ImageClassificationJob Classe

Configurazione per il processo di classificazione delle immagini multiclasse AutoML.

Inizializzare un nuovo processo di classificazione immagini multiclasse AutoML.

Ereditarietà

azure.ai.ml.entities._job.automl.image.automl_image_classification_base.AutoMLImageClassificationBase

ImageClassificationJob

Costruttore

ImageClassificationJob(*, primary_metric: str | ClassificationPrimaryMetrics | None = None, **kwargs)

Parametri

primary_metric

Necessario

Metrica primaria da usare per l'ottimizzazione

kwargs

Necessario

Argomenti specifici del processo

Metodi

dump	Esegue il dump del contenuto del processo in un file in formato YAML.
extend_search_space	Aggiungere lo spazio di ricerca per le attività Classificazione immagini AutoML e Classificazione immagini multi-etichetta.
set_data
set_limits	Limitare le impostazioni per tutti i verticali delle immagini AutoML.
set_sweep	Impostazioni di sweep per tutti i verticali dell'immagine AutoML.
set_training_parameters	Impostazione dei parametri di training dell'immagine per le attività Di classificazione immagini automatica e Classificazione immagini multieticheggio.

dump

Esegue il dump del contenuto del processo in un file in formato YAML.

dump(dest: str | PathLike | IO, **kwargs) -> None

Parametri

dest

Union[<xref:PathLike>, str, IO[AnyStr]]

Necessario

Percorso locale o flusso di file in cui scrivere il contenuto YAML. Se dest è un percorso di file, verrà creato un nuovo file. Se dest è un file aperto, il file verrà scritto direttamente in .

kwargs

dict

Argomenti aggiuntivi da passare al serializzatore YAML.

Eccezioni

FileExistsError

Generato se dest è un percorso di file e il file esiste già.

IOError

Generato se dest è un file aperto e il file non è scrivibile.

extend_search_space

Aggiungere lo spazio di ricerca per le attività Classificazione immagini AutoML e Classificazione immagini multi-etichetta.

extend_search_space(value: SearchSpace | List[SearchSpace]) -> None

Parametri

value

Union[ImageClassificationSearchSpace, List[ImageClassificationSearchSpace]]

Necessario

specificare un'istanza di ImageClassificationSearchSpace o un elenco di ImageClassificationSearchSpace per la ricerca nello spazio dei parametri

Eccezioni

FileExistsError

Generato se dest è un percorso di file e il file esiste già.

IOError

Generato se dest è un file aperto e il file non è scrivibile.

set_data

set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None

Eccezioni

FileExistsError

Generato se dest è un percorso di file e il file esiste già.

IOError

Generato se dest è un file aperto e il file non è scrivibile.

set_limits

Limitare le impostazioni per tutti i verticali delle immagini AutoML.

set_limits(*, max_concurrent_trials: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None) -> None

Parametri

timeout_minutes

timedelta

Timeout del processo AutoML.

Eccezioni

FileExistsError

Generato se dest è un percorso di file e il file esiste già.

IOError

Generato se dest è un file aperto e il file non è scrivibile.

set_sweep

Impostazioni di sweep per tutti i verticali dell'immagine AutoML.

set_sweep(*, sampling_algorithm: str | Random | Grid | Bayesian, early_termination: BanditPolicy | MedianStoppingPolicy | TruncationSelectionPolicy | None = None) -> None

Parametri

sampling_algorithm

Obbligatorio. [Obbligatorio] Tipo di algoritmi di campionamento degli iperparametri. I valori possibili includono: "Grid", "Random", "Bayesian".

early_termination

Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]

Tipo di criteri di terminazione anticipata.

Eccezioni

FileExistsError

Generato se dest è un percorso di file e il file esiste già.

IOError

Generato se dest è un file aperto e il file non è scrivibile.

set_training_parameters

Impostazione dei parametri di training dell'immagine per le attività Di classificazione immagini automatica e Classificazione immagini multieticheggio.

set_training_parameters(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: str | LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: str | StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, training_crop_size: int | None = None, validation_crop_size: int | None = None, validation_resize_size: int | None = None, weighted_loss: int | None = None) -> None

Parametri

advanced_settings

str

Impostazioni per scenari avanzati.

ams_gradient

bool

Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.

beta1

float

Valore di 'beta1' quando Optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].

beta2

float

Valore di 'beta2' quando Optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].

checkpoint_frequency

int

Frequenza di archiviazione dei checkpoint del modello. Deve essere un intero positivo.

checkpoint_run_id

str

ID di un'esecuzione precedente con un checkpoint con training preliminare per il training incrementale.

distributed

bool

Indica se usare il training distribuito.

early_stopping

bool

Abilitare la logica di arresto anticipato durante il training.

early_stopping_delay

int

Numero minimo di periodi o valutazioni di convalida da attendere prima che venga rilevato il miglioramento della metrica primaria per l'arresto anticipato. Deve essere un intero positivo.

early_stopping_patience

int

Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima dell'arresto dell'esecuzione. Deve essere un intero positivo.

enable_onnx_normalization

bool

Abilitare la normalizzazione durante l'esportazione del modello ONNX.

evaluation_frequency

int

Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un intero positivo.

gradient_accumulation_step

int

L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornare i pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi usare le sfumature accumulate per calcolare gli aggiornamenti del peso. Deve essere un intero positivo.

layers_to_freeze

Numero di livelli da bloccare per il modello. Deve essere un intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa congelamento layer0 e layer1. Per un elenco completo dei modelli supportati e dettagli sul blocco del livello, vedere: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long

learning_rate

float

Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].

