Delen via


ScriptRunConfig Klas

Vertegenwoordigt configuratiegegevens voor het verzenden van een trainingsuitvoering in Azure Machine Learning.

Een ScriptRunConfig verpakt de configuratiegegevens die nodig zijn om een uitvoering in Azure ML te verzenden, waaronder het script, het rekendoel, de omgeving en eventuele gedistribueerde taakspecifieke configuraties.

Zodra een script is geconfigureerd en verzonden met de submit, wordt een ScriptRun geretourneerd.

KlasseScriptRunConfig-constructor.

Overname
azureml._logging.chained_identity.ChainedIdentity
ScriptRunConfig

Constructor

ScriptRunConfig(source_directory, script=None, arguments=None, run_config=None, _telemetry_values=None, compute_target=None, environment=None, distributed_job_config=None, resume_from=None, max_run_duration_seconds=2592000, command=None, docker_runtime_config=None)

Parameters

Name Description
source_directory
Vereist
str

Een lokale map met codebestanden die nodig zijn voor een uitvoering.

script
Vereist
str

Het bestandspad ten opzichte van de source_directory van het script dat moet worden uitgevoerd.

arguments
Vereist
list of str

Optionele opdrachtregelargumenten om door te geven aan het trainingsscript. Argumenten worden doorgegeven in paren, bijvoorbeeld ['–arg1', arg1_val, '–arg2', arg2_val].

run_config
Vereist

Optionele uitvoeringsconfiguratie die moet worden gebruikt.

_telemetry_values
Vereist

Alleen intern gebruik.

compute_target
Vereist

Het rekendoel waar de training plaatsvindt. Dit kan een ComputeTarget-object, de naam van een bestaande ComputeTarget of de tekenreeks 'local' zijn. Als er geen rekendoel is opgegeven, wordt uw lokale computer gebruikt.

environment
Vereist

De omgeving die moet worden gebruikt voor de uitvoering. Als er geen omgeving is opgegeven, wordt azureml.core.runconfig.DEFAULT_CPU_IMAGE gebruikt als de Docker-installatiekopieën voor de uitvoering.

distributed_job_config
Vereist

Voor taken waarvoor aanvullende gedistribueerde taakspecifieke configuraties zijn vereist.

resume_from
Vereist

Het DataPath met het controlepunt of de modelbestanden van waaruit het experiment moet worden hervat.

max_run_duration_seconds
Vereist

De maximaal toegestane tijd voor de uitvoering. Het systeem probeert de uitvoering automatisch te annuleren als deze langer duurde dan deze waarde. :type max_run_duration_seconds: int

command
Vereist
list[str] of str

De opdracht die moet worden verzonden voor de uitvoering. De opdrachteigenschap kan ook worden gebruikt in plaats van script/argumenten. Zowel opdracht- als script-/argumenteigenschappen kunnen niet samen worden gebruikt om een uitvoering te verzenden. Een scriptbestand verzenden met behulp van de opdrachteigenschap - ['python', 'train.py', '–arg1', arg1_val] Om een werkelijke opdracht uit te voeren - ['ls']

docker_runtime_config
Vereist

Voor taken waarvoor docker runtime-specifieke configuraties zijn vereist.

source_directory
Vereist
str

Een lokale map met codebestanden die nodig zijn voor een uitvoering.

script
Vereist
str

Het bestandspad ten opzichte van de source_directory van het script dat moet worden uitgevoerd.

arguments
Vereist

Optionele opdrachtregelargumenten om door te geven aan het trainingsscript. Argumenten worden doorgegeven in paren, bijvoorbeeld ['–arg1', arg1_val, '–arg2', arg2_val].

run_config
Vereist

Optionele uitvoeringsconfiguratie die moet worden gebruikt.

