Uaktualnianie rozwiązania AutoML do zestawu SDK w wersji 2

  • Artykuł

W zestawie SDK w wersji 2 "eksperymenty" i "przebiegi" są konsolidowane w zadaniach.

W zestawie SDK w wersji 1 rozwiązanie AutoML zostało skonfigurowane i uruchomione przy użyciu AutoMLConfig klasy . W zestawie SDK w wersji 2 ta klasa została przekonwertowana na AutoML zadanie. Chociaż istnieją pewne różnice w opcjach konfiguracji, przez i duże, funkcje nazewnictwa i funkcji zostały zachowane w wersji 2.

W tym artykule przedstawiono porównanie scenariuszy w zestawie SDK w wersji 1 i zestawu SDK w wersji 2.

Przesyłanie przebiegu rozwiązania AutoML

  • Zestaw SDK w wersji 1: Poniżej znajduje się przykładowe zadanie klasyfikacji automatycznego uczenia maszynowego. Aby zapoznać się z całym kodem, zapoznaj się z naszym repozytorium przykładów.

    # 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)

  • Zestaw SDK w wersji 2: Poniżej przedstawiono przykładowe zadanie klasyfikacji automatycznego uczenia maszynowego. Aby zapoznać się z całym kodem, zapoznaj się z naszym repozytorium przykładów.

    # 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

Mapowanie kluczowych funkcji zestawu SDK w wersji 1 i zestawu SDK w wersji 2

Funkcje w zestawie SDK w wersji 1 Przybliżone mapowanie w zestawie SDK w wersji 2
Metoda/interfejs API w zestawie SDK w wersji 1 (użyj linków do dokumentacji ref) Metoda/interfejs API w zestawie SDK w wersji 2 (użyj linków do dokumentacji ref)

Następne kroki

Aby uzyskać więcej informacji, zobacz: