Run Klasa

Definiuje klasę bazową dla wszystkich przebiegów eksperymentów usługi Azure Machine Learning.

Przebieg reprezentuje pojedynczą wersję próbną eksperymentu. Uruchomienia służą do monitorowania asynchronicznego wykonywania wersji próbnej, metryk dzienników i przechowywania danych wyjściowych wersji próbnej oraz analizowania wyników i uzyskiwania dostępu do artefaktów generowanych przez wersję próbną.

Obiekty uruchamiania są tworzone podczas przesyłania skryptu do trenowania modelu w wielu różnych scenariuszach w usłudze Azure Machine Learning, w tym przebiegów usługi HyperDrive, przebiegów potoków i przebiegów rozwiązania AutoML. Obiekt Run jest również tworzony podczas lub submit start_logging z klasą Experiment .

Aby rozpocząć pracę z eksperymentami i przebiegami, zobacz

Zainicjuj obiekt Run.

Konstruktor

Run(experiment, run_id, outputs=None, **kwargs)

Parametry

Nazwa	Opis
experiment Wymagane	Experiment Zawierający eksperyment.
run_id Wymagane	str Identyfikator przebiegu.
outputs	str Dane wyjściowe do śledzenia. Domyślna wartość: None
_run_dto Wymagane	<xref:azureml._restclient.models.run_dto.RunDto> Tylko do użytku wewnętrznego.
kwargs Wymagane	dict Słownik dodatkowych parametrów konfiguracji.
experiment Wymagane	Experiment Zawierający eksperyment.
run_id Wymagane	str Identyfikator przebiegu.
outputs Wymagane	str Dane wyjściowe do śledzenia.
kwargs Wymagane	dict Słownik dodatkowych parametrów konfiguracji.

Uwagi

Przebieg reprezentuje pojedynczą wersję próbną eksperymentu. Obiekt Run służy do monitorowania asynchronicznego wykonywania wersji próbnej, metryk dzienników i przechowywania danych wyjściowych wersji próbnej oraz analizowania wyników i uzyskiwania dostępu do artefaktów generowanych przez wersję próbną.

Uruchamianie jest używane wewnątrz kodu eksperymentowania w celu rejestrowania metryk i artefaktów w usłudze Historia uruchamiania.

Uruchamianie jest używane poza eksperymentami w celu monitorowania postępu oraz wykonywania zapytań i analizowania wygenerowanych metryk i wyników.

Funkcje uruchamiania obejmują:

Przechowywanie i pobieranie metryk i danych
Przekazywanie i pobieranie plików
Używanie tagów oraz hierarchii podrzędnej w celu łatwego wyszukiwania poprzednich przebiegów
Rejestrowanie przechowywanych plików modelu jako modelu, który można zoperacjonalizować
Przechowywanie, modyfikowanie i pobieranie właściwości przebiegu
Ładowanie bieżącego przebiegu ze środowiska zdalnego przy użyciu get_context metody
Efektywne tworzenie migawek pliku lub katalogu w celu odtworzenia

Ta klasa działa w Experiment następujących scenariuszach:

Tworzenie przebiegu przez wykonywanie kodu przy użyciu polecenia submit
Tworzenie przebiegu interakcyjnego w notesie przy użyciu polecenia start_logging
Rejestrowanie metryk i przekazywanie artefaktów w eksperymencie, na przykład podczas korzystania z log
Odczytywanie metryk i pobieranie artefaktów podczas analizowania wyników eksperymentalnych, takich jak podczas korzystania z get_metrics

Aby przesłać przebieg, utwórz obiekt konfiguracji opisujący sposób uruchamiania eksperymentu. Oto przykłady różnych obiektów konfiguracji, których można użyć:

ScriptRunConfig
azureml.train.automl.automlconfig.AutoMLConfig
azureml.train.hyperdrive.HyperDriveConfig
azureml.pipeline.core.Pipeline
azureml.pipeline.core.PublishedPipeline
azureml.pipeline.core.PipelineEndpoint

Następujące metryki można dodać do przebiegu podczas trenowania eksperymentu.

Skalar
- Zarejestruj wartość liczbową lub ciągową w przebiegu przy użyciu podanej nazwy przy użyciu polecenia log. Rejestrowanie metryki w przebiegu powoduje, że metryka jest przechowywana w rekordzie przebiegu w eksperymencie. Tę samą metrykę można rejestrować wiele razy w ramach przebiegu. Wynik jest traktowany jako wektor tej metryki.
- Przykład: run.log("accuracy", 0.95)
Lista
- Zarejestruj listę wartości do przebiegu przy użyciu podanej nazwy przy użyciu polecenia log_list.
- Przykład: run.log_list("accuracies", [0.6, 0.7, 0.87])
Szereg
- Użycie polecenia log_row tworzy metrykę z wieloma kolumnami zgodnie z opisem w temacie kwargs. Każdy nazwany parametr generuje kolumnę z określoną wartością. log_row Można wywołać raz, aby zarejestrować dowolną krotkę lub wiele razy w pętli w celu wygenerowania pełnej tabeli.
- Przykład: run.log_row("Y over X", x=1, y=0.4)
Tabela
- Zarejestruj obiekt słownika w uruchomieniu przy użyciu podanej nazwy przy użyciu polecenia log_table.
- Przykład: run.log_table("Y over X", {"x":[1, 2, 3], "y":[0.6, 0.7, 0.89]})
Obraz
- Rejestrowanie obrazu w rekordzie uruchamiania. Służy log_image do rejestrowania pliku obrazu lub wykresu matplotlib do uruchomienia. Te obrazy będą widoczne i porównywalne w rekordzie przebiegu.
- Przykład: run.log_image("ROC", path)

