PyTorch Kelas

Referensi

Mewakili estimator untuk pelatihan dalam eksperimen PyTorch.

TIDAK DIGUNAKAN LAGI. Gunakan objek ScriptRunConfig dengan lingkungan yang Anda tentukan sendiri atau salah satu lingkungan yang dikuratori Azure ML PyTorch. Untuk pengenalan konfigurasi eksperimen PyTorch yang berjalan dengan ScriptRunConfig, lihat Melatih model PyTorch dalam skala dengan Azure Machine Learning.

Versi yang didukung: 1.0, 1.1, 1.2, 1.3, 1.4, 1.5, 1.6

Menginisialisasi estimator PyTorch.

Referensi jalankan Docker. :type shm_size: str :p aram resume_from: Jalur data yang berisi titik pemeriksaan atau file model untuk melanjutkan eksperimen. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: Waktu maksimum yang diizinkan untuk eksekusi. Azure ML akan mencoba untuk secara otomatis

batalkan eksekusi jika membutuhkan waktu lebih lama dari nilai ini.

Warisan: azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimator

PyTorch

Konstruktor

PyTorch(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, node_count=1, process_count_per_node=1, distributed_backend=None, distributed_training=None, use_gpu=False, use_docker=True, custom_docker_base_image=None, custom_docker_image=None, image_registry_details=None, user_managed=False, conda_packages=None, pip_packages=None, conda_dependencies_file_path=None, pip_requirements_file_path=None, conda_dependencies_file=None, pip_requirements_file=None, environment_variables=None, environment_definition=None, inputs=None, source_directory_data_store=None, shm_size=None, resume_from=None, max_run_duration_seconds=None, framework_version=None, _enable_optimized_mode=False, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)