_telemetry_values
Vereist

Alleen intern gebruik.

compute_target
Vereist

Het rekendoel waar de training plaatsvindt. Dit kan een ComputeTarget-object, de naam van een bestaande ComputeTarget of de tekenreeks 'local' zijn. Als er geen rekendoel is opgegeven, wordt uw lokale computer gebruikt.

environment
Vereist

De omgeving die moet worden gebruikt voor de uitvoering. Als er geen omgeving is opgegeven, wordt azureml.core.runconfig.DEFAULT_CPU_IMAGE gebruikt als de Docker-installatiekopieën voor de uitvoering.

distributed_job_config
Vereist

Voor taken waarvoor aanvullende gedistribueerde taakspecifieke configuraties zijn vereist.

resume_from
Vereist

Het DataPath met het controlepunt of de modelbestanden van waaruit het experiment moet worden hervat.

max_run_duration_seconds
Vereist
int

De maximaal toegestane tijd voor de uitvoering. Het systeem probeert de uitvoering automatisch te annuleren als deze langer duurde dan deze waarde.

command
Vereist
list[str] of str

De opdracht die moet worden verzonden voor de uitvoering. De opdrachteigenschap kan ook worden gebruikt in plaats van script/argumenten. Zowel opdracht- als script-/argumenteigenschappen kunnen niet samen worden gebruikt om een uitvoering te verzenden. Een scriptbestand verzenden met behulp van de opdrachteigenschap - ['python', 'train.py', '–arg1', arg1_val] Om een werkelijke opdracht uit te voeren - ['ls']

docker_runtime_config
Vereist

Voor taken waarvoor docker runtime-specifieke configuraties zijn vereist.

Opmerkingen

De Azure Machine Learning SDK biedt u een reeks onderling verbonden klassen, die zijn ontworpen om u te helpen bij het trainen en vergelijken van machine learning-modellen die zijn gerelateerd aan het gedeelde probleem dat ze oplossen.

Een Experiment fungeert als een logische container voor deze trainingsuitvoeringen. Een ScriptRunConfig-object wordt gebruikt om de informatie te configureren die nodig is voor het verzenden van een trainingsuitvoering als onderdeel van een experiment. Wanneer een uitvoering wordt verzonden met behulp van een ScriptRunConfig-object, retourneert de verzendmethode een object van het type ScriptRun. Vervolgens geretourneerd ScriptRun-object geeft u programmatische toegang tot informatie over de trainingsuitvoering. ScriptRun is een onderliggende klasse van Run.

Het belangrijkste concept om te onthouden is dat er verschillende configuratieobjecten zijn die worden gebruikt om een experiment te verzenden, op basis van het type uitvoering dat u wilt activeren. Het type van het configuratieobject informeert vervolgens welke onderliggende klasse van Uitvoeren u terugkrijgt van de verzendmethode. Wanneer u een ScriptRunConfig-object doorgeeft in een aanroep van de methode submit van Experiment, krijgt u een ScriptRun-object terug. Voorbeelden van andere geretourneerde uitvoeringsobjecten zijn AutoMLRun (geretourneerd voor een AutoML-uitvoering) en PipelineRun (geretourneerd voor een pijplijnuitvoering).

In het volgende voorbeeld ziet u hoe u een trainingsscript verzendt op uw lokale computer.


   from azureml.core import ScriptRunConfig, Experiment

   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            script='train.py',
                            arguments=['--arg1', arg1_val, '--arg2', arg2_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

In het volgende voorbeeld ziet u hoe u een trainingsscript in uw cluster verzendt met behulp van de opdrachteigenschap in plaats van script en argumenten.


   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['python', 'train.py', '--arg1', arg1_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

In het volgende voorbeeld ziet u hoe u een opdracht uitvoert in uw cluster.


   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['ls', '-l'],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Zie voor meer voorbeelden over het werken met ScriptRunConfig:

Kenmerken

MAX_DURATION_SECONDS_DEFAULT

MAX_DURATION_SECONDS_DEFAULT = 2592000