SKLearn Classe

Riferimento

Crea un stimatore per il training negli esperimenti scikit-learn.

DEPRECATO. Usare l'oggetto con un ambiente definito o l'ambiente ScriptRunConfig AzureML-Tutorial curato. Per un'introduzione alla configurazione dell'esperimento SKLearn con ScriptRunConfig, vedere Eseguire il training di modelli scikit-learn su larga scala con Azure Machine Learning.

Questo strumento di stima supporta solo il training della CPU a nodo singolo.

Versioni supportate: 0.20.3

Inizializzare un stimatore Scikit-learn.

Ereditarietà: azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimator

SKLearn

Costruttore

SKLearn(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, use_docker=True, 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, 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)

Parametri

Nome	Descrizione
source_directory Necessario	str Directory locale contenente i file di configurazione dell'esperimento.
compute_target Necessario	AbstractComputeTarget oppure str Destinazione di calcolo in cui si verificherà il training. Può essere un oggetto o la stringa "local".
vm_size Necessario	str Dimensioni della macchina virtuale della destinazione di calcolo che verrà creata per il training. Valori supportati: qualsiasi dimensione della macchina virtuale di Azure.
vm_priority Necessario	str Priorità della macchina virtuale della destinazione di calcolo che verrà creata per il training. Se non specificato, viene usato "dedicato". Valori supportati: 'dedicato' e 'lowpriority'. Ciò ha effetto solo quando l'oggetto viene specificato nell'input `vm_size param` .
entry_script Necessario	str Stringa che rappresenta il percorso relativo del file usato per avviare il training.
script_params Necessario	dict Dizionario degli argomenti della riga di comando da passare allo script di training specificato in `entry_script`.
custom_docker_image Necessario	str Nome dell'immagine Docker da cui verrà compilata l'immagine da usare per il training. In caso contrario, verrà usata un'immagine predefinita basata sulla CPU come immagine di base.
image_registry_details Necessario	ContainerRegistry Dettagli del Registro immagini Docker.
user_managed Necessario	bool Specifica se Azure ML riutilizza un ambiente Python esistente. False significa che AzureML creerà un ambiente Python in base alla specifica delle dipendenze conda.
conda_packages Necessario	list Elenco di stringhe che rappresentano pacchetti conda da aggiungere all'ambiente Python per l'esperimento.
pip_packages Necessario	list Elenco di stringhe che rappresentano i pacchetti pip da aggiungere all'ambiente Python per l'esperimento.
conda_dependencies_file_path Necessario	str Stringa che rappresenta il percorso relativo del file yaml delle dipendenze conda. Se specificato, Azure ML non installerà pacchetti correlati al framework. Questa opzione può essere fornita in combinazione con il `conda_packages` parametro . DEPRECATO. Usare il `conda_dependencies_file` parametro .
pip_requirements_file_path Necessario	str Stringa che rappresenta il percorso relativo del file di testo dei requisiti pip. Questa opzione può essere fornita in combinazione con il `pip_packages` parametro . DEPRECATO. Usare il `pip_requirements_file` parametro .
conda_dependencies_file Necessario	str Stringa che rappresenta il percorso relativo del file yaml delle dipendenze conda. Se specificato, Azure ML non installerà pacchetti correlati al framework. Questa opzione può essere fornita in combinazione con il `conda_packages` parametro .
pip_requirements_file Necessario	str Stringa che rappresenta il percorso relativo del file di testo dei requisiti pip. Questa opzione può essere fornita in combinazione con il `pip_packages` parametro .
environment_variables Necessario	dict Dizionario dei nomi e dei valori delle variabili di ambiente. Queste variabili di ambiente vengono impostate nel processo in cui viene eseguito lo script utente.
environment_definition Necessario	Environment La definizione di ambiente per un esperimento include PythonSection, DockerSection e variabili di ambiente. Qualsiasi opzione di ambiente non esposta direttamente tramite altri parametri alla costruzione di Estimator può essere impostata usando `environment_definition` il parametro . Se questo parametro è specificato, avrà la precedenza su altri parametri correlati all'ambiente, ad esempio `use_gpu`, `custom_docker_image`, `conda_packages`o `pip_packages`. Gli errori verranno segnalati combinazioni non valide.
inputs Necessario	list Elenco di DataReference oggetti da DatasetConsumptionConfig usare come input.
shm_size Necessario	str Dimensioni del blocco di memoria condiviso del contenitore Docker. Se non è impostato, viene usato il azureml.core.environment._DEFAULT_SHM_SIZE predefinito.
resume_from Necessario	DataPath Percorso dati contenente i file di checkpoint o modello da cui riprendere l'esperimento.
max_run_duration_seconds Necessario	int Tempo massimo consentito per l'esecuzione. Azure ML tenterà di annullare automaticamente l'esecuzione se richiede più tempo di questo valore.
framework_version Necessario	str Versione scikit-learn da usare per l'esecuzione del codice di training. `SKLearn.get_supported_versions()` restituisce un elenco delle versioni supportate dall'SDK corrente.
source_directory Necessario	str Directory locale contenente i file di configurazione dell'esperimento.
compute_target Necessario	AbstractComputeTarget oppure str Destinazione di calcolo in cui si verificherà il training. Può essere un oggetto o la stringa "local".
vm_size Necessario	str Dimensioni della macchina virtuale della destinazione di calcolo che verrà creata per il training. Valori supportati: qualsiasi dimensione della macchina virtuale di Azure.