Parameter

Nama	Deskripsi
source_directory Diperlukan	str Direktori lokal yang berisi file konfigurasi eksperimen.
compute_target Diperlukan	AbstractComputeTarget atau str Target komputasi di mana pelatihan akan terjadi. Ini bisa berupa objek atau untai (karakter) "lokal".
vm_size Diperlukan	str Ukuran mesin virtual dari target komputasi yang akan dibuat untuk pelatihan. Nilai yang didukung: Ukuran mesin virtual Azure apa pun.
vm_priority Diperlukan	str Prioritas mesin virtual dari target komputasi yang akan dibuat untuk pelatihan. Jika tidak ditentukan, 'khusus' akan digunakan. Nilai yang didukung: 'khusus' dan 'prioritas rendah'. Ini berlaku hanya jika `vm_size param` ditentukan dalam input.
entry_script Diperlukan	str Jalur relatif ke file yang berisi skrip pelatihan.
script_params Diperlukan	dict Kamus argumen baris perintah untuk diteruskan ke skrip pelatihan yang ditentukan dalam `entry_script`.
node_count Diperlukan	int Jumlah node dalam target komputasi yang digunakan untuk pelatihan. Jika lebih besar dari 1, pekerjaan terdistribusi MPI akan dijalankan. Hanya target AmlCompute yang didukung untuk pekerjaan terdistribusi.
process_count_per_node Diperlukan	int Jumlah proses per node. Jika lebih besar dari 1, pekerjaan terdistribusi MPI akan dijalankan. Hanya target AmlCompute yang didukung untuk pekerjaan terdistribusi.
distributed_backend Diperlukan	str Backend komunikasi untuk pelatihan terdistribusi. TIDAK DIGUNAKAN LAGI. Gunakan parameter `distributed_training`. Nilai yang didukung: 'mpi', 'gloo' serta 'nccl'. 'mpi': MPI/Horovod 'gloo', 'nccl': Pelatihan Terdistribusi PyTorch Asli Parameter ini diperlukan ketika `node_count` atau `process_count_per_node`> 1. Ketika `node_count` == 1 dan `process_count_per_node` == 1, tidak ada backend yang akan digunakan kecuali backend diatur secara eksplisit. Hanya target AmlCompute yang didukung untuk pelatihan terdistribusi.
distributed_training Diperlukan	Mpi atau Gloo atau Nccl Parameter untuk menjalankan pekerjaan pelatihan terdistribusi. Untuk menjalankan pekerjaan terdistribusi dengan backend MPI, gunakan objek Mpi untuk menentukan `process_count_per_node`. Untuk menjalankan pekerjaan terdistribusi dengan backend gloo, gunakan Gloo. Untuk menjalankan pekerjaan terdistribusi dengan backend nccl, gunakan Nccl.
use_gpu Diperlukan	bool Tentukan apakah lingkungan untuk menjalankan eksperimen harus mendukung GPU. Jika true, gambar Docker default berbasis GPU akan digunakan di lingkungan. Jika False, gambar berbasis CPU akan digunakan. Gambar docker default (CPU atau GPU) hanya akan digunakan jika parameter `custom_docker_image` tidak diatur. Pengaturan ini hanya diaktifkan di target komputasi dengan Docker yang diaktifkan.
use_docker Diperlukan	bool Tentukan apakah lingkungan untuk menjalankan eksperimen harus berbasis Docker.
custom_docker_base_image Diperlukan	str Nama gambar Docker dari mana gambar yang akan digunakan untuk pelatihan akan dibuat. TIDAK DIGUNAKAN LAGI. Gunakan parameter `custom_docker_image`. Jika tidak diatur, gambar berbasis CPU default akan digunakan sebagai gambar dasar.
custom_docker_image Diperlukan	str Nama gambar Docker dari mana gambar yang akan digunakan untuk pelatihan akan dibuat. Jika tidak diatur, gambar berbasis CPU default akan digunakan sebagai gambar dasar.
image_registry_details Diperlukan	ContainerRegistry Detail dari registri gambar Docker.
user_managed Diperlukan	bool Tentukan apakah Azure Machine Learning menggunakan kembali lingkungan python yang ada. Jika False, Azure Machine Learning akan membuat lingkungan Python berdasarkan spesifikasi dependensi conda.
conda_packages Diperlukan	list Daftar untai (karakter) yang menunjukkan paket conda yang akan ditambahkan ke lingkungan Python untuk eksperimen.
pip_packages Diperlukan	list Daftar untai (karakter) menunjukkan paket pip yang akan ditambahkan ke lingkungan Python untuk eksperimen.
conda_dependencies_file_path Diperlukan	str Jalur relatif ke file yaml dependensi conda. Jika ditentukan, Azure Machine Learning tidak akan memasang paket terkait kerangka kerja apa pun. TIDAK DIGUNAKAN LAGI. Gunakan parameter `conda_dependencies_file`.
pip_requirements_file_path Diperlukan	str Jalur relatif ke file teks persyaratan pip. Ini dapat dikombinasikan dengan paramater`pip_packages`. TIDAK DIGUNAKAN LAGI. Gunakan parameter `pip_requirements_file`.
conda_dependencies_file Diperlukan	str Jalur relatif ke file yaml dependensi conda. Jika ditentukan, Azure Machine Learning tidak akan memasang paket terkait kerangka kerja apa pun.
pip_requirements_file Diperlukan	str Jalur relatif ke file teks persyaratan pip. Ini dapat dikombinasikan dengan paramater `pip_packages`.
environment_variables Diperlukan	dict Sebuah kamus berisi nama dan nilai variabel lingkungan. Variabel lingkungan ini diatur pada proses saat skrip pengguna sedang dijalankan.
environment_definition Diperlukan	Environment Definisi lingkungan untuk eksperimen. Ini termasuk PythonSection, DockerSection, dan variabel lingkungan. Opsi lingkungan apa pun yang tidak secara langsung diekspos melalui parameter lain ke konstruksi Penghitungan dapat diatur menggunakan parameter ini. Jika parameter ini ditentukan, maka akan lebih diutamakan daripada parameter terkait lingkungan lainnya seperti `use_gpu`, `custom_docker_image`, `conda_packages`, atau `pip_packages`. Kesalahan berupa kombinasi parameter yang tidak valid akan dilaporkan.
inputs Diperlukan	list Daftar objek DataReference atau DatasetConsumptionConfig yang akan digunakan sebagai input.
source_directory_data_store Diperlukan	Datastore Penyimpanan data pendukung untuk berbagi proyek.
shm_size Diperlukan	str Ukuran blok memori bersama kontainer Docker. Jika tidak diatur, azureml.core.environment._DEFAULT_SHM_SIZE default digunakan. Untuk informasi selengkapnya, lihat Referensi eksekusi Docker.
resume_from Diperlukan	DataPath Jalur data yang berisi file titik pemeriksaan atau model untuk melanjutkan eksperimen.
max_run_duration_seconds Diperlukan	int Waktu maksimum yang diizinkan untuk eksekusi. Azure Machine Learning akan mencoba membatalkan eksekusi secara otomatis jika memakan waktu lebih lama dari nilai ini.
framework_version Diperlukan	str Versi PyTorch yang akan digunakan untuk mengeksekusi kode pelatihan. `PyTorch.get_supported_versions()` mengembalikan daftar versi yang didukung oleh SDK saat ini.
source_directory Diperlukan	str Direktori lokal yang berisi file konfigurasi eksperimen.
