Udostępnij za pośrednictwem


BanditPolicy Klasa

Definiuje zasady wczesnego zakończenia na podstawie kryteriów slack i częstotliwości i interwału opóźnień do oceny.

Dziedziczenie
azure.ai.ml.entities._job.sweep.early_termination_policy.EarlyTerminationPolicy
BanditPolicy

Konstruktor

BanditPolicy(*, delay_evaluation: int = 0, evaluation_interval: int = 0, slack_amount: float = 0, slack_factor: float = 0)

Parametry Tylko słowo kluczowe

Nazwa Opis
delay_evaluation
int

Liczba interwałów, przez które należy opóźnić pierwszą ocenę. Wartość domyślna to 0.

evaluation_interval
int

Interwał (liczba przebiegów) między ocenami zasad. Wartość domyślna to 0.

slack_amount

Bezwzględna odległość dozwolona od najlepszego przebiegu. Wartość domyślna to 0.

slack_factor

Stosunek dozwolonej odległości od najlepszego przebiegu. Wartość domyślna to 0.

Przykłady

Konfigurowanie funkcji BanditPolicy wczesne zakończenie hiperparametru w zadaniu polecenia.


   from azure.ai.ml import command

   job = command(
       inputs=dict(kernel="linear", penalty=1.0),
       compute=cpu_cluster,
       environment=f"{job_env.name}:{job_env.version}",
       code="./scripts",
       command="python scripts/train.py --kernel $kernel --penalty $penalty",
       experiment_name="sklearn-iris-flowers",
   )

   # we can reuse an existing Command Job as a function that we can apply inputs to for the sweep configurations
   from azure.ai.ml.sweep import Uniform

   job_for_sweep = job(
       kernel=Uniform(min_value=0.0005, max_value=0.005),
       penalty=Uniform(min_value=0.9, max_value=0.99),
   )

   from azure.ai.ml.sweep import BanditPolicy

   sweep_job = job_for_sweep.sweep(
       sampling_algorithm="random",
       primary_metric="best_val_acc",
       goal="Maximize",
       max_total_trials=8,
       max_concurrent_trials=4,
       early_termination_policy=BanditPolicy(slack_factor=0.15, evaluation_interval=1, delay_evaluation=10),
   )