk digunakan secara langsung. Ketika alur dibuat dengan langkah ini, Azure Machine Learning secara otomatis meneruskan parameter yang diperlukan melalui metode ini sehingga langkah tersebut dapat ditambahkan ke grafik alur yang mewakili alur kerja. |
create_node
Buat node dari langkah Kusto dan tambahkan ke grafik yang ditentukan.
TIDAK DIGUNAKAN LAGI. Gunakan CommandStep sebagai gantinya. Misalnya lihat Cara menjalankan pelatihan ML dalam alur dengan CommandStep.
Metode ini tidak dimaksudkan untuk digunakan secara langsung. Ketika alur dibuat dengan langkah ini, Azure Machine Learning secara otomatis meneruskan parameter yang diperlukan melalui metode ini sehingga langkah tersebut dapat ditambahkan ke grafik alur yang mewakili alur kerja.
create_node(graph, default_datastore, context)Parameter
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Datastore default.
- context
- <xref:azureml.pipeline.core._GraphContext>
Konteks grafik.
Mengembalikan
Node yang dibuat.
Tipe hasil
Saran dan Komentar
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat: https://aka.ms/ContentUserFeedback.
Kirim dan lihat umpan balik untuk