compute_target Diperlukan	AbstractComputeTarget atau str Target komputasi di mana pelatihan akan terjadi. Ini bisa berupa objek atau untai (karakter) "lokal".
vm_size Diperlukan	str Ukuran mesin virtual dari target komputasi yang akan dibuat untuk pelatihan. Nilai yang didukung: Ukuran mesin virtual Azure apa pun.
vm_priority Diperlukan	str Prioritas mesin virtual dari target komputasi yang akan dibuat untuk pelatihan. Jika tidak ditentukan, 'khusus' akan digunakan. Nilai yang didukung: 'khusus' dan 'prioritas rendah'. Ini berlaku hanya jika `vm_size param` ditentukan dalam input.
entry_script Diperlukan	str Jalur relatif ke file yang berisi skrip pelatihan.
script_params Diperlukan	dict Kamus argumen baris perintah untuk diteruskan ke skrip pelatihan yang ditentukan dalam `entry_script`.
node_count Diperlukan	int Jumlah node dalam target komputasi yang digunakan untuk pelatihan. Jika lebih besar dari 1, pekerjaan terdistribusi mpi akan dijalankan. Hanya target azureml.core.compute.AmlCompute yang didukung untuk pekerjaan terdistribusi.
process_count_per_node Diperlukan	int Jumlah proses per node. Jika lebih besar dari 1, pekerjaan terdistribusi MPI akan dijalankan. Hanya target AmlCompute yang didukung untuk pekerjaan terdistribusi.
distributed_backend Diperlukan	str Backend komunikasi untuk pelatihan terdistribusi. TIDAK DIGUNAKAN LAGI. Gunakan parameter `distributed_training`. Nilai yang didukung: 'mpi', 'gloo' serta 'nccl'. 'mpi': MPI/Horovod 'gloo', 'nccl': Pelatihan Terdistribusi PyTorch Asli Parameter ini diperlukan ketika `node_count` atau `process_count_per_node`> 1. Ketika `node_count` == 1 dan `process_count_per_node` == 1, tidak ada backend yang akan digunakan kecuali backend diatur secara eksplisit. Hanya target AmlCompute yang didukung untuk pelatihan terdistribusi.
distributed_training Diperlukan	Mpi atau Gloo atau Nccl Parameter untuk menjalankan pekerjaan pelatihan terdistribusi. Untuk menjalankan pekerjaan terdistribusi dengan backend MPI, gunakan objek Mpi untuk menentukan `process_count_per_node`. Untuk menjalankan pekerjaan terdistribusi dengan backend gloo, gunakan Gloo. Untuk menjalankan pekerjaan terdistribusi dengan backend nccl, gunakan Nccl.
use_gpu Diperlukan	bool Tentukan apakah lingkungan untuk menjalankan eksperimen harus mendukung GPU. Jika true, gambar Docker default berbasis GPU akan digunakan di lingkungan. Jika False, gambar berbasis CPU akan digunakan. Gambar docker default (CPU atau GPU) hanya akan digunakan jika parameter `custom_docker_image` tidak diatur. Pengaturan ini hanya diaktifkan di target komputasi dengan Docker yang diaktifkan.
use_docker Diperlukan	bool Tentukan apakah lingkungan untuk menjalankan eksperimen harus berbasis Docker.
custom_docker_base_image Diperlukan	str Nama gambar Docker dari mana gambar yang akan digunakan untuk pelatihan akan dibuat. TIDAK DIGUNAKAN LAGI. Gunakan parameter `custom_docker_image`. Jika tidak diatur, gambar berbasis CPU default akan digunakan sebagai gambar dasar.
custom_docker_image Diperlukan	str Nama gambar Docker dari mana gambar yang akan digunakan untuk pelatihan akan dibuat. Jika tidak diatur, gambar berbasis CPU default akan digunakan sebagai gambar dasar.
image_registry_details Diperlukan	ContainerRegistry Detail dari registri gambar Docker.
user_managed Diperlukan	bool Menentukan apakah Azure ML menggunakan kembali lingkungan Python yang ada. Jika salah, Azure Machine Learning akan membuat lingkungan Python berdasarkan spesifikasi dependensi conda.
conda_packages Diperlukan	list Daftar untai (karakter) yang menunjukkan paket conda yang akan ditambahkan ke lingkungan Python untuk eksperimen.
pip_packages Diperlukan	list Daftar untai (karakter) menunjukkan paket pip yang akan ditambahkan ke lingkungan Python untuk eksperimen.
conda_dependencies_file_path Diperlukan	str Jalur relatif ke file yaml dependensi conda. Jika ditentukan, Azure Machine Learning tidak akan memasang paket terkait kerangka kerja apa pun. TIDAK DIGUNAKAN LAGI. Gunakan parameter `conda_dependencies_file`.
pip_requirements_file_path Diperlukan	str Jalur relatif ke file teks persyaratan pip. Ini dapat dikombinasikan dengan paramater`pip_packages`. TIDAK DIGUNAKAN LAGI. Gunakan parameter `pip_requirements_file`.
conda_dependencies_file Diperlukan	str Jalur relatif ke file yaml dependensi conda. Jika ditentukan, Azure Machine Learning tidak akan memasang paket terkait kerangka kerja apa pun.
pip_requirements_file Diperlukan	str Jalur relatif ke file teks persyaratan pip. Ini dapat dikombinasikan dengan paramater `pip_packages`.
environment_variables Diperlukan	dict Sebuah kamus berisi nama dan nilai variabel lingkungan. Variabel lingkungan ini diatur pada proses saat skrip pengguna sedang dijalankan.
environment_definition Diperlukan	Environment Definisi lingkungan untuk eksperimen. Ini termasuk PythonSection, DockerSection, dan variabel lingkungan. Opsi lingkungan apa pun yang tidak secara langsung diekspos melalui parameter lain ke konstruksi Penghitungan dapat diatur menggunakan parameter ini. Jika parameter ini ditentukan, parameter akan lebih diutamakan daripada parameter terkait lingkungan lainnya seperti `use_gpu`, `custom_docker_image`, `conda_packages`, atau `pip_packages`. Kesalahan akan dilaporkan pada kombinasi yang tidak valid.
inputs Diperlukan	list Daftar azureml.data.data_reference. Objek DataReference untuk digunakan sebagai input.
source_directory_data_store Diperlukan	Datastore Penyimpanan data pendukung untuk berbagi proyek.
shm_size Diperlukan	Ukuran blok memori bersama kontainer Docker. Jika tidak diatur, azureml.core.environment._DEFAULT_SHM_SIZE default digunakan. Untuk mengetahui informasi selengkapnya, lihat
framework_version Diperlukan	str Versi PyTorch yang akan digunakan untuk mengeksekusi kode pelatihan. `PyTorch.get_supported_versions()` mengembalikan daftar versi yang didukung oleh SDK saat ini.
_enable_optimized_mode Diperlukan	bool Aktifkan build lingkungan inkremental dengan gambar kerangka kerja bawaan untuk persiapan lingkungan yang lebih cepat. Gambar kerangka kerja bawaan dibangun di atas gambar dasar CPU/GPU default Azure ML dengan dependensi kerangka kerja yang telah diinstal sebelumnya.
_disable_validation Diperlukan	bool Nonaktifkan validasi skrip sebelum menjalankan pengiriman. Default-nya adalah True.
_show_lint_warnings Diperlukan	bool Tampilkan peringatan linting skrip. Defaultnya adalah False.
_show_package_warnings Diperlukan	bool Tampilkan peringatan validasi paket. Defaultnya adalah False.