learning_rate_scheduler

Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere 'warmup_cosine' o 'step'. I valori possibili includono: "None", "WarmupCosine", "Step".

model_name

Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum

float

Valore di momentum quando Optimizer è "sgd". Deve essere un valore float nell'intervallo [0, 1].

nesterov

bool

Abilitare nesterov quando optimizer è "sgd".

number_of_epochs

int

Numero di periodi di training. Deve essere un intero positivo.

number_of_workers

int

Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.

optimizer

Tipo di ottimizzatore. I valori possibili includono: "None", "Sgd", "Adam", "Adamw".

random_seed

int

Valore di inizializzazione casuale da usare quando si usa il training deterministico.

step_lr_gamma

float

Valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un valore float nell'intervallo [0, 1].

step_lr_step_size

int

Valore delle dimensioni dei passaggi quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un intero positivo.

training_batch_size

int

Dimensioni del batch di training. Deve essere un intero positivo.

validation_batch_size

int

Dimensioni del batch di convalida. Deve essere un intero positivo.

warmup_cosine_lr_cycles

float

Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].

warmup_cosine_lr_warmup_epochs

int

Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un intero positivo.

weight_decay

float

Valore del decadimento del peso quando Optimizer è 'sgd', 'adam', o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].

training_crop_size

int

Dimensioni di ritaglio delle immagini che vengono immesse nella rete neurale per il set di dati di training. Deve essere un intero positivo.

validation_crop_size

int

Dimensioni di ritaglio delle immagini che vengono immesse nella rete neurale per il set di dati di convalida. Deve essere un intero positivo.

validation_resize_size

int

Dimensioni dell'immagine in cui eseguire il ridimensionamento prima del ritaglio per il set di dati di convalida. Deve essere un intero positivo.

weighted_loss

int

Perdita ponderata. I valori accettati sono 0 per nessuna perdita ponderata. 1 per perdita ponderata con sqrt. (class_weights). 2 per perdita ponderata con class_weights. Deve essere 0 o 1 o 2.

Eccezioni

FileExistsError

Generato se dest è un percorso di file e il file esiste già.

IOError

Generato se dest è un file aperto e il file non è scrivibile.

Attributi

base_path

Percorso di base della risorsa.

Restituisce

Percorso di base della risorsa.

Tipo restituito

str

creation_context

Contesto di creazione della risorsa.

Restituisce

Metadati di creazione per la risorsa.

Tipo restituito

Optional[SystemData]

id

L'ID della risorsa.

Restituisce

ID globale della risorsa, ID di Azure Resource Manager (ARM).

Tipo restituito

Optional[str]

inputs

limits

log_files

File di output del processo.

Restituisce

Dizionario di URL e nomi di log.

Tipo restituito

Optional[Dict[str, str]]

log_verbosity

outputs

primary_metric

search_space

status

Stato del processo.

I valori comuni restituiti includono "Running", "Completed" e "Failed". Tutti i valori possibili sono:

• NotStarted: si tratta di uno stato temporaneo in cui gli oggetti Run sul lato client si trovano prima dell'invio nel cloud.

• Avvio: l'esecuzione è stata avviata nell'elaborazione nel cloud. Il chiamante ha un ID di esecuzione a questo punto.

• Provisioning: l'ambiente di calcolo su richiesta viene creato per un invio di processo specificato.

• Preparazione: l'ambiente di esecuzione viene preparato ed è in una delle due fasi seguenti:

  • Compilazione di immagini Docker

  • Configurazione dell'ambiente conda

• In coda: il processo viene accodato nella destinazione di calcolo. Ad esempio, in BatchAI, il processo si trova in uno stato in coda

  in attesa che tutti i nodi richiesti siano pronti.

• In esecuzione: il processo è stato avviato per l'esecuzione nella destinazione di calcolo.

• Finalizzazione: l'esecuzione del codice utente è stata completata e l'esecuzione è in fasi di post-elaborazione.

• CancelRequested: l'annullamento è stato richiesto per il processo.

• Completato: l'esecuzione è stata completata correttamente. Ciò include sia l'esecuzione del codice utente che l'esecuzione

  fasi post-elaborazione.

• Non riuscito: l'esecuzione non è riuscita. In genere la proprietà Error in un'esecuzione fornirà informazioni dettagliate sul motivo.

• Annullata: segue una richiesta di annullamento e indica che l'esecuzione è stata annullata correttamente.

• NotResponding : per le esecuzioni con heartbeat abilitati, non è stato inviato di recente alcun heartbeat.

Restituisce

Stato del processo.

Tipo restituito

Optional[str]

studio_url

Endpoint di Azure ML Studio.

Restituisce

URL della pagina dei dettagli del processo.

Tipo restituito

Optional[str]

sweep

task_type

Ottiene il tipo di attività.

Restituisce

Tipo di attività da eseguire. I valori possibili includono: "classification", "regression", "forecasting".

Tipo restituito

str

test_data

Ottenere i dati di test.

Restituisce

Testare l'input dei dati

Tipo restituito

Input

training_data

Ottenere i dati di training.

Restituisce

Input dei dati di training

Tipo restituito

Input

training_parameters

type

Tipo del processo.

Restituisce

Tipo del processo.

Tipo restituito

Optional[str]

validation_data

Ottenere i dati di convalida.

Restituisce

Input dei dati di convalida

Tipo restituito

Input