AutoMLStep Classe
Crea un passaggio di Azure ML Pipeline che incapsula un'esecuzione automatica di Machine Learning.
Per un esempio di uso di AutoMLStep, vedere il notebook https://aka.ms/pl-automl.
Inizializzare un'istruzione AutoMLStep.
- Ereditarietà
-
AutoMLStep
Costruttore
AutoMLStep(name, automl_config, inputs=None, outputs=None, script_repl_params=None, allow_reuse=True, version=None, hash_paths=None, enable_default_model_output=True, enable_default_metrics_output=True, **kwargs)Parametri
- automl_config
- AutoMLConfig
Oggetto AutoMLConfig che definisce la configurazione per l'esecuzione autoML.
- inputs
- list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]]
Elenco di associazioni di porte di input.
- outputs
- list[Union[PipelineData, OutputPortBinding]]
Elenco di associazioni di porte di output.
- script_repl_params
- dict
Parametri facoltativi da sostituire in uno script, ad esempio {'param1': 'value1', 'param2': 'value2'}.
- allow_reuse
- bool
Indica se il passaggio deve riutilizzare i risultati precedenti quando si esegue di nuovo con le stesse impostazioni.
Il riutilizzo è abilitato per impostazione predefinita. Se il contenuto del passaggio (script/dipendenze) e gli input e i parametri rimangono invariati, l'output dell'esecuzione precedente di questo passaggio viene riutilizzato. Quando si riutilizza il passaggio, anziché inviare il processo al calcolo, i risultati dell'esecuzione precedente vengono immediatamente resi disponibili per tutti i passaggi successivi. Se si usano set di dati di Azure Machine Learning come input, il riutilizzo è determinato dal fatto che la definizione del set di dati sia stata modificata, non dal fatto che i dati sottostanti siano stati modificati.
- hash_paths
- list
DEPRECATO. Elenco di percorsi da hash durante il controllo delle modifiche apportate al contenuto del passaggio della pipeline.
Per impostazione predefinita, tutti i file nel path parametro in AutoMLConfig sono hash, ad eccezione dei file elencati in .amlignore o .gitignore in path. Se non sono state rilevate modifiche, la pipeline riutilizza il contenuto del passaggio da un'esecuzione precedente.
- enable_default_model_output
- bool
Indica se il modello migliore verrà aggiunto come output predefinito. Questa operazione può essere usata per recuperare il modello migliore dopo il completamento dell'esecuzione usando la AutoMLStepRun classe .
Nota, se l'output del modello predefinito non è obbligatorio, è consigliabile impostare questo parametro su False.
- enable_default_metrics_output
- bool
Indica se tutte le metriche di esecuzione figlio verranno aggiunte come output predefinito. Questa operazione può essere usata per recuperare le metriche di esecuzione figlio dopo il completamento dell'esecuzione usando la AutoMLStepRun classe .
Nota, se l'output delle metriche predefinite non è obbligatorio, è consigliabile impostare questo parametro su False.
- automl_config
- AutoMLConfig
AutoMLConfig che definisce la configurazione per l'esecuzione autoML.
- inputs
- list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]]
Elenco di associazioni di porte di input.
- outputs
- list[Union[PipelineData, OutputPortBinding]]
Elenco di associazioni di porte di output.
- script_repl_params
- dict
Parametri facoltativi da sostituire in uno script, ad esempio {'param1': 'value1', 'param2': 'value2'}.
- script_repl_params
Parametri facoltativi da sostituire in uno script.
- allow_reuse
- bool
Indica se il passaggio deve riutilizzare i risultati precedenti quando si esegue di nuovo con le stesse impostazioni.
Il riutilizzo è abilitato per impostazione predefinita. Se il contenuto del passaggio (script/dipendenze) e gli input e i parametri rimangono invariati, l'output dell'esecuzione precedente di questo passaggio viene riutilizzato. Quando si riutilizza il passaggio, anziché inviare il processo al calcolo, i risultati dell'esecuzione precedente vengono immediatamente resi disponibili per tutti i passaggi successivi. Se si usano set di dati di Azure Machine Learning come input, il riutilizzo è determinato dal fatto che la definizione del set di dati sia stata modificata, non dal fatto che i dati sottostanti siano stati modificati.
- hash_paths
- list
DEPRECATO. Elenco di percorsi da hash durante il controllo delle modifiche apportate al contenuto del passaggio della pipeline.
Per impostazione predefinita, tutti i file nel path parametro in AutoMLConfig sono hash, ad eccezione dei file elencati in .amlignore o .gitignore in path. Se non sono state rilevate modifiche, la pipeline riutilizza il contenuto del passaggio da un'esecuzione precedente.
- enable_default_model_output
- bool
Indica se il modello migliore verrà aggiunto come output predefinito. Questa operazione può essere usata per recuperare il modello migliore dopo il completamento dell'esecuzione usando la AutoMLStepRun classe .
Nota, se l'output del modello predefinito non è obbligatorio, è consigliabile impostare questo parametro su False.
- enable_default_metrics_output
- bool
Indica se tutte le metriche di esecuzione figlio verranno aggiunte come output predefinito. Questa operazione può essere usata per recuperare le metriche di esecuzione figlio dopo il completamento dell'esecuzione usando la AutoMLStepRun classe .
Nota, se l'output delle metriche predefinite non è obbligatorio, è consigliabile impostare questo parametro su False.
Commenti
Con la classe AutoMLStep è possibile eseguire il flusso di lavoro ml automatizzato in una pipeline di Azure Machine Learning. Le pipeline offrono vantaggi come la ripetibilità, le esecuzioni automatiche, il controllo delle versioni e il rilevamento e la modularità per il flusso di lavoro di Machine Learning automatizzato. Per altre informazioni, vedere Informazioni sulle pipeline di Azure Machine Learning?
Quando il flusso di lavoro ml automatizzato si trova in una pipeline, è possibile pianificare l'esecuzione della pipeline in una pianificazione basata sul tempo o in una pianificazione basata su modifiche. Le pianificazioni basate sul tempo sono utili per le attività di routine, ad esempio il monitoraggio della deriva dei dati, mentre le pianificazioni basate sulle modifiche in base alle modifiche irregolari o imprevedibili, ad esempio quando i dati cambiano. Ad esempio, la pianificazione potrebbe eseguire il polling di un archivio BLOB in cui vengono caricati i dati e quindi eseguire di nuovo la pipeline se i dati vengono modificati e quindi registrare una nuova versione del modello al termine dell'esecuzione. Per altre informazioni, vedere Pianificare le pipeline di Machine Learning e Attivare un'esecuzione di una pipeline di Machine Learning da un'app per la logica.
Nell'esempio seguente viene illustrato come creare un autoMLStep.
automl_step = AutoMLStep(
name='automl_module',
automl_config=automl_config,
outputs=[metrics_data, model_data],
allow_reuse=True)
L'esempio completo è disponibile da https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb
Nell'esempio seguente viene illustrato come usare l'oggetto AutoMLStep in un Pipelineoggetto .
from azureml.pipeline.core import Pipeline
pipeline = Pipeline(
description="pipeline_with_automlstep",
workspace=ws,
steps=[automl_step])
L'esempio completo è disponibile da https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb
L'esempio precedente mostra un passaggio nella pipeline. Tuttavia, quando si usa AutoMLStep in un flusso di lavoro ml automatizzato reale, si avrà un passaggio di pipeline minimo che esegue la preparazione dei dati prima di AutoMLStep e un altro passaggio della pipeline dopo che registra il modello. Ad esempio di questo tipo di flusso di lavoro, vedere il notebook https://aka.ms/automl-retrain-pipeline.
Per gestire, controllare lo stato e ottenere i dettagli dell'esecuzione della pipeline, usare la AutoMLStepRun classe .
Per altre informazioni su Machine Learning automatizzato in Azure, vedere l'articolo Informazioni su Machine Learning automatizzato? Per altre informazioni sulla configurazione di un esperimento di Machine Learning automatizzato senza usare una pipeline, vedere l'articolo Configurare l'esperimento di ML automatizzato in Python.
Metodi
| create_node |
Creare un nodo da questo passaggio AutoML e aggiungere al grafico specificato. Questo metodo non deve essere usato direttamente. Quando viene creata un'istanza di una pipeline con questo passaggio, Azure ML passa automaticamente i parametri necessari tramite questo metodo in modo che il passaggio possa essere aggiunto a un grafico della pipeline che rappresenta il flusso di lavoro. |
create_node
Creare un nodo da questo passaggio AutoML e aggiungere al grafico specificato.
Questo metodo non deve essere usato direttamente. Quando viene creata un'istanza di una pipeline con questo passaggio, Azure ML passa automaticamente i parametri necessari tramite questo metodo in modo che il passaggio possa essere aggiunto a un grafico della pipeline che rappresenta il flusso di lavoro.
create_node(graph, default_datastore, context)Parametri
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Archivio dati predefinito.
- context
- <xref:azureml.pipeline.core._GraphContext>
Contesto del grafico.
Restituisce
Nodo creato.
Tipo restituito
Attributi
AUTOML_CONFIG_PARAM_NAME
AUTOML_CONFIG_PARAM_NAME = 'AutoMLConfig'DEFAULT_METRIC_PREFIX
DEFAULT_METRIC_PREFIX = 'default_metrics_'DEFAULT_MODEL_PREFIX
DEFAULT_MODEL_PREFIX = 'default_model_'Commenti e suggerimenti
Presto disponibile: Nel corso del 2024 verranno gradualmente disattivati i problemi di GitHub come meccanismo di feedback per il contenuto e ciò verrà sostituito con un nuovo sistema di feedback. Per altre informazioni, vedere https://aka.ms/ContentUserFeedback.
Invia e visualizza il feedback per