Keterangan

Saat mengirimkan pekerjaan pelatihan, Azure Machine Learning menjalankan skrip Anda di lingkungan conda dalam kontainer Docker. Kontainer PyTorch memiliki dependensi terpasang berikut.

Dependensi | PyTorch 1.0/1.1/1.2/1.3/ | PyTorch 1.4/1.5/1.6 | ———————- | —————– | ————- | | Python 3.6.2 | 3.6.2 | CUDA (khusus gambar GPU) | 10.0 | 10.1 | cuDNN (khusus gambar GPU) | 7.6.3 | 7.6.3 | NCCL (khusus gambar GPU) | 2.4.8 | 2.4.8 | azureml-defaults | | terbaru | terbaru openmpi | 3.1.2 | 3.1.2 | | horovod 0.18.1 | 0.18.1/0.19.1/0.19.5 | | miniconda 4.5.11 | 4.5.11 | | obor 1.0/1.1/1.2/1.3.1 | 1.4.0/1.5.0/1.6.0 | | torchvision 0.4.1 | 0.5.0 | git | 2.7.4 | 2.7.4 | | tensorboard 1.14 | 1.14 | | masa depan 0.17.1 | 0.17.1 |

Gambar Docker memperluas Ubuntu 16.04.

Untuk memasang dependensi tambahan, Anda dapat menggunakan parameter pip_packages atau conda_packages. Atau, Anda dapat menentukan parameter pip_requirements_file atau conda_dependencies_file. Atau, Anda bisa juga membangun gambar Anda sendiri, dan meneruskan parameter custom_docker_image ke konstruktor penghitung.

Untuk informasi selengkapnya mengenai kontainer Docker yang digunakan dalam pelatihan Pytorch, lihat https://github.com/Azure/AzureML-Containers.

Penghitung PyTorch mendukung pelatihan terdistribusi di seluruh kluster CPU serta GPU menggunakan Horovod, kerangka kerja all reduce sumber terbuka untuk pelatihan terdistribusi. Untuk contoh dan informasi selengkapnya tentang menggunakan PyTorch dalam pelatihan terdistribusi, lihat tutorial Melatih dan mendaftarkan model PyTorch sesuai kebutuhan dengan Azure Machine Learning.

Atribut

DEFAULT_VERSION

DEFAULT_VERSION = '1.4'

FRAMEWORK_NAME

FRAMEWORK_NAME = 'PyTorch'