AutoML upgraden naar SDK v2

In SDK v2 worden 'experimenten' en 'runs' samengevoegd in taken.

In SDK v1 is AutoML voornamelijk geconfigureerd en uitgevoerd met behulp van de AutoMLConfig klasse. In SDK v2 is deze klasse geconverteerd naar een AutoML taak. Hoewel er enkele verschillen zijn in de configuratieopties, blijft naamgeving en functionaliteit behouden in V2.

Dit artikel bevat een vergelijking van scenario('s) in SDK v1 en SDK v2.

AutoML-uitvoering verzenden

• SDK v1: Hieronder ziet u een voorbeeld van een AutoML-classificatietaak. Bekijk onze opslagplaats met voorbeelden voor de volledige code.

  # Imports
  
  import azureml.core
  from azureml.core.experiment import Experiment
  from azureml.core.workspace import Workspace
  from azureml.core.dataset import Dataset
  from azureml.train.automl import AutoMLConfig
  from azureml.train.automl.run import AutoMLRun   
  
  # Load tabular dataset
  data = "<url_to_data>"
  dataset = Dataset.Tabular.from_delimited_files(data)
  training_data, validation_data = dataset.random_split(percentage=0.8, seed=223)
  label_column_name = "Class"
  
  # Configure Auto ML settings
  automl_settings = {
      "n_cross_validations": 3,
      "primary_metric": "average_precision_score_weighted",
      "enable_early_stopping": True,
      "max_concurrent_iterations": 2,  
      "experiment_timeout_hours": 0.25,  
      "verbosity": logging.INFO,
  }
  
  # Put together an AutoML job constructor
  automl_config = AutoMLConfig(
      task="classification",
      debug_log="automl_errors.log",
      compute_target=compute_target,
      training_data=training_data,
      label_column_name=label_column_name,
      **automl_settings,
  )
  
  # Submit run
  remote_run = experiment.submit(automl_config, show_output=False)
  azureml_url = remote_run.get_portal_url()
  print(azureml_url)
  

• SDK v2: Hieronder ziet u een voorbeeld van een AutoML-classificatietaak. Bekijk onze opslagplaats met voorbeelden voor de volledige code.

  # Imports
  from azure.ai.ml import automl, Input, MLClient
  
  from azure.ai.ml.constants import AssetTypes
  from azure.ai.ml.automl import (
      classification,
      ClassificationPrimaryMetrics,
      ClassificationModels,
  )
  
  
  # Create MLTables for training dataset
  # Note that AutoML Job can also take in tabular data
  my_training_data_input = Input(
      type=AssetTypes.MLTABLE, path="./data/training-mltable-folder"
  )
  
  # Create the AutoML classification job with the related factory-function.
  classification_job = automl.classification(
      compute="<compute_name>",
      experiment_name="<exp_name?",
      training_data=my_training_data_input,
      target_column_name="<name_of_target_column>",
      primary_metric="accuracy",
      n_cross_validations=5,
      enable_model_explainability=True,
      tags={"my_custom_tag": "My custom value"},
  )
  
  # Limits are all optional
  classification_job.set_limits(
      timeout_minutes=600,
      trial_timeout_minutes=20,
      max_trials=5,
      max_concurrent_trials = 4,
      max_cores_per_trial= 1,
      enable_early_termination=True,
  )
  
  # Training properties are optional
  classification_job.set_training(
      blocked_training_algorithms=["LogisticRegression"],
      enable_onnx_compatible_models=True,
  )
  
  # Submit the AutoML job
  returned_job = ml_client.jobs.create_or_update(classification_job)  
  returned_job
  

Toewijzing van belangrijke functionaliteit in SDK v1 en SDK v2

Functionaliteit in SDK v1	Ruwe toewijzing in SDK v2
Methode/API in SDK v1 (koppelingen naar ref docs gebruiken)	Methode/API in SDK v2 (koppelingen naar ref docs gebruiken)

Volgende stappen

Zie voor meer informatie:

• Een AutoML-model trainen met Python SDKv2