Metody

add_properties	Dodaj niezmienne właściwości do przebiegu. Tagi i właściwości (zarówno dict[str, str]) różnią się w zależności od ich niezmienności. Właściwości są niezmienne, dlatego tworzą trwały rekord na potrzeby inspekcji. Tagi są modyfikowalne. Aby uzyskać więcej informacji na temat pracy z tagami i właściwościami, zobacz Tagowanie i znajdowanie przebiegów.
add_type_provider	Punkt zaczepienia rozszerzalności dla niestandardowych typów uruchomień przechowywanych w historii uruchamiania.
cancel	Oznacz przebieg jako anulowany. Jeśli istnieje skojarzone zadanie z ustawionym polem cancel_uri, zakończ to zadanie.
child_run	Utwórz uruchomienie podrzędne.
clean	Usuń pliki odpowiadające bieżącemu uruchomieniu w elemencie docelowym określonym w konfiguracji przebiegu.
complete	Poczekaj na przetworzenie kolejki zadań. Następnie przebieg jest oznaczony jako ukończony. Jest to zwykle używane w scenariuszach notesu interaktywnego.
create_children	Utwórz jedno lub wiele przebiegów podrzędnych.
download_file	Pobierz skojarzony plik z magazynu.
download_files	Pobierz pliki z danego prefiksu magazynu (nazwy folderu) lub całego kontenera, jeśli prefiks jest nieokreślony.
fail	Oznacz przebieg jako niepowodzenie. Opcjonalnie ustaw właściwość Error przebiegu z komunikatem lub wyjątkiem przekazanym do `error_details`.
flush	Poczekaj na przetworzenie kolejki zadań.
get	Pobierz przebieg dla tego obszaru roboczego z jego identyfikatorem uruchomienia.
get_all_logs	Pobierz wszystkie dzienniki przebiegu do katalogu.
get_children	Pobierz wszystkie elementy podrzędne dla bieżącego przebiegu wybranego przez określone filtry.
get_context	Zwraca bieżący kontekst usługi. Użyj tej metody, aby pobrać bieżący kontekst usługi na potrzeby rejestrowania metryk i przekazywania plików. Jeśli `allow_offline` ma wartość True (wartość domyślna), akcje względem obiektu Run zostaną wydrukowane zgodnie ze standardem.
get_detailed_status	Pobierz najnowszy stan przebiegu. Jeśli stan przebiegu to "Queued", zostaną wyświetlone szczegóły.
get_details	Pobierz definicję, informacje o stanie, bieżące pliki dziennika i inne szczegóły przebiegu.
get_details_with_logs	Zwraca stan uruchomienia, w tym zawartość pliku dziennika.
get_environment	Pobierz definicję środowiska, która została użyta przez ten przebieg.
get_file_names	Wyświetl listę plików przechowywanych w skojarzeniu z przebiegiem.
get_metrics	Pobierz zarejestrowane metryki do przebiegu. Jeśli `recursive` ma wartość True (fałsz domyślnie), pobierz metryki dla przebiegów w poddrzewie danego przebiegu.
get_properties	Pobierz najnowsze właściwości przebiegu z usługi.
get_secret	Pobierz wartość wpisu tajnego z kontekstu przebiegu. Pobierz wartość wpisu tajnego dla podanej nazwy. Nazwa wpisu tajnego odwołuje się do wartości przechowywanej w usłudze Azure Key Vault skojarzonej z obszarem roboczym. Aby zapoznać się z przykładem pracy z wpisami tajnymi, zobacz Używanie wpisów tajnych w przebiegach szkoleniowych.
get_secrets	Pobierz wartości wpisów tajnych dla danej listy nazw wpisów tajnych. Pobierz słownik znalezionych i nie odnalezionych wpisów tajnych dla podanej listy nazw. Każda nazwa wpisu tajnego odwołuje się do wartości przechowywanej w usłudze Azure Key Vault skojarzonej z obszarem roboczym. Aby zapoznać się z przykładem pracy z wpisami tajnymi, zobacz Używanie wpisów tajnych w przebiegach szkoleniowych.
get_snapshot_id	Pobierz najnowszy identyfikator migawki.
get_status	Pobierz najnowszy stan przebiegu. Zwracane typowe wartości to "Running", "Completed" i "Failed".
get_submitted_run	PRZESTARZAŁE. Użyj get_context. Pobierz przesłany przebieg dla tego eksperymentu.
get_tags	Pobierz najnowszy zestaw tagów modyfikowalnych w przebiegu z usługi.
list	Pobierz listę przebiegów w eksperymencie określonym przez opcjonalne filtry.
list_by_compute	Pobierz listę przebiegów w obliczeniach określonych przez opcjonalne filtry.
log	Zarejestruj wartość metryki do przebiegu o podanej nazwie.
log_accuracy_table	Rejestrowanie tabeli dokładności w magazynie artefaktów. Metryka tabeli dokładności to metryka wielostosowana, nieskalowana, która może służyć do tworzenia wielu typów wykresów liniowych, które zmieniają się w sposób ciągły w przestrzeni przewidywanych prawdopodobieństwa. Przykładami tych wykresów są krzywe ROC, kompletność precyzji i podnoszenie. Obliczenie tabeli dokładności jest podobne do obliczania krzywej ROC. Krzywa ROC przechowuje rzeczywiste dodatnie wskaźniki i fałszywie dodatnie wskaźniki przy wielu różnych progach prawdopodobieństwa. Tabela dokładności przechowuje nieprzetworzone liczby wyników prawdziwie dodatnich, wyników fałszywie dodatnich, prawdziwie ujemnych i fałszywie ujemnych przy wielu progach prawdopodobieństwa. Istnieją dwie metody służące do wybierania progów: "prawdopodobieństwo" i "percentyl". Różnią się one sposobem próbkowania od przestrzeni przewidywanych prawdopodobieństwa. Progi prawdopodobieństwa są równomiernie rozmieszczone progi z zakresu od 0 do 1. Jeśli NUM_POINTS wynosi 5, progi prawdopodobieństwa to [0,0, 0,25, 0,5, 0,75, 1,0]. Progi percentylu są rozmieszczone zgodnie z rozkładem przewidywanych prawdopodobieństwa. Każdy próg odpowiada percentylowi danych z progiem prawdopodobieństwa. Jeśli na przykład NUM_POINTS wynosi 5, pierwszy próg będzie wynosić 0 percentyl, drugi na 25. percentyl, trzeci na 50. i tak dalej. Tabele prawdopodobieństwa i tabele percentylu są zarówno listami 3D, gdzie pierwszy wymiar reprezentuje etykietę klasy, drugi wymiar reprezentuje próbkę na jednym progu (skale z NUM_POINTS), a trzeci wymiar zawsze ma 4 wartości: TP, FP, TN, FN i zawsze w tej kolejności. Wartości pomyłek (TP, FP, TN, FN) są obliczane przy użyciu strategii jeden vs rest. Aby uzyskać więcej informacji, zobacz następujący link: https://en.wikipedia.org/wiki/Multiclass_classification N = liczba próbek w zestawie danych weryfikacji (na przykład 200) M = # progi = # próbki pobrane z przestrzeni prawdopodobieństwa (5 na przykład) C = # klasy w pełnym zestawie danych (3 w przykładzie) Niektóre niezmienne wartości tabeli dokładności: TP + FP + TN + FN = N dla wszystkich progów dla wszystkich klas Moduł TP + FN jest taki sam dla wszystkich progów dla dowolnej klasy TN + FP jest taka sama we wszystkich progach dla każdej klasy Tabele prawdopodobieństwa i tabele percentylu mają kształt [C, M, 4] Uwaga: język M może być dowolną wartością i kontroluje rozdzielczość wykresów Jest to niezależne od zestawu danych, jest definiowane podczas obliczania metryk i zajmuje się miejscem do magazynowania, czasem obliczeń i rozdzielczością. Etykiety klas powinny być ciągami, wartości pomyłek powinny być liczbami całkowitymi, a progi powinny być zmiennoprzecinkowe.
log_confusion_matrix	Rejestrowanie macierzy pomyłek w magazynie artefaktów. Spowoduje to dziennik otoki wokół macierzy pomyłek sklearn. Dane metryk zawierają etykiety klas i listę 2D dla samej macierzy. Aby uzyskać więcej informacji na temat sposobu obliczania metryki, zobacz następujący link: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html
log_image	Rejestrowanie metryki obrazu w rekordzie przebiegu.
log_list	Zarejestruj listę wartości metryk do przebiegu o podanej nazwie.
log_predictions	Rejestrowanie przewidywań w magazynie artefaktów. Spowoduje to dziennik oceny metryki, która może służyć do porównywania rozkładów rzeczywistych wartości docelowych z rozkładem przewidywanych wartości dla zadania regresji. Przewidywania są binned, a odchylenia standardowe są obliczane dla słupków błędów na wykresie liniowym.
log_residuals	Rejestruje reszty w magazynie artefaktów. Rejestruje dane potrzebne do wyświetlenia histogramu reszt dla zadania regresji. Reszty są przewidywane — rzeczywiste. Powinna istnieć jedna krawędź więcej niż liczba liczb. Zapoznaj się z dokumentacją histogramu numpy, aby zapoznać się z przykładami użycia liczb i krawędzi do reprezentowania histogramu. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html
log_row	Zarejestruj metrykę wiersza do przebiegu o podanej nazwie.
log_table	Rejestrowanie metryki tabeli w przebiegu przy użyciu podanej nazwy.
register_model	Rejestrowanie modelu na potrzeby operacji.
remove_tags	Usuń listę tagów modyfikowalnych w tym przebiegu.
restore_snapshot	Przywróć migawkę jako plik ZIP. Zwraca ścieżkę do pliku ZIP.
set_tags	Dodaj lub zmodyfikuj zestaw tagów w przebiegu. Tagi, które nie zostały przekazane w słowniku, pozostają nienaruszone. Możesz również dodać proste tagi ciągów. Gdy te tagi są wyświetlane w słowniku tagów jako klucze, mają wartość None. Aby uzyskać więcej informacji, zobacz Tag i znajdź uruchomienia.
start	Oznacz przebieg jako uruchomiony. Jest to zwykle używane w zaawansowanych scenariuszach, gdy przebieg został utworzony przez innego aktora.
submit_child	Prześlij eksperyment i zwróć aktywne uruchomienie podrzędne.
tag	Tagowanie przebiegu przy użyciu klucza ciągu i opcjonalnej wartości ciągu.
take_snapshot	Zapisz migawkę pliku wejściowego lub folderu.
upload_file	Przekaż plik do rekordu przebiegu.
upload_files	Przekaż pliki do rekordu przebiegu.
upload_folder	Przekaż określony folder do podanej nazwy prefiksu.
wait_for_completion	Poczekaj na ukończenie tego przebiegu. Zwraca obiekt stanu po oczekiwaniu.

add_properties

Dodaj niezmienne właściwości do przebiegu.

Tagi i właściwości (zarówno dict[str, str]) różnią się w zależności od ich niezmienności. Właściwości są niezmienne, dlatego tworzą trwały rekord na potrzeby inspekcji. Tagi są modyfikowalne. Aby uzyskać więcej informacji na temat pracy z tagami i właściwościami, zobacz Tagowanie i znajdowanie przebiegów.

add_properties(properties)

Parametry

Nazwa	Opis
properties Wymagane	dict Ukryte właściwości przechowywane w obiekcie run.

add_type_provider

Punkt zaczepienia rozszerzalności dla niestandardowych typów uruchomień przechowywanych w historii uruchamiania.

static add_type_provider(runtype, run_factory)

Parametry

Nazwa	Opis
runtype Wymagane	str Wartość Run.type, dla której zostanie wywołana fabryka. Przykłady obejmują "hyperdrive" lub "azureml.scriptrun", ale można je rozszerzyć przy użyciu typów niestandardowych.
run_factory Wymagane	<xref:function> Funkcja z podpisem (Experiment, RunDto) —> przebieg, który ma być wywoływany podczas wyświetlania listy przebiegów.

cancel

Oznacz przebieg jako anulowany.

Jeśli istnieje skojarzone zadanie z ustawionym polem cancel_uri, zakończ to zadanie.

cancel()

child_run

Utwórz uruchomienie podrzędne.

child_run(name=None, run_id=None, outputs=None)

Parametry

Nazwa	Opis
name	str Opcjonalna nazwa przebiegu podrzędnego, zazwyczaj określona dla "części". Domyślna wartość: None
run_id	str Opcjonalny identyfikator uruchomienia dla elementu podrzędnego, w przeciwnym razie jest generowany automatycznie. Zazwyczaj ten parametr nie jest ustawiony. Domyślna wartość: None
outputs	str Opcjonalny katalog wyjściowy do śledzenia dla elementu podrzędnego. Domyślna wartość: None

Zwraca

Typ	Opis
Run	Uruchomienie podrzędne.

Uwagi

Służy to do izolowania części przebiegu w podsekcji. Można to zrobić w przypadku możliwych do zidentyfikowania "części" przebiegu, które są interesujące dla oddzielenia, lub przechwycenia niezależnych metryk między interacją podprocesu.

Jeśli dla podrzędnego uruchomienia zostanie ustawiony katalog wyjściowy, zawartość tego katalogu zostanie przekazana do podrzędnego rekordu przebiegu po zakończeniu działania podrzędnego.

clean

Usuń pliki odpowiadające bieżącemu uruchomieniu w elemencie docelowym określonym w konfiguracji przebiegu.

clean()

Zwraca

Typ	Opis
list	Lista usuniętych plików.

complete

Poczekaj na przetworzenie kolejki zadań.

Następnie przebieg jest oznaczony jako ukończony. Jest to zwykle używane w scenariuszach notesu interaktywnego.

complete(_set_status=True)

Parametry

Nazwa	Opis
_set_status	bool Wskazuje, czy zdarzenie stanu ma być wysyłane do śledzenia. Domyślna wartość: True

create_children

Utwórz jedno lub wiele przebiegów podrzędnych.

create_children(count=None, tag_key=None, tag_values=None)

Parametry

Nazwa	Opis
count	int Opcjonalna liczba elementów podrzędnych do utworzenia. Domyślna wartość: None
tag_key	str Opcjonalny klucz do wypełnienia wpisu Tagi we wszystkich utworzonych elementach podrzędnych. Domyślna wartość: None
tag_Values Wymagane	Opcjonalna lista wartości, które będą mapować na tagi[tag_key] dla listy utworzonych przebiegów.
tag_values	Domyślna wartość: None

Zwraca

Typ	Opis
list[Run]	Lista przebiegów podrzędnych.

Uwagi

Należy określić parametr count LUB parametry tag_key AND tag_values .

download_file

Pobierz skojarzony plik z magazynu.

download_file(name, output_file_path=None, _validate_checksum=False)

Parametry

Nazwa	Opis
name Wymagane	str Nazwa artefaktu do pobrania.
output_file_path Wymagane	str Ścieżka lokalna, w której ma być przechowywany artefakt.

download_files

Pobierz pliki z danego prefiksu magazynu (nazwy folderu) lub całego kontenera, jeśli prefiks jest nieokreślony.

download_files(prefix=None, output_directory=None, output_paths=None, batch_size=100, append_prefix=True, timeout_seconds=None)

Parametry

Nazwa	Opis
prefix Wymagane	str Prefiks ścieżki plików w kontenerze, z którego mają być pobierane wszystkie artefakty.
output_directory Wymagane	str Opcjonalny katalog, którego wszystkie ścieżki artefaktów używają jako prefiksu.
output_paths Wymagane	[str] Opcjonalne ścieżki plików, w których mają być przechowywane pobrane artefakty. Powinna być unikatowa i dopasować długość ścieżek.
batch_size Wymagane	int Liczba plików do pobrania na partię. Wartość domyślna to 100 plików.
append_prefix Wymagane	bool Opcjonalna flaga dołączania określonego prefiksu ze końcowej ścieżki pliku wyjściowego. Jeśli wartość False, prefiks zostanie usunięty ze ścieżki pliku wyjściowego.
timeout_seconds Wymagane	int Limit czasu pobierania plików.

fail

Oznacz przebieg jako niepowodzenie.

Opcjonalnie ustaw właściwość Error przebiegu z komunikatem lub wyjątkiem przekazanym do error_details.

fail(error_details=None, error_code=None, _set_status=True)

Parametry

Nazwa	Opis
error_details	str lub BaseException Opcjonalne szczegóły błędu. Domyślna wartość: None
error_code	str Opcjonalny kod błędu dla klasyfikacji błędów. Domyślna wartość: None
_set_status	bool Wskazuje, czy zdarzenie stanu ma być wysyłane do śledzenia. Domyślna wartość: True

flush

Poczekaj na przetworzenie kolejki zadań.

flush(timeout_seconds=300)

Parametry

Nazwa	Opis
timeout_seconds	int Czas oczekiwania (w sekundach) na przetworzenie kolejki zadań. Domyślna wartość: 300

get

Pobierz przebieg dla tego obszaru roboczego z jego identyfikatorem uruchomienia.

static get(workspace, run_id)

Parametry

Nazwa	Opis
workspace Wymagane	Workspace Zawierający obszar roboczy.
run_id Wymagane	string Identyfikator przebiegu.

Zwraca

Typ	Opis
Run	Przesłany przebieg.

get_all_logs

Pobierz wszystkie dzienniki przebiegu do katalogu.

get_all_logs(destination=None)

Parametry

Nazwa	Opis
destination	str Ścieżka docelowa do przechowywania dzienników. Jeśli nie określono, w katalogu projektu zostanie utworzony katalog o nazwie jako identyfikator uruchomienia. Domyślna wartość: None

Zwraca

Typ	Opis
list	Lista nazw pobranych dzienników.

get_children

Pobierz wszystkie elementy podrzędne dla bieżącego przebiegu wybranego przez określone filtry.

get_children(recursive=False, tags=None, properties=None, type=None, status=None, _rehydrate_runs=True)

Parametry

Nazwa	Opis
recursive	bool Wskazuje, czy cyklicznie przechodzić przez wszystkie elementy potomne. Domyślna wartość: False
tags	str lub dict Jeśli zostanie określony, zwraca przebiegi pasujące do określonego "tagu" lub {"tag": "value"}. Domyślna wartość: None
properties	str lub dict Jeśli zostanie określony, funkcja zwraca przebiegi zgodne z określoną właściwością lub {"property": "value"}. Domyślna wartość: None
type	str Jeśli zostanie określony, zwraca przebiegi pasujące do tego typu. Domyślna wartość: None
status	str Jeśli zostanie określony, zwraca przebiegi ze stanem określonym jako "status". Domyślna wartość: None
_rehydrate_runs	bool Wskazuje, czy utworzyć wystąpienie przebiegu oryginalnego typu, czy podstawowego przebiegu. Domyślna wartość: True

Zwraca

Typ	Opis
list	Lista Run obiektów.

get_context

Zwraca bieżący kontekst usługi.

Użyj tej metody, aby pobrać bieżący kontekst usługi na potrzeby rejestrowania metryk i przekazywania plików. Jeśli allow_offline ma wartość True (wartość domyślna), akcje względem obiektu Run zostaną wydrukowane zgodnie ze standardem.

get_context(allow_offline=True, used_for_context_manager=False, **kwargs)

Parametry

Nazwa	Opis
cls Wymagane	Wskazuje metodę klasy.
allow_offline	bool Zezwól kontekstowi usługi na powrót do trybu offline, aby skrypt trenowania mógł być testowany lokalnie bez przesyłania zadania za pomocą zestawu SDK. Wartość true domyślnie. Domyślna wartość: True
kwargs Wymagane	dict Słownik dodatkowych parametrów.
used_for_context_manager	Domyślna wartość: False

Zwraca

Typ	Opis
Run	Przesłany przebieg.

Uwagi

Ta funkcja jest często używana do pobierania uwierzytelnionego obiektu Run wewnątrz skryptu, który ma zostać przesłany do wykonania za pośrednictwem pliku experiment.submit(). Ten obiekt przebiegu jest zarówno kontekstem uwierzytelnianym do komunikowania się z usługami Azure Machine Learning, jak i kontenerem koncepcyjnym, w którym znajdują się metryki, pliki (artefakty) i modele.


   run = Run.get_context() # allow_offline=True by default, so can be run locally as well
   ...
   run.log("Accuracy", 0.98)
   run.log_row("Performance", epoch=e, error=err)

get_detailed_status

Pobierz najnowszy stan przebiegu. Jeśli stan przebiegu to "Queued", zostaną wyświetlone szczegóły.

get_detailed_status()

Zwraca

Typ	Opis
dict[str, str]	Najnowszy stan i szczegóły

Uwagi

status: bieżący stan przebiegu. Taka sama wartość jak zwrócona z get_status().
szczegóły: szczegółowe informacje dotyczące bieżącego stanu.


   run = experiment.submit(config)
   details = run.get_detailed_status()
   # details = {
   #     'status': 'Queued',
   #     'details': 'Run requested 1 node(s). Run is in pending status.',
   # }

get_details

Pobierz definicję, informacje o stanie, bieżące pliki dziennika i inne szczegóły przebiegu.

get_details()

Zwraca

Typ	Opis
dict[str, str]	Zwróć szczegóły przebiegu

Uwagi

Zwrócony słownik zawiera następujące pary klucz-wartość:

runId: identyfikator tego przebiegu.
cel
status: bieżący stan przebiegu. Taka sama wartość jak zwrócona z get_status().
startTimeUtc: czas UTC rozpoczęcia tego przebiegu w ISO8601.
endTimeUtc: czas UTC zakończenia tego przebiegu (Ukończono lub Niepowodzenie) w ISO8601.

Ten klucz nie istnieje, jeśli przebieg jest nadal w toku.
properties: Niezmienne pary klucz-wartość skojarzone z uruchomieniem. Właściwości domyślne obejmują identyfikator migawki przebiegu i informacje o repozytorium git, z którego utworzono przebieg (jeśli istnieje). Do przebiegu można dodać dodatkowe właściwości przy użyciu polecenia add_properties.
inputDatasets: wejściowe zestawy danych skojarzone z uruchomieniem.
outputDatasets: wyjściowe zestawy danych skojarzone z uruchomieniem.
logFiles
przesłane przez


   run = experiment.start_logging()

   details = run.get_details()
   # details = {
   #     'runId': '5c24aa28-6e4a-4572-96a0-fb522d26fe2d',
   #     'target': 'sdk',
   #     'status': 'Running',
   #     'startTimeUtc': '2019-01-01T13:08:01.713777Z',
   #     'endTimeUtc': '2019-01-01T17:15:65.986253Z',
   #     'properties': {
   #         'azureml.git.repository_uri': 'https://example.com/my/git/repo',
   #         'azureml.git.branch': 'master',
   #         'azureml.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'azureml.git.dirty': 'True',
   #         'mlflow.source.git.repoURL': 'https://example.com/my/git/repo',
   #         'mlflow.source.git.branch': 'master',
   #         'mlflow.source.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'ContentSnapshotId': 'b4689489-ce2f-4db5-b6d7-6ad11e77079c'
   #     },
   #     'inputDatasets': [{
   #         'dataset': {'id': 'cdebf245-701d-4a68-8055-41f9cf44f298'},
   #         'consumptionDetails': {
   #             'type': 'RunInput',
   #             'inputName': 'training-data',
   #             'mechanism': 'Mount',
   #             'pathOnCompute': '/mnt/datasets/train'
   #         }
   #     }],
   #     'outputDatasets': [{
   #         'dataset': {'id': 'd04e8a19-1caa-4b1f-b318-4cbff9af9615'},
   #         'outputType': 'RunOutput',
   #         'outputDetails': {
   #             'outputName': 'training-result'
   #         }
   #     }],
   #     'runDefinition': {},
   #     'logFiles': {},
   #     'submittedBy': 'Alan Turing'
   # }

get_details_with_logs

Zwraca stan uruchomienia, w tym zawartość pliku dziennika.

get_details_with_logs()

Zwraca

Typ	Opis
dict	Zwraca stan przebiegu z zawartością pliku dziennika.

get_environment

Pobierz definicję środowiska, która została użyta przez ten przebieg.

get_environment()

Zwraca

Typ	Opis
Environment	Zwróć obiekt środowiska.

get_file_names

Wyświetl listę plików przechowywanych w skojarzeniu z przebiegiem.

get_file_names()

Zwraca

Typ	Opis
list[str]	Lista ścieżek dla istniejących artefaktów

get_metrics

Pobierz zarejestrowane metryki do przebiegu.

Jeśli recursive ma wartość True (fałsz domyślnie), pobierz metryki dla przebiegów w poddrzewie danego przebiegu.

get_metrics(name=None, recursive=False, run_type=None, populate=False)

Parametry

Nazwa	Opis
name	str Nazwa metryki. Domyślna wartość: None
recursive	bool Wskazuje, czy cyklicznie przechodzić przez wszystkie elementy potomne. Domyślna wartość: False
run_type	str Domyślna wartość: None
populate	bool Wskazuje, czy pobrać zawartość danych zewnętrznych połączonych z metryki. Domyślna wartość: False

Zwraca

Typ	Opis
dict	Słownik zawierający metryki użytkowników.

Uwagi


   run = experiment.start_logging() # run id: 123
   run.log("A", 1)
   with run.child_run() as child: # run id: 456
       child.log("A", 2)

   metrics = run.get_metrics()
   # metrics = { 'A': 1 }

   metrics = run.get_metrics(recursive=True)
   # metrics = { '123': { 'A': 1 }, '456': { 'A': 2 } } note key is runId

get_properties

Pobierz najnowsze właściwości przebiegu z usługi.

get_properties()

Zwraca

Typ	Opis
dict	Właściwości przebiegu.

Uwagi

Właściwości są niezmiennymi informacjami generowanymi przez system, takimi jak czas trwania, data wykonania, użytkownik i właściwości niestandardowe dodane za pomocą add_properties metody . Aby uzyskać więcej informacji, zobacz Tag i znajdź uruchomienia.

Podczas przesyłania zadania do usługi Azure Machine Learning, jeśli pliki źródłowe są przechowywane w lokalnym repozytorium Git, informacje o repozytorium są przechowywane jako właściwości. Te właściwości git są dodawane podczas tworzenia przebiegu lub wywoływania pliku Experiment.submit. Aby uzyskać więcej informacji na temat właściwości usługi Git, zobacz Integracja z usługą Git dla usługi Azure Machine Learning.

get_secret

Pobierz wartość wpisu tajnego z kontekstu przebiegu.

Pobierz wartość wpisu tajnego dla podanej nazwy. Nazwa wpisu tajnego odwołuje się do wartości przechowywanej w usłudze Azure Key Vault skojarzonej z obszarem roboczym. Aby zapoznać się z przykładem pracy z wpisami tajnymi, zobacz Używanie wpisów tajnych w przebiegach szkoleniowych.

get_secret(name)

Parametry

Nazwa	Opis
name Wymagane	str Nazwa wpisu tajnego, dla którego ma być zwracany wpis tajny.

Zwraca

Typ	Opis
str	Wartość wpisu tajnego.

get_secrets

Pobierz wartości wpisów tajnych dla danej listy nazw wpisów tajnych.

Pobierz słownik znalezionych i nie odnalezionych wpisów tajnych dla podanej listy nazw. Każda nazwa wpisu tajnego odwołuje się do wartości przechowywanej w usłudze Azure Key Vault skojarzonej z obszarem roboczym. Aby zapoznać się z przykładem pracy z wpisami tajnymi, zobacz Używanie wpisów tajnych w przebiegach szkoleniowych.

get_secrets(secrets)

Parametry

Nazwa	Opis
secrets Wymagane	list[str] Lista nazw wpisów tajnych, dla których mają być zwracane wartości wpisów tajnych.

Zwraca

Typ	Opis
dict[str: str]	Zwraca słownik znalezionych i nie odnalezionych wpisów tajnych.

get_snapshot_id

Pobierz najnowszy identyfikator migawki.

get_snapshot_id()

Zwraca

Typ	Opis
str	Najnowszy identyfikator migawki.

get_status

Pobierz najnowszy stan przebiegu.

Zwracane typowe wartości to "Running", "Completed" i "Failed".

get_status()

Zwraca

Typ	Opis
str	Najnowszy stan.

Uwagi

NotStarted — jest to tymczasowy stan obiektów Uruchom po stronie klienta przed przesłaniem do chmury.
Uruchamianie — uruchomienie zostało uruchomione w chmurze. Obiekt wywołujący ma w tym momencie identyfikator uruchomienia.
Aprowizowanie — zwracane podczas tworzenia zasobów obliczeniowych na żądanie dla danego przesłania zadania.
Przygotowywanie — środowisko uruchamiania jest przygotowywane:
- Kompilacja obrazu platformy Docker
- Konfiguracja środowiska conda
W kolejce — zadanie jest kolejkowane w docelowym obiekcie obliczeniowym. Na przykład w usłudze BatchAI zadanie jest w stanie w kolejce

podczas oczekiwania na gotowość wszystkich żądanych węzłów.
Uruchomione — zadanie zostało uruchomione w docelowym obiekcie obliczeniowym.
Finalizowanie — kod użytkownika został ukończony, a przebieg znajduje się na etapach przetwarzania końcowego.
CancelRequested — zażądano anulowania zadania.
Ukończono — przebieg został ukończony pomyślnie. Obejmuje to zarówno kod użytkownika, jak i uruchomienie

etapy przetwarzania końcowego.
Niepowodzenie — przebieg zakończył się niepowodzeniem. Zazwyczaj właściwość Error w przebiegu zawiera szczegółowe informacje o przyczynie.
Anulowano — następuje po żądaniu anulowania i wskazuje, że przebieg został pomyślnie anulowany.
NotResponding — w przypadku przebiegów z włączonymi pulsami nie wysłano ostatnio pulsu.


   run = experiment.submit(config)
   while run.get_status() not in ['Completed', 'Failed']: # For example purposes only, not exhaustive
       print('Run {} not in terminal state'.format(run.id))
       time.sleep(10)

get_submitted_run

PRZESTARZAŁE. Użyj get_context.

Pobierz przesłany przebieg dla tego eksperymentu.

get_submitted_run(**kwargs)

Zwraca

Typ	Opis
Run	Przesłany przebieg.

get_tags

Pobierz najnowszy zestaw tagów modyfikowalnych w przebiegu z usługi.

get_tags()

Zwraca

Typ	Opis
dict	Tagi przechowywane w obiekcie run.

list

Pobierz listę przebiegów w eksperymencie określonym przez opcjonalne filtry.

static list(experiment, type=None, tags=None, properties=None, status=None, include_children=False, _rehydrate_runs=True)

Parametry

Nazwa	Opis
experiment Wymagane	Experiment Zawierający eksperyment.
type	str Jeśli zostanie określony, zwraca przebiegi pasujące do określonego typu. Domyślna wartość: None
tags	str lub dict Jeśli zostanie określony, zwraca przebiegi pasujące do określonego "tagu" lub {"tag": "value"}. Domyślna wartość: None
properties	str lub dict Jeśli zostanie określony, funkcja zwraca przebiegi zgodne z określoną właściwością lub {"property": "value"}. Domyślna wartość: None
status	str Jeśli zostanie określony, zwraca przebiegi ze stanem określonym jako "status". Domyślna wartość: None
include_children	bool Jeśli ustawiono wartość true, pobierz wszystkie uruchomienia, nie tylko te najwyższego poziomu. Domyślna wartość: False
_rehydrate_runs	bool Jeśli ustawiono wartość True (domyślnie), użyje zarejestrowanego dostawcy, aby ponownie zainicjować obiekt dla tego typu zamiast podstawowego uruchomienia. Domyślna wartość: True

Zwraca

Typ	Opis
list[Run]	Lista przebiegów.

Uwagi

Poniższy przykład kodu przedstawia niektóre zastosowania list metody .


   favorite_completed_runs = Run.list(experiment, status='Completed', tags='favorite')

   all_distinct_runs = Run.list(experiment)
   and_their_children = Run.list(experiment, include_children=True)

   only_script_runs = Run.list(experiment, type=ScriptRun.RUN_TYPE)

list_by_compute

Pobierz listę przebiegów w obliczeniach określonych przez opcjonalne filtry.

static list_by_compute(compute, type=None, tags=None, properties=None, status=None)

Parametry

Nazwa	Opis
compute Wymagane	ComputeTarget Zawierające zasoby obliczeniowe.
type	str Jeśli zostanie określony, zwraca przebiegi pasujące do określonego typu. Domyślna wartość: None
tags	str lub dict Jeśli zostanie określony, zwraca przebiegi pasujące do określonego "tagu" lub {"tag": "value"}. Domyślna wartość: None
properties	str lub dict Jeśli zostanie określony, funkcja zwraca przebiegi zgodne z określoną właściwością lub {"property": "value"}. Domyślna wartość: None
status	str Jeśli zostanie określony, zwraca przebiegi ze stanem określonym jako "status". Dozwolone wartości to "Running" i "Queued". Domyślna wartość: None

Zwraca

Typ	Opis
<xref:builtin.generator>	generator ~_restclient.models.RunDto

log

Zarejestruj wartość metryki do przebiegu o podanej nazwie.

log(name, value, description='', step=None)

Parametry

Nazwa	Opis
name Wymagane	str Nazwa metryki.
value Wymagane	Wartość do opublikowania w usłudze.
description Wymagane	str Opcjonalny opis metryki.
step	int Opcjonalna oś określająca kolejność wartości w obrębie metryki. Domyślna wartość: None

Uwagi

Rejestrowanie metryki w przebiegu powoduje, że metryka jest przechowywana w rekordzie przebiegu w eksperymencie. Tę samą metrykę można rejestrować wiele razy w ramach przebiegu. Wynik jest traktowany jako wektor tej metryki. Jeśli krok jest określony dla metryki, musi zostać określony dla wszystkich wartości.

log_accuracy_table

Rejestrowanie tabeli dokładności w magazynie artefaktów.

Metryka tabeli dokładności to metryka wielostosowana, nieskalowana, która może służyć do tworzenia wielu typów wykresów liniowych, które zmieniają się w sposób ciągły w przestrzeni przewidywanych prawdopodobieństwa. Przykładami tych wykresów są krzywe ROC, kompletność precyzji i podnoszenie.

Obliczenie tabeli dokładności jest podobne do obliczania krzywej ROC. Krzywa ROC przechowuje rzeczywiste dodatnie wskaźniki i fałszywie dodatnie wskaźniki przy wielu różnych progach prawdopodobieństwa. Tabela dokładności przechowuje nieprzetworzone liczby wyników prawdziwie dodatnich, wyników fałszywie dodatnich, prawdziwie ujemnych i fałszywie ujemnych przy wielu progach prawdopodobieństwa.

Istnieją dwie metody służące do wybierania progów: "prawdopodobieństwo" i "percentyl". Różnią się one sposobem próbkowania od przestrzeni przewidywanych prawdopodobieństwa.

Progi prawdopodobieństwa są równomiernie rozmieszczone progi z zakresu od 0 do 1. Jeśli NUM_POINTS wynosi 5, progi prawdopodobieństwa to [0,0, 0,25, 0,5, 0,75, 1,0].

Progi percentylu są rozmieszczone zgodnie z rozkładem przewidywanych prawdopodobieństwa. Każdy próg odpowiada percentylowi danych z progiem prawdopodobieństwa. Jeśli na przykład NUM_POINTS wynosi 5, pierwszy próg będzie wynosić 0 percentyl, drugi na 25. percentyl, trzeci na 50. i tak dalej.

Tabele prawdopodobieństwa i tabele percentylu są zarówno listami 3D, gdzie pierwszy wymiar reprezentuje etykietę klasy, drugi wymiar reprezentuje próbkę na jednym progu (skale z NUM_POINTS), a trzeci wymiar zawsze ma 4 wartości: TP, FP, TN, FN i zawsze w tej kolejności.

Wartości pomyłek (TP, FP, TN, FN) są obliczane przy użyciu strategii jeden vs rest. Aby uzyskać więcej informacji, zobacz następujący link: https://en.wikipedia.org/wiki/Multiclass_classification

N = liczba próbek w zestawie danych weryfikacji (na przykład 200) M = # progi = # próbki pobrane z przestrzeni prawdopodobieństwa (5 na przykład) C = # klasy w pełnym zestawie danych (3 w przykładzie)

Niektóre niezmienne wartości tabeli dokładności:

TP + FP + TN + FN = N dla wszystkich progów dla wszystkich klas
Moduł TP + FN jest taki sam dla wszystkich progów dla dowolnej klasy
TN + FP jest taka sama we wszystkich progach dla każdej klasy
Tabele prawdopodobieństwa i tabele percentylu mają kształt [C, M, 4]

Uwaga: język M może być dowolną wartością i kontroluje rozdzielczość wykresów Jest to niezależne od zestawu danych, jest definiowane podczas obliczania metryk i zajmuje się miejscem do magazynowania, czasem obliczeń i rozdzielczością.

Etykiety klas powinny być ciągami, wartości pomyłek powinny być liczbami całkowitymi, a progi powinny być zmiennoprzecinkowe.

log_accuracy_table(name, value, description='')

Parametry

Nazwa	Opis
name Wymagane	str Nazwa tabeli dokładności.
value Wymagane	str lub dict Kod JSON zawierający właściwości nazwy, wersji i danych.
description Wymagane	str Opcjonalny opis metryki.

Uwagi

Przykład prawidłowej wartości JSON:


   {
       "schema_type": "accuracy_table",
       "schema_version": "1.0.1",
       "data": {
           "probability_tables": [
               [
                   [82, 118, 0, 0],
                   [75, 31, 87, 7],
                   [66, 9, 109, 16],
                   [46, 2, 116, 36],
                   [0, 0, 118, 82]
               ],
               [
                   [60, 140, 0, 0],
                   [56, 20, 120, 4],
                   [47, 4, 136, 13],
                   [28, 0, 140, 32],
                   [0, 0, 140, 60]
               ],
               [
                   [58, 142, 0, 0],
                   [53, 29, 113, 5],
                   [40, 10, 132, 18],
                   [24, 1, 141, 34],
                   [0, 0, 142, 58]
               ]
           ],
           "percentile_tables": [
               [
                   [82, 118, 0, 0],
                   [82, 67, 51, 0],
                   [75, 26, 92, 7],
                   [48, 3, 115, 34],
                   [3, 0, 118, 79]
               ],
               [
                   [60, 140, 0, 0],
                   [60, 89, 51, 0],
                   [60, 41, 99, 0],
                   [46, 5, 135, 14],
                   [3, 0, 140, 57]
               ],
               [
                   [58, 142, 0, 0],
                   [56, 93, 49, 2],
                   [54, 47, 95, 4],
                   [41, 10, 132, 17],
                   [3, 0, 142, 55]
               ]
           ],
           "probability_thresholds": [0.0, 0.25, 0.5, 0.75, 1.0],
           "percentile_thresholds": [0.0, 0.01, 0.24, 0.98, 1.0],
           "class_labels": ["0", "1", "2"]
       }
   }

log_confusion_matrix

Rejestrowanie macierzy pomyłek w magazynie artefaktów.

Spowoduje to dziennik otoki wokół macierzy pomyłek sklearn. Dane metryk zawierają etykiety klas i listę 2D dla samej macierzy. Aby uzyskać więcej informacji na temat sposobu obliczania metryki, zobacz następujący link: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

Parametry

Nazwa	Opis
name Wymagane	str Nazwa macierzy pomyłek.
value Wymagane	str lub dict Kod JSON zawierający właściwości nazwy, wersji i danych.
description Wymagane	str Opcjonalny opis metryki.

Uwagi

Przykład prawidłowej wartości JSON:


   {
       "schema_type": "confusion_matrix",
       "schema_version": "1.0.0",
       "data": {
           "class_labels": ["0", "1", "2", "3"],
           "matrix": [
               [3, 0, 1, 0],
               [0, 1, 0, 1],
               [0, 0, 1, 0],
               [0, 0, 0, 1]
           ]
       }
   }

log_image

Rejestrowanie metryki obrazu w rekordzie przebiegu.

log_image(name, path=None, plot=None, description='')

Parametry

Nazwa	Opis
name Wymagane	str Nazwa metryki.
path Wymagane	str Ścieżka lub strumień obrazu.
plot Wymagane	<xref:matplotlib.pyplot> Wykres do rejestrowania jako obrazu.
description Wymagane	str Opcjonalny opis metryki.

Uwagi

Ta metoda służy do rejestrowania pliku obrazu lub wykresu matplotlib do uruchomienia. Te obrazy będą widoczne i porównywalne w rekordzie przebiegu.

log_list

Zarejestruj listę wartości metryk do przebiegu o podanej nazwie.

log_list(name, value, description='')

Parametry

Nazwa	Opis
name Wymagane	str Nazwa metryki.
value Wymagane	list Wartości metryki.
description Wymagane	str Opcjonalny opis metryki.

log_predictions

Rejestrowanie przewidywań w magazynie artefaktów.

Spowoduje to dziennik oceny metryki, która może służyć do porównywania rozkładów rzeczywistych wartości docelowych z rozkładem przewidywanych wartości dla zadania regresji.

Przewidywania są binned, a odchylenia standardowe są obliczane dla słupków błędów na wykresie liniowym.

log_predictions(name, value, description='')

Parametry

Nazwa	Opis
name Wymagane	str Nazwa przewidywań.
value Wymagane	str lub dict Kod JSON zawierający właściwości nazwy, wersji i danych.
description Wymagane	str Opcjonalny opis metryki.

Uwagi

Przykład prawidłowej wartości JSON:


   {
       "schema_type": "predictions",
       "schema_version": "1.0.0",
       "data": {
           "bin_averages": [0.25, 0.75],
           "bin_errors": [0.013, 0.042],
           "bin_counts": [56, 34],
           "bin_edges": [0.0, 0.5, 1.0]
       }
   }

log_residuals

Rejestruje reszty w magazynie artefaktów.

Rejestruje dane potrzebne do wyświetlenia histogramu reszt dla zadania regresji. Reszty są przewidywane — rzeczywiste.

Powinna istnieć jedna krawędź więcej niż liczba liczb. Zapoznaj się z dokumentacją histogramu numpy, aby zapoznać się z przykładami użycia liczb i krawędzi do reprezentowania histogramu. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

Parametry

Nazwa	Opis
name Wymagane	str Nazwa reszt.
value Wymagane	str lub dict Kod JSON zawierający właściwości nazwy, wersji i danych.
description Wymagane	str Opcjonalny opis metryki.

Uwagi

Przykład prawidłowej wartości JSON:


   {
       "schema_type": "residuals",
       "schema_version": "1.0.0",
       "data": {
           "bin_edges": [50, 100, 200, 300, 350],
           "bin_counts": [0.88, 20, 30, 50.99]
       }
   }

log_row

Zarejestruj metrykę wiersza do przebiegu o podanej nazwie.

log_row(name, description=None, **kwargs)

Parametry

Nazwa	Opis
name Wymagane	str Nazwa metryki.
description	str Opcjonalny opis metryki. Domyślna wartość: None
kwargs Wymagane	dict Słownik dodatkowych parametrów. W tym przypadku kolumny metryki.

Uwagi

Użycie metody log_row tworzy metrykę tabeli z kolumnami zgodnie z opisem w artykule kwargs. Każdy nazwany parametr generuje kolumnę z określoną wartością. log_row Można wywołać raz, aby zarejestrować dowolną krotkę lub wiele razy w pętli w celu wygenerowania pełnej tabeli.


   citrus = ['orange', 'lemon', 'lime']
   sizes = [ 10, 7, 3]
   for index in range(len(citrus)):
       run.log_row("citrus", fruit = citrus[index], size=sizes[index])

log_table

Rejestrowanie metryki tabeli w przebiegu przy użyciu podanej nazwy.

log_table(name, value, description='')

Parametry

Nazwa	Opis
name Wymagane	str Nazwa metryki.
value Wymagane	dict Wartość tabeli metryki , słownik, w którym klucze są kolumnami, które mają być publikowane w usłudze.
description Wymagane	str Opcjonalny opis metryki.

register_model

Rejestrowanie modelu na potrzeby operacji.

register_model(model_name, model_path=None, tags=None, properties=None, model_framework=None, model_framework_version=None, description=None, datasets=None, sample_input_dataset=None, sample_output_dataset=None, resource_configuration=None, **kwargs)

Parametry

Nazwa	Opis
model_name Wymagane	str Nazwa modelu.
model_path	str Względna ścieżka chmury do modelu, na przykład "outputs/modelname". Jeśli nie określono wartości (Brak), `model_name` jest używana jako ścieżka. Domyślna wartość: None
tags	dict[str, str] Słownik tagów wartości klucza do przypisania do modelu. Domyślna wartość: None
properties	dict[str, str] Słownik właściwości wartości klucza do przypisania do modelu. Tych właściwości nie można zmienić po utworzeniu modelu, jednak można dodać nowe pary wartości klucza. Domyślna wartość: None
model_framework	str Struktura modelu do zarejestrowania. Obecnie obsługiwane platformy: TensorFlow, ScikitLearn, Onnx, Custom, Multi Domyślna wartość: None
model_framework_version	str Wersja struktury zarejestrowanego modelu. Domyślna wartość: None
description	str Opcjonalny opis modelu. Domyślna wartość: None
datasets	list[(str, AbstractDataset)] Lista krotki, w których pierwszy element opisuje relację modelu zestawu danych, a drugi element to zestaw danych. Domyślna wartość: None
sample_input_dataset	AbstractDataset Opcjonalny. Przykładowy wejściowy zestaw danych dla zarejestrowanego modelu Domyślna wartość: None
sample_output_dataset	AbstractDataset Opcjonalny. Przykładowy wyjściowy zestaw danych dla zarejestrowanego modelu Domyślna wartość: None
resource_configuration	ResourceConfiguration Opcjonalny. Konfiguracja zasobu do uruchamiania zarejestrowanego modelu Domyślna wartość: None
kwargs Wymagane	dict Parametry opcjonalne.

Zwraca

Typ	Opis
Model	Zarejestrowany model.

Uwagi


   model = best_run.register_model(model_name = 'best_model', model_path = 'outputs/model.pkl')

remove_tags

Usuń listę tagów modyfikowalnych w tym przebiegu.

remove_tags(tags)

Parametry

Nazwa	Opis
tags Wymagane	list Lista tagów do usunięcia.

Zwraca

Typ	Opis
	Tagi przechowywane w obiekcie run

restore_snapshot

Przywróć migawkę jako plik ZIP. Zwraca ścieżkę do pliku ZIP.

restore_snapshot(snapshot_id=None, path=None)

Parametry

Nazwa	Opis
snapshot_id	str Identyfikator migawki do przywrócenia. Najnowsze są używane, jeśli nie zostaną określone. Domyślna wartość: None
path	str Ścieżka, w której jest zapisywany pobrany plik ZIP. Domyślna wartość: None

Zwraca

Typ	Opis
str	Ścieżka.

set_tags

Dodaj lub zmodyfikuj zestaw tagów w przebiegu. Tagi, które nie zostały przekazane w słowniku, pozostają nienaruszone.

Możesz również dodać proste tagi ciągów. Gdy te tagi są wyświetlane w słowniku tagów jako klucze, mają wartość None. Aby uzyskać więcej informacji, zobacz Tag i znajdź uruchomienia.

set_tags(tags)

Parametry

Nazwa	Opis
tags Wymagane	dict[str] lub str Tagi przechowywane w obiekcie run.

start

Oznacz przebieg jako uruchomiony.

Jest to zwykle używane w zaawansowanych scenariuszach, gdy przebieg został utworzony przez innego aktora.

start()

submit_child

Prześlij eksperyment i zwróć aktywne uruchomienie podrzędne.

submit_child(config, tags=None, **kwargs)

Parametry

Nazwa	Opis
config Wymagane	object Konfiguracja do przesłania.
tags	dict Tagi do dodania do przesłanego przebiegu, np. {"tag": "value"}. Domyślna wartość: None
kwargs Wymagane	dict Dodatkowe parametry używane w funkcji submit dla konfiguracji.

Zwraca

Typ	Opis
Run	Obiekt przebiegu.

Uwagi

Submit to asynchroniczne wywołanie platformy Azure Machine Learning w celu wykonania wersji próbnej na sprzęcie lokalnym lub zdalnym. W zależności od konfiguracji przesyłanie automatycznie przygotuje środowiska wykonawcze, wykona kod i przechwyci kod źródłowy oraz wyniki w historii przebiegu eksperymentu.

Aby przesłać eksperyment, należy najpierw utworzyć obiekt konfiguracji opisujący sposób uruchamiania eksperymentu. Konfiguracja zależy od wymaganego typu wersji próbnej.

Przykładowy sposób przesyłania eksperymentu podrzędnego z komputera lokalnego przy użyciu ScriptRunConfig polecenia jest następujący:


   from azureml.core import ScriptRunConfig

   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = parent_run.submit_child(config)

   # get the url to view the progress of the experiment and then wait
   # until the trial is complete
   print(run.get_portal_url())
   run.wait_for_completion()

Aby uzyskać szczegółowe informacje na temat konfigurowania przebiegu, zobacz submit.

tag

Tagowanie przebiegu przy użyciu klucza ciągu i opcjonalnej wartości ciągu.

tag(key, value=None)

Parametry

Nazwa	Opis
key Wymagane	str Klucz tagu
value	str Opcjonalna wartość tagu Domyślna wartość: None

Uwagi

Tagi i właściwości przebiegu to słowniki ciągów —> ciąg. Różnica między nimi jest niezmienność: tagi można ustawiać, aktualizować i usuwać, podczas gdy właściwości można dodawać tylko. Dzięki temu właściwości są bardziej odpowiednie dla wyzwalaczy zachowania związanego z systemem/przepływem pracy, natomiast tagi są zwykle dostępne dla użytkowników i mają znaczenie dla użytkowników eksperymentu.


   run = experiment.start_logging()
   run.tag('DeploymentCandidate')
   run.tag('modifiedBy', 'Master CI')
   run.tag('modifiedBy', 'release pipeline') # Careful, tags are mutable

   run.add_properties({'BuildId': os.environ.get('VSTS_BUILD_ID')}) # Properties are not

   tags = run.get_tags()
   # tags = { 'DeploymentCandidate': None, 'modifiedBy': 'release pipeline' }

take_snapshot

Zapisz migawkę pliku wejściowego lub folderu.

take_snapshot(file_or_folder_path)

Parametry

Nazwa	Opis
file_or_folder_path Wymagane	str Plik lub folder zawierający kod źródłowy przebiegu.

Zwraca

Typ	Opis
str	Zwraca identyfikator migawki.

Uwagi

Migawki mają być kodem źródłowym używanym do wykonywania przebiegu eksperymentu. Są one przechowywane przy użyciu przebiegu, aby można było zreplikować wersję próbną przebiegu w przyszłości.

Uwaga

Migawki są tworzone automatycznie po submit wywołaniu. Zazwyczaj ta metoda take_snapshot jest wymagana tylko w przypadku przebiegów interakcyjnych (notesów).

upload_file

Przekaż plik do rekordu przebiegu.

upload_file(name, path_or_stream, datastore_name=None)

Parametry

Nazwa	Opis
name Wymagane	str Nazwa pliku do przekazania.
path_or_stream Wymagane	str Względna ścieżka lokalna lub strumień do pliku do przekazania.
datastore_name Wymagane	str Opcjonalna nazwa magazynu danych

Zwraca

Typ	Opis
ResourceProperties

Uwagi


   run = experiment.start_logging()
   run.upload_file(name='important_file', path_or_stream="path/on/disk/file.txt")

Uwaga

Uruchamia automatycznie przechwytywać plik w określonym katalogu wyjściowym, który domyślnie ma wartość "./outputs" dla większości typów uruchamiania. Użyj upload_file tylko wtedy, gdy dodatkowe pliki muszą zostać przekazane lub nie określono katalogu wyjściowego.

upload_files

Przekaż pliki do rekordu przebiegu.

upload_files(names, paths, return_artifacts=False, timeout_seconds=None, datastore_name=None)

Parametry

Nazwa	Opis
names Wymagane	list Nazwy plików do przekazania. W przypadku ustawienia należy również ustawić ścieżki.
paths Wymagane	list Względne ścieżki lokalne do plików do przekazania. W przypadku ustawienia nazwy są wymagane.
return_artifacts Wymagane	bool Wskazuje, że dla każdego przekazanego pliku powinien zostać zwrócony obiekt artefaktu.
timeout_seconds Wymagane	int Limit czasu przekazywania plików.
datastore_name Wymagane	str Opcjonalna nazwa magazynu danych

Uwagi

upload_files ma taki sam wpływ jak upload_file w przypadku oddzielnych plików, jednak w przypadku korzystania z usługi upload_fileswystępują korzyści z wydajności i wykorzystania zasobów.


   import os

   run = experiment.start_logging()
   file_name_1 = 'important_file_1'
   file_name_2 = 'important_file_2'
   run.upload_files(names=[file_name_1, file_name_2],
                       paths=['path/on/disk/file_1.txt', 'other/path/on/disk/file_2.txt'])

   run.download_file(file_name_1, 'file_1.txt')

   os.mkdir("path")  # The path must exist
   run.download_file(file_name_2, 'path/file_2.txt')

Uwaga

Uruchamia automatyczne przechwytywanie plików w określonym katalogu wyjściowym, który domyślnie ma wartość "./outputs" dla większości typów uruchamiania. Użyj upload_files tylko wtedy, gdy dodatkowe pliki muszą zostać przekazane lub katalog wyjściowy nie zostanie określony.

upload_folder

Przekaż określony folder do podanej nazwy prefiksu.

upload_folder(name, path, datastore_name=None)

Parametry

Nazwa	Opis
name Wymagane	str Nazwa folderu plików do przekazania.
folder Wymagane	str Względna ścieżka lokalna do folderu do przekazania.
datastore_name Wymagane	str Opcjonalna nazwa magazynu danych

Uwagi


   run = experiment.start_logging()
   run.upload_folder(name='important_files', path='path/on/disk')

   run.download_file('important_files/existing_file.txt', 'local_file.txt')

Uwaga

Uruchamia automatyczne przechwytywanie plików w określonym katalogu wyjściowym, który domyślnie ma wartość "./outputs" dla większości typów uruchamiania. Użyj upload_folder tylko wtedy, gdy dodatkowe pliki muszą zostać przekazane lub katalog wyjściowy nie zostanie określony.

wait_for_completion

Poczekaj na ukończenie tego przebiegu. Zwraca obiekt stanu po oczekiwaniu.

wait_for_completion(show_output=False, wait_post_processing=False, raise_on_error=True)

Parametry

Nazwa	Opis
show_output	bool Wskazuje, czy mają być wyświetlane dane wyjściowe przebiegu w pliku sys.stdout. Domyślna wartość: False
wait_post_processing	bool Wskazuje, czy poczekać na zakończenie przetwarzania po zakończeniu przebiegu. Domyślna wartość: False
raise_on_error	bool Wskazuje, czy błąd jest zgłaszany, gdy przebieg jest w stanie niepowodzenia. Domyślna wartość: True

Zwraca

Typ	Opis
dict	Obiekt stanu.

Atrybuty

description

Zwróć opis przebiegu.

Opcjonalny opis przebiegu jest ciągiem określonym przez użytkownika przydatnym do opisywania przebiegu.

Zwraca

Typ	Opis
str	Opis przebiegu.

display_name

Zwróć nazwę wyświetlaną przebiegu.

Opcjonalna nazwa wyświetlana przebiegu jest ciągiem określonym przez użytkownika przydatnym do późniejszej identyfikacji przebiegu.

Zwraca

Typ	Opis
str	Nazwa wyświetlana przebiegu.

experiment

Pobierz eksperyment zawierający przebieg.

Zwraca

Typ	Opis
Experiment	Pobiera eksperyment odpowiadający przebiegowi.

id

Pobierz identyfikator przebiegu.

Identyfikator przebiegu jest unikatowym identyfikatorem w całym zawierającym eksperymencie.

Zwraca

Typ	Opis
str	Identyfikator przebiegu.

name

PRZESTARZAŁE. Użyj display_name.

Opcjonalna nazwa przebiegu jest ciągiem określonym przez użytkownika przydatnym do późniejszej identyfikacji przebiegu.

Zwraca

Typ	Opis
str	Identyfikator przebiegu.

number

Pobierz numer przebiegu.

Monotonicznie rosnąca liczba reprezentująca kolejność przebiegów w eksperymencie.

Zwraca

Typ	Opis
int	Numer przebiegu.

parent

Pobierz uruchomienie nadrzędne dla tego przebiegu z usługi.

Przebiegi mogą mieć opcjonalny element nadrzędny, co powoduje potencjalną hierarchię drzewa przebiegów. Aby rejestrować metryki w przebiegu nadrzędnym, użyj log metody obiektu nadrzędnego, na przykład run.parent.log().

Zwraca

Typ	Opis
Run	Uruchomienie nadrzędne lub Brak, jeśli nie zostało ustawione.

properties

Zwróć niezmienne właściwości tego przebiegu.

Zwraca

Typ	Opis
dict[str], str	Lokalnie buforowane właściwości przebiegu.

Uwagi

Właściwości obejmują niezmienne informacje generowane przez system, takie jak czas trwania, data wykonania, użytkownik itp.

status

Zwróć stan obiektu przebiegu.

type

Pobierz typ przebiegu.

Wskazuje sposób tworzenia lub konfigurowania przebiegu.

Zwraca

Typ	Opis
str	Typ przebiegu.

Udostępnij za pośrednictwem

Run Klasa

Konstruktor

Parametry

Uwagi

Metody

add_properties

Parametry

add_type_provider

Parametry

cancel

child_run

Parametry

Zwraca

Uwagi

clean

Zwraca

complete

Parametry

create_children

Parametry

Zwraca

Uwagi

download_file

Parametry

download_files

Parametry

fail

Parametry

flush

Parametry

get

Parametry

Zwraca

get_all_logs

Parametry

Zwraca

get_children

Parametry

Zwraca

get_context

Parametry

Zwraca

Uwagi

get_detailed_status

Zwraca

Uwagi

get_details

Zwraca

Uwagi

get_details_with_logs

Zwraca

get_environment

Zwraca

get_file_names

Zwraca

get_metrics

Parametry

Zwraca

Uwagi

get_properties

Zwraca

Uwagi

get_secret

Parametry

Zwraca

get_secrets

Parametry

Zwraca

get_snapshot_id

Zwraca

get_status

Zwraca

Uwagi

get_submitted_run

Zwraca

get_tags

Zwraca

list

Parametry