AutoMLRun Klasa

Reprezentuje przebieg eksperymentu zautomatyzowanego uczenia maszynowego w usłudze Azure Machine Learning.

Klasa AutoMLRun może służyć do zarządzania przebiegiem, sprawdzania stanu przebiegu i pobierania szczegółów przebiegu po przesłaniu przebiegu rozwiązania AutoML. Aby uzyskać więcej informacji na temat pracy z przebiegami eksperymentów, zobacz klasę Run .

Inicjowanie przebiegu rozwiązania AutoML.

Dziedziczenie

Run

AutoMLRun

Konstruktor

AutoMLRun(experiment, run_id, **kwargs)

Parametry

experiment

Experiment

Wymagane

Eksperyment skojarzony z przebiegiem.

run_id

str

Wymagane

Identyfikator przebiegu.

experiment

Experiment

Wymagane

Eksperyment skojarzony z przebiegiem.

run_id

str

Wymagane

Identyfikator przebiegu.

Uwagi

Obiekt AutoMLRun jest zwracany podczas korzystania z submit metody eksperymentu.

Aby pobrać przebieg, który został już uruchomiony, użyj następującego kodu:

   from azureml.train.automl.run import AutoMLRun
   ws = Workspace.from_config()
   experiment = ws.experiments['my-experiment-name']
   automl_run = AutoMLRun(experiment, run_id = 'AutoML_9fe201fe-89fd-41cc-905f-2f41a5a98883')

Metody

cancel	Anuluj uruchomienie rozwiązania AutoML. Zwraca wartość True, jeśli przebieg automatycznego uczenia maszynowego został pomyślnie anulowany.
cancel_iteration	Anuluj określone uruchomienie podrzędne.
complete	Ukończ uruchamianie automatycznego uczenia maszynowego.
continue_experiment	Kontynuuj istniejący eksperyment rozwiązania AutoML.
fail	Nie można uruchomić automatycznego uczenia maszynowego. Opcjonalnie ustaw właściwość Error przebiegu z komunikatem lub wyjątkiem przekazanym na error_detailswartość .
get_best_child	Zwróć przebieg podrzędny z najlepszym wynikiem dla tego przebiegu rozwiązania AutoML.
get_guardrails	Drukuj i zwracaj szczegółowe wyniki z uruchamiania weryfikacji guardrail.
get_output	Zwróć przebieg z odpowiednim najlepszym potokiem, który został już przetestowany. Jeśli nie podano parametrów wejściowych, get_output zwraca najlepszy potok zgodnie z metryki podstawowej. Alternatywnie można użyć parametru iteration lub metric , aby pobrać określoną iterację lub najlepszy przebieg dla podanej metryki.
get_run_sdk_dependencies	Pobierz zależności uruchamiania zestawu SDK dla danego przebiegu.
pause	Zwraca wartość True, jeśli przebieg automatycznego uczenia maszynowego został pomyślnie wstrzymany. Ta metoda nie jest zaimplementowana.
register_model	Zarejestruj model w usłudze AzureML ACI.
resume	Zwraca wartość True, jeśli przebieg rozwiązania AutoML został pomyślnie wznowiony. Ta metoda nie jest zaimplementowana.
retry	Zwraca wartość True, jeśli przebieg rozwiązania AutoML został pomyślnie ponowiony. Ta metoda nie jest zaimplementowana.
summary	Pobierz tabelę zawierającą podsumowanie prób algorytmów i ich wyniki.
wait_for_completion	Poczekaj na ukończenie tego przebiegu. Zwraca obiekt status po oczekiwaniu.

cancel

Anuluj uruchomienie rozwiązania AutoML.

Zwraca wartość True, jeśli przebieg automatycznego uczenia maszynowego został pomyślnie anulowany.

cancel()

Zwraca

Brak

cancel_iteration

Anuluj określone uruchomienie podrzędne.

cancel_iteration(iteration)

Parametry

iteration

int

Wymagane

Iteracja do anulowania.

Zwraca

Brak

complete

Ukończ uruchamianie automatycznego uczenia maszynowego.

complete(**kwargs)

Zwraca

Brak

continue_experiment

Kontynuuj istniejący eksperyment rozwiązania AutoML.

continue_experiment(X=None, y=None, sample_weight=None, X_valid=None, y_valid=None, sample_weight_valid=None, data=None, label=None, columns=None, cv_splits_indices=None, spark_context=None, experiment_timeout_hours=None, experiment_exit_score=None, iterations=None, show_output=False, training_data=None, validation_data=None, **kwargs)

Parametry

X

DataFrame lub ndarray lub <xref:azureml.dataprep.Dataflow>

wartość domyślna: None

Funkcje trenowania.

y

DataFrame lub ndarray lub <xref:azureml.dataprep.Dataflow>

wartość domyślna: None

Etykiety szkoleniowe.

sample_weight

DataFrame lub ndarray lub <xref:azureml.dataprep.Dataflow>

wartość domyślna: None

Przykładowe wagi danych treningowych.

X_valid

DataFrame lub ndarray lub <xref:azureml.dataprep.Dataflow>

wartość domyślna: None

Funkcje weryfikacji.

y_valid

DataFrame lub ndarray lub <xref:azureml.dataprep.Dataflow>

wartość domyślna: None

Etykiety weryfikacji.

sample_weight_valid

DataFrame lub ndarray lub <xref:azureml.dataprep.Dataflow>

wartość domyślna: None

sprawdzanie poprawności zestaw próbek wagi.

data

DataFrame

wartość domyślna: None

Funkcje trenowania i etykieta.

label

str

wartość domyślna: None

Etykieta kolumny w danych.

columns

list(str)

wartość domyślna: None

Lista dozwolonych kolumn w danych do użycia jako funkcje.

cv_splits_indices

ndarray

wartość domyślna: None

Indeksy, w których należy podzielić dane treningowe na potrzeby walidacji krzyżowej. Każdy wiersz to oddzielny krzyż i w każdym skrzyżowaniu, podaj 2 tablice, pierwszy z indeksami przykładów do użycia na potrzeby danych treningowych, a drugi z indeksami do użycia na potrzeby danych walidacji. tj. [[t1, v1], [t2, v2], ...], gdzie t1 to indeksy treningowe pierwszego krotnie krzyżowego, a v1 to indeksy weryfikacji dla pierwszej krotnie krzyżowej.

spark_context

<xref:SparkContext>

wartość domyślna: None

Kontekst platformy Spark ma zastosowanie tylko wtedy, gdy jest używany w środowisku azure databricks/spark.

experiment_timeout_hours

float

wartość domyślna: None

Ile dodatkowych godzin należy uruchomić dla tego eksperymentu.

experiment_exit_score

int

wartość domyślna: None

Jeśli określono wskazuje, że eksperyment zostanie zakończony po osiągnięciu tej wartości.

iterations

int

wartość domyślna: None

Ile dodatkowych iteracji należy uruchomić dla tego eksperymentu.

show_output

bool

wartość domyślna: False

Flaga wskazująca, czy chcesz wydrukować dane wyjściowe w konsoli.

training_data

<xref:azureml.dataprep.Dataflow> lub DataFrame

wartość domyślna: None

Dane szkoleniowe wejściowe.

validation_data

<xref:azureml.dataprep.Dataflow> lub DataFrame

wartość domyślna: None

Dane weryfikacji.

Zwraca

Uruchamianie nadrzędnego rozwiązania AutoML.

Typ zwracany

AutoMLRun

Wyjątki

ConfigException

InvalidRunState

fail

Nie można uruchomić automatycznego uczenia maszynowego.

Opcjonalnie ustaw właściwość Error przebiegu z komunikatem lub wyjątkiem przekazanym na error_detailswartość .

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

Parametry

error_details

str lub BaseException

wartość domyślna: None

Opcjonalne szczegóły błędu.

error_code

str

wartość domyślna: None

Opcjonalny kod błędu dla klasyfikacji błędów.

_set_status

bool

wartość domyślna: True

Wskazuje, czy zdarzenie stanu ma być wysyłane do śledzenia.

get_best_child

Zwróć przebieg podrzędny z najlepszym wynikiem dla tego przebiegu rozwiązania AutoML.

get_best_child(metric: str | None = None, onnx_compatible: bool = False, **kwargs: Any) -> Run

Parametry

metric

str

wartość domyślna: None

Metryka do użycia podczas wybierania najlepszego przebiegu do zwrócenia. Domyślnie jest to metryka podstawowa.

onnx_compatible

wartość domyślna: False

Czy zwracać tylko przebiegi, które wygenerowały modele onnx.

kwargs

Wymagane

Zwraca

Uruchamianie podrzędne rozwiązania AutoML.

get_guardrails

Drukuj i zwracaj szczegółowe wyniki z uruchamiania weryfikacji guardrail.

get_guardrails(to_console: bool = True) -> Dict[str, Any]

Parametry

to_console

bool

wartość domyślna: True

Wskazuje, czy należy zapisać wyniki weryfikacji w konsoli programu .

Zwraca

Słownik wyników weryfikatora.

Typ zwracany

dict

Wyjątki

UserErrorException

get_output

Zwróć przebieg z odpowiednim najlepszym potokiem, który został już przetestowany.

Jeśli nie podano parametrów wejściowych, get_output zwraca najlepszy potok zgodnie z metryki podstawowej. Alternatywnie można użyć parametru iteration lub metric , aby pobrać określoną iterację lub najlepszy przebieg dla podanej metryki.

get_output(iteration: int | None = None, metric: str | None = None, return_onnx_model: bool = False, return_split_onnx_model: SplitOnnxModelName | None = None, **kwargs: Any) -> Tuple[Run, Any]

Parametry

iteration

int

wartość domyślna: None

Liczba iteracji odpowiedniego przebiegu i dopasowanego modelu do zwrócenia.

metric

str

wartość domyślna: None

Metryka do użycia podczas wybierania najlepszego przebiegu i dopasowanego modelu do zwrócenia.

return_onnx_model

bool

wartość domyślna: False

Ta metoda zwróci przekonwertowany model ONNX, jeśli enable_onnx_compatible_models parametr został ustawiony na wartość True w AutoMLConfig obiekcie.

return_split_onnx_model

SplitOnnxModelName

wartość domyślna: None

Typ modelu onnx podziału, który ma być zwracany

Zwraca

Przebieg, odpowiedni dopasowany model.

Typ zwracany

Run, <xref:Model>

Wyjątki

ConfigException

OnnxConvertException

NotFoundException

Uwagi

Jeśli chcesz sprawdzić używane preprocesory i algorytm (narzędzie do szacowania), możesz to zrobić za pomocą Model.stepsmetody podobnej do sklearn.pipeline.Pipeline.steps. Na przykład poniższy kod pokazuje, jak pobrać narzędzie do szacowania.

   best_run, model = parent_run.get_output()
   estimator = model.steps[-1]

get_run_sdk_dependencies

Pobierz zależności uruchamiania zestawu SDK dla danego przebiegu.

get_run_sdk_dependencies(iteration=None, check_versions=True, **kwargs)

Parametry

iteration

int

wartość domyślna: None

Numer iteracji dopasowanego przebiegu do pobrania. Jeśli brak, pobierz środowisko nadrzędne.

check_versions

bool

wartość domyślna: True

Jeśli prawda, sprawdź wersje w bieżącym środowisku. Jeśli wartość False, przekaż.

Zwraca

Słownik zależności pobrany z elementu RunHistory.

Typ zwracany

dict

Wyjątki

ConfigException

pause

Zwraca wartość True, jeśli przebieg automatycznego uczenia maszynowego został pomyślnie wstrzymany.

Ta metoda nie jest zaimplementowana.

pause()

Wyjątki

NotImplementedError

register_model

Zarejestruj model w usłudze AzureML ACI.

register_model(model_name=None, description=None, tags=None, iteration=None, metric=None)

Parametry

model_name

str

wartość domyślna: None

Nazwa wdrażanego modelu.

description

str

wartość domyślna: None

Opis wdrażanego modelu.

tags

dict

wartość domyślna: None

Tagi dla wdrażanego modelu.

iteration

int

wartość domyślna: None

Zastąpij model do wdrożenia. Wdraża model dla danej iteracji.

metric

str

wartość domyślna: None

Zastąpij model do wdrożenia. Wdraża najlepszy model dla innej metryki.

Zwraca

Zarejestrowany obiekt modelu.

Typ zwracany

<xref:Model>

resume

Zwraca wartość True, jeśli przebieg rozwiązania AutoML został pomyślnie wznowiony.

Ta metoda nie jest zaimplementowana.

resume()

Wyjątki

NotImplementedError:

retry

Zwraca wartość True, jeśli przebieg rozwiązania AutoML został pomyślnie ponowiony.

Ta metoda nie jest zaimplementowana.

retry()

Wyjątki

NotImplementedError

summary

Pobierz tabelę zawierającą podsumowanie prób algorytmów i ich wyniki.

summary()

Zwraca

Ramka danych pandas zawierająca statystyki modelu automl.

Typ zwracany

DataFrame

wait_for_completion

Poczekaj na ukończenie tego przebiegu.

Zwraca obiekt status po oczekiwaniu.

wait_for_completion(show_output=False, wait_post_processing=False)

Parametry

show_output

bool

wartość domyślna: False

Wskazuje, czy dane wyjściowe przebiegu mają być wyświetlane w pliku sys.stdout.

wait_post_processing

bool

wartość domyślna: False

Wskazuje, czy poczekać na zakończenie przetwarzania końcowego po zakończeniu przebiegu.

Zwraca

Obiekt stanu.

Typ zwracany

dict

Wyjątki

ExperimentExecutionException

Atrybuty

run_id

Zwróć identyfikator przebiegu bieżącego przebiegu.

Zwraca

Identyfikator przebiegu bieżącego przebiegu.

Typ zwracany

str