vm_priority Necessario	str Priorità della macchina virtuale della destinazione di calcolo che verrà creata per il training. Se non specificato, viene usato "dedicato". Valori supportati: 'dedicato' e 'lowpriority'. Ciò ha effetto solo quando l'oggetto viene specificato nell'input `vm_size param` .
entry_script Necessario	str Stringa che rappresenta il percorso relativo del file usato per avviare il training.
script_params Necessario	dict Dizionario degli argomenti della riga di comando da passare allo script di training specificato in `entry_script`.
use_docker Necessario	bool Valore bool che indica se l'ambiente da eseguire l'esperimento deve essere basato su Docker.
custom_docker_image Necessario	str Nome dell'immagine Docker da cui verrà compilata l'immagine da usare per il training. In caso contrario, un'immagine basata sulla CPU predefinita verrà usata come immagine di base.
image_registry_details Necessario	ContainerRegistry Dettagli del Registro immagini Docker.
user_managed Necessario	bool Specifica se Azure ML riutilizza un ambiente Python esistente. False significa che AzureML creerà un ambiente Python in base alla specifica delle dipendenze conda.
conda_packages Necessario	list Elenco di stringhe che rappresentano pacchetti conda da aggiungere all'ambiente Python per l'esperimento.
pip_packages Necessario	list Elenco di stringhe che rappresentano i pacchetti pip da aggiungere all'ambiente Python per l'esperimento.
conda_dependencies_file_path Necessario	str Stringa che rappresenta il percorso relativo del file yaml delle dipendenze conda. Se specificato, Azure ML non installerà pacchetti correlati al framework. Questa opzione può essere fornita in combinazione con il `conda_packages` parametro . DEPRECATO. Usare il `conda_dependencies_file` parametro .
pip_requirements_file_path Necessario	str Stringa che rappresenta il percorso relativo del file di testo dei requisiti pip. Questa opzione può essere fornita in combinazione con il `pip_packages` parametro . DEPRECATO. Usare il `pip_requirements_file` parametro .
conda_dependencies_file Necessario	str Stringa che rappresenta il percorso relativo del file yaml delle dipendenze conda. Se specificato, Azure ML non installerà pacchetti correlati al framework. Questa opzione può essere fornita in combinazione con il `conda_packages` parametro .
pip_requirements_file Necessario	str Stringa che rappresenta il percorso relativo del file di testo dei requisiti pip. Questa opzione può essere fornita in combinazione con il `pip_packages` parametro .
environment_variables Necessario	dict Dizionario dei nomi e dei valori delle variabili di ambiente. Queste variabili di ambiente vengono impostate nel processo in cui viene eseguito lo script utente.
environment_definition Necessario	Environment La definizione di ambiente per un esperimento include PythonSection, DockerSection e variabili di ambiente. Qualsiasi opzione di ambiente non esposta direttamente tramite altri parametri alla costruzione di Estimator può essere impostata usando `environment_definition` il parametro . Se questo parametro è specificato, avrà la precedenza su altri parametri correlati all'ambiente, ad esempio `use_gpu`, `custom_docker_image`, `conda_packages`o `pip_packages`. Gli errori verranno segnalati combinazioni non valide.
inputs Necessario	list Elenco di azureml.data.data_reference. Oggetti DataReference da usare come input.
shm_size Necessario	str Dimensioni del blocco di memoria condiviso del contenitore Docker. Se non è impostato, viene usato il azureml.core.environment._DEFAULT_SHM_SIZE predefinito.
resume_from Necessario	DataPath Percorso dati contenente i file di checkpoint o modello da cui riprendere l'esperimento.
max_run_duration_seconds Necessario	int Tempo massimo consentito per l'esecuzione. Azure ML tenterà di annullare automaticamente l'esecuzione se richiede più tempo di questo valore.
framework_version Necessario	str Versione scikit-learn da usare per l'esecuzione del codice di training. `SKLearn.get_supported_versions()` restituisce un elenco delle versioni supportate dall'SDK corrente.
_enable_optimized_mode Necessario	bool Abilitare la compilazione incrementale dell'ambiente con immagini framework predefinite per una preparazione più rapida dell'ambiente. Un'immagine del framework predefinita è basata su immagini predefinite di CPU/GPU di Azure ML con dipendenze del framework preinstallate.
_disable_validation Necessario	bool Disabilitare la convalida dello script prima di eseguire l'invio. Il valore predefinito è True.
_show_lint_warnings Necessario	bool Mostra avvisi di linting dello script. Il valore predefinito è False.
_show_package_warnings Necessario	bool Mostra avvisi di convalida del pacchetto. Il valore predefinito è False.

Commenti

Quando si invia un processo di training, Azure ML esegue lo script in un ambiente conda all'interno di un contenitore Docker. I contenitori SKLearn hanno le dipendenze seguenti installate.

Dipendenze | Scikit-learn 0.20.3 | ———————- | —————– | Python | 3.6.2 | azureml-defaults | Ultima | IntelMpi | 2018.3.222 | scikit-learn | 0.20.3 | numpy | 1.16.2 | miniconda | 4.5.11 | scipy | 1.2.1 | joblib | 0.13.2 | git | 2.7.4 |

Le immagini Docker estendono Ubuntu 16.04.

Se è necessario installare dipendenze aggiuntive, è possibile usare i pip_packages parametri o conda_packages oppure specificare il pip_requirements_file file o conda_dependencies_file . In alternativa, è possibile creare un'immagine personalizzata e passare il custom_docker_image parametro al costruttore di stima.

Attributi

DEFAULT_VERSION

DEFAULT_VERSION = '0.20.3'

FRAMEWORK_NAME

FRAMEWORK_NAME = 'SKLearn'

Condividi tramite