Uaktualnianie rozwiązania AutoML do zestawu SDK w wersji 2
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: