EstimatorStep Klasa

PRZESTARZAŁE. Tworzy krok potoku do uruchomienia Estimator na potrzeby trenowania modelu usługi Azure ML.

Utwórz krok potoku usługi Azure ML, aby uruchomić narzędzie do szacowania na potrzeby trenowania modelu usługi Machine Learning.

PRZESTARZAŁE. Zamiast tego użyj polecenia CommandStep . Przykład można znaleźć w temacie How to run ML training in pipelines with CommandStep (Jak uruchamiać trenowanie uczenia maszynowego w potokach za pomocą polecenia CommandStep).

Dziedziczenie

PythonScriptStep

EstimatorStep

Konstruktor

EstimatorStep(name=None, estimator=None, estimator_entry_script_arguments=None, runconfig_pipeline_params=None, inputs=None, outputs=None, compute_target=None, allow_reuse=True, version=None)

Parametry

Nazwa	Opis
name	str Nazwa kroku. Domyślna wartość: None
estimator	Estimator Skojarzony obiekt narzędzia do szacowania dla tego kroku. Może być wstępnie skonfigurowanym narzędziem do szacowania, takim jak Chainer, PyTorch, TensorFlowlub SKLearn. Domyślna wartość: None
estimator_entry_script_arguments	list[str] [Wymagane] Lista argumentów wiersza polecenia. Jeśli skrypt wejściowy narzędzia do szacowania nie akceptuje argumentów wiersza polecenia, ustaw tę wartość parametru na pustą listę. Domyślna wartość: None
runconfig_pipeline_params	dict[str, PipelineParameter] Zastąpienie właściwości runconfig w czasie wykonywania przy użyciu par klucz-wartość, z których każda ma nazwę właściwości runconfig i PipelineParameter dla tej właściwości. Obsługiwane wartości: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount" Domyślna wartość: None
inputs	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]] Lista danych wejściowych do użycia. Domyślna wartość: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset]] Lista obiektów PipelineData. Domyślna wartość: None
compute_target	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Wymagane] Docelowy obiekt obliczeniowy do użycia. Domyślna wartość: None
allow_reuse	bool Wskazuje, czy krok powinien ponownie używać poprzednich wyników po ponownym uruchomieniu z tymi samymi ustawieniami. Ponowne użycie jest domyślnie włączone. Jeśli zawartość kroku (skrypty/zależności) oraz dane wejściowe i parametry pozostają niezmienione, dane wyjściowe z poprzedniego uruchomienia tego kroku są ponownie używane. Podczas ponownego wykonywania kroku zamiast przesyłania zadania do obliczeń wyniki z poprzedniego przebiegu są natychmiast udostępniane wszystkim kolejnym krokom. Jeśli używasz zestawów danych usługi Azure Machine Learning jako danych wejściowych, ponowne użycie zależy od tego, czy definicja zestawu danych uległa zmianie, a nie przez to, czy dane bazowe uległy zmianie. Domyślna wartość: True
version	str Opcjonalny tag wersji, aby oznaczyć zmianę funkcji modułu. Domyślna wartość: None
name Wymagane	str Nazwa kroku.
estimator Wymagane	<xref:Estimator> Skojarzony obiekt narzędzia do szacowania dla tego kroku. Może być wstępnie skonfigurowanym narzędziem do szacowania, takim jak Chainer, PyTorch, TensorFlowlub SKLearn.
estimator_entry_script_arguments Wymagane	[str] [Wymagane] Lista argumentów wiersza polecenia. Jeśli skrypt wejściowy narzędzia do szacowania nie akceptuje argumentów wiersza polecenia, ustaw tę wartość parametru na pustą listę.
runconfig_pipeline_params Wymagane	dict[str, PipelineParameter] Zastąpienie właściwości runconfig w czasie wykonywania przy użyciu par klucz-wartość, z których każda ma nazwę właściwości runconfig i PipelineParameter dla tej właściwości. Obsługiwane wartości: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount"
inputs Wymagane	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]] Lista danych wejściowych do użycia.
outputs Wymagane	list[Union[PipelineData, PipelineOutputAbstractDataset] Lista obiektów PipelineData.
compute_target Wymagane	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Wymagane] Docelowy obiekt obliczeniowy do użycia.
allow_reuse Wymagane	bool Wskazuje, czy krok powinien ponownie używać poprzednich wyników po ponownym uruchomieniu z tymi samymi ustawieniami. Ponowne użycie jest domyślnie włączone. Jeśli zawartość kroku (skrypty/zależności) oraz dane wejściowe i parametry pozostają niezmienione, dane wyjściowe z poprzedniego uruchomienia tego kroku są ponownie używane. Podczas ponownego wykonywania kroku zamiast przesyłania zadania do obliczeń wyniki z poprzedniego przebiegu są natychmiast udostępniane wszystkim kolejnym krokom. Jeśli używasz zestawów danych usługi Azure Machine Learning jako danych wejściowych, ponowne użycie zależy od tego, czy definicja zestawu danych uległa zmianie, a nie przez to, czy dane bazowe uległy zmianie.
version Wymagane	str Wersja

Uwagi

Należy pamiętać, że argumenty skryptu wejściowego używanego Estimator w obiekcie muszą być określone jako lista przy użyciu parametru estimator_entry_script_arguments podczas tworzenia wystąpienia narzędzia do szacowaniaKrok. Parametr script_params narzędzia do szacowania akceptuje słownik. estimator_entry_script_argument Jednak parametr oczekuje argumentów jako listy.

Inicjalizacja estimatorStep obejmuje określenie listy danych wejściowych z parametrem inputs i nie trzeba określać danych wejściowych za pomocą narzędzia do szacowania. W razie potrzeby zostanie zgłoszony wyjątek. Zapoznaj się z parametrem inputs typów danych wejściowych, które są dozwolone. Opcjonalnie możesz również określić dowolne dane wyjściowe dla kroku. Zapoznaj się z parametrem outputs typów danych wyjściowych, które są dozwolone.

Najlepszym rozwiązaniem do pracy z narzędziem EstimatorStep jest użycie oddzielnego folderu dla skryptów i wszelkich plików zależnych skojarzonych z krokiem, a następnie określenie tego folderu jako Estimator obiektu source_directory. Ma to dwie korzyści. Najpierw pomaga zmniejszyć rozmiar migawki utworzonej dla kroku, ponieważ tylko to, co jest potrzebne do wykonania kroku, jest migawek. Po drugie, dane wyjściowe kroku z poprzedniego przebiegu można ponownie użyć, jeśli nie zostaną wprowadzone żadne zmiany source_directory , które wyzwoliłyby ponowne przekazanie migawki.

Metody

create_node

Utwórz węzeł na podstawie kroku narzędzia do szacowania i dodaj go do określonego grafu. PRZESTARZAŁE. Zamiast tego użyj polecenia CommandStep . Przykład można znaleźć w temacie How to run ML training in pipelines with CommandStep (Jak uruchamiać trenowanie uczenia maszynowego w potokach za pomocą polecenia CommandStep). Ta metoda nie jest przeznaczona do bezpośredniego użycia. Po utworzeniu wystąpienia potoku w tym kroku usługa Azure ML automatycznie przekazuje wymagane parametry za pośrednictwem tej metody, aby można było dodać krok do grafu potoku reprezentującego przepływ pracy.

create_node

Utwórz węzeł na podstawie kroku narzędzia do szacowania i dodaj go do określonego grafu.

PRZESTARZAŁE. Zamiast tego użyj polecenia CommandStep . Przykład można znaleźć w temacie How to run ML training in pipelines with CommandStep (Jak uruchamiać trenowanie uczenia maszynowego w potokach za pomocą polecenia CommandStep).

Ta metoda nie jest przeznaczona do bezpośredniego użycia. Po utworzeniu wystąpienia potoku w tym kroku usługa Azure ML automatycznie przekazuje wymagane parametry za pośrednictwem tej metody, aby można było dodać krok do grafu potoku reprezentującego przepływ pracy.

create_node(graph, default_datastore, context)

Parametry

Nazwa	Opis
graph Wymagane	Graph Obiekt grafu, do który ma zostać dodany węzeł.
default_datastore Wymagane	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Domyślny magazyn danych.
context Wymagane	<xref:azureml.pipeline.core._GraphContext> Kontekst grafu.

Zwraca

Typ	Opis
Node	Utworzony węzeł.