dnn Pakiet

Zawiera narzędzia do szacowania używane w trenowaniu głębokiej sieci neuronowej (DNN).

Klasy

Chainer	Reprezentuje narzędzie do szacowania na potrzeby trenowania w eksperymentach chainer. PRZESTARZAŁE. ScriptRunConfig Użyj obiektu z własnym zdefiniowanym środowiskiem lub jednym ze środowisk nadzorowanych usługi Azure ML Chainer. Aby zapoznać się z wprowadzeniem do konfigurowania przebiegów eksperymentów za pomocą polecenia ScriptRunConfig, zobacz Konfigurowanie i przesyłanie przebiegów trenowania. Obsługiwane wersje: 5.1.0, 7.0.0 Zainicjuj narzędzie do szacowania chainer.
Gloo	Zarządza ustawieniami Gloo dla rozproszonych zadań szkoleniowych. PRZESTARZAŁE. Użyj klasy PyTorchConfiguration. Gloo można określić dla zadania trenowania przy użyciu distributed_training parametru wstępnie skonfigurowanego PyTorch narzędzia do szacowania lub dowolnego ogólnego Estimator pomocniczego Gloo. Klasa do zarządzania ustawieniami Gloo dla zadań.
Mpi	Zarządza ustawieniami interfejsu MPI (Message Passing Interface) dla rozproszonych zadań szkoleniowych. PRZESTARZAŁE. Użyj klasy MpiConfiguration. Interfejs MPI można określić dla zadania przy użyciu distributed_training parametru wstępnie skonfigurowanych Chainernarzędzia do szacowania , PyTorchi TensorFlow, lub z ogólnym Estimator. Klasa do zarządzania ustawieniami MPI dla zadań.
Nccl	Zarządza ustawieniami listy nccl dla rozproszonych zadań szkoleniowych. PRZESTARZAŁE. Użyj klasy PyTorchConfiguration. Nccl można określić dla zadania trenowania przy użyciu distributed_training parametru wstępnie skonfigurowanego PyTorch narzędzia do szacowania lub dowolnego ogólnego Estimator pomocniczego nccl. Klasa do zarządzania ustawieniami listy nccl dla zadań.
ParameterServer	Zarządza ustawieniami serwera parametrów na potrzeby zadań szkoleniowych. PRZESTARZAŁE. Użyj klasy TensorflowConfiguration. Klasa do zarządzania ustawieniami serwera parametrów dla zadań. PRZESTARZAŁE. Użyj klasy TensorflowConfiguration.
PyTorch	Reprezentuje narzędzie do szacowania na potrzeby trenowania w eksperymentach PyTorch. PRZESTARZAŁE. ScriptRunConfig Użyj obiektu z własnym zdefiniowanym środowiskiem lub jednym ze środowisk wyselekcjonowanych usługi Azure ML PyTorch. Aby zapoznać się z wprowadzeniem do konfigurowania przebiegów eksperymentów PyTorch za pomocą skryptu ScriptRunConfig, zobacz Trenowanie modeli PyTorch na dużą skalę za pomocą usługi Azure Machine Learning. Obsługiwane wersje: 1.0, 1.1, 1.2, 1.3, 1.4, 1.5, 1.6 Zainicjuj narzędzie do szacowania PyTorch. Dokumentacja uruchamiania platformy Docker. :type shm_size: str :p aram resume_from: ścieżka danych zawierająca pliki punktu kontrolnego lub modelu, z których ma być wznowione eksperyment. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: maksymalny dozwolony czas uruchomienia. Usługa Azure ML podejmie próbę automatycznego anuluj przebieg, jeśli trwa dłużej niż ta wartość.
TensorFlow	Reprezentuje narzędzie do szacowania na potrzeby trenowania w eksperymentach TensorFlow. PRZESTARZAŁE. ScriptRunConfig Użyj obiektu z własnym zdefiniowanym środowiskiem lub jednym ze środowisk wyselekcjonowanych Biblioteki TensorFlow usługi Azure ML. Aby zapoznać się z wprowadzeniem do konfigurowania przebiegów eksperymentów TensorFlow za pomocą skryptu ScriptRunConfig, zobacz Trenowanie modeli TensorFlow na dużą skalę za pomocą usługi Azure Machine Learning. Obsługiwane wersje: 1.10, 1.12, 1.13, 2.0, 2.1, 2.2 Zainicjuj narzędzie do szacowania TensorFlow. Dokumentacja uruchamiania platformy Docker. :type shm_size: str :p aram resume_from: ścieżka danych zawierająca pliki punktu kontrolnego lub modelu, z których ma być wznowione eksperyment. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: maksymalny dozwolony czas uruchomienia. Usługa Azure ML podejmie próbę automatycznego anuluj przebieg, jeśli trwa dłużej niż ta wartość.