SKLearn Klasa

Odwołanie

Tworzy narzędzie do szacowania na potrzeby trenowania w eksperymentach Scikit-learn.

PRZESTARZAŁE. ScriptRunConfig Użyj obiektu z własnym zdefiniowanym środowiskiem lub AzureML-Tutorial wyselekcjonowane środowisko. Aby zapoznać się z wprowadzeniem do konfigurowania przebiegów eksperymentów SKLearn za pomocą polecenia ScriptRunConfig, zobacz Szkolenie modeli scikit-learn na dużą skalę przy użyciu usługi Azure Machine Learning.

Ten narzędzie do szacowania obsługuje tylko trenowanie procesora CPU z jednym węzłem.

Obsługiwane wersje: 0.20.3

Zainicjuj narzędzie do szacowania Scikit-learn.

Dziedziczenie: azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimator

SKLearn

Konstruktor

SKLearn(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, use_docker=True, custom_docker_image=None, image_registry_details=None, user_managed=False, conda_packages=None, pip_packages=None, conda_dependencies_file_path=None, pip_requirements_file_path=None, conda_dependencies_file=None, pip_requirements_file=None, environment_variables=None, environment_definition=None, inputs=None, shm_size=None, resume_from=None, max_run_duration_seconds=None, framework_version=None, _enable_optimized_mode=False, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)

Parametry

Nazwa	Opis
source_directory Wymagane	str Katalog lokalny zawierający pliki konfiguracji eksperymentu.
compute_target Wymagane	AbstractComputeTarget lub str Docelowy obiekt obliczeniowy, w którym nastąpi trenowanie. Może to być obiekt lub ciąg "local".
vm_size Wymagane	str Rozmiar maszyny wirtualnej docelowego obliczeniowego, który zostanie utworzony na potrzeby trenowania. Obsługiwane wartości: dowolny rozmiar maszyny wirtualnej platformy Azure.
vm_priority Wymagane	str Priorytet maszyny wirtualnej docelowego obliczeniowego, który zostanie utworzony na potrzeby trenowania. Jeśli nie zostanie określona, zostanie użyta wartość "dedykowana". Obsługiwane wartości: "dedykowane" i "lowpriority". Ma to zastosowanie tylko wtedy, gdy `vm_size param` element jest określony w danych wejściowych.
entry_script Wymagane	str Ciąg reprezentujący ścieżkę względną do pliku użytego do rozpoczęcia trenowania.
script_params Wymagane	dict Słownik argumentów wiersza polecenia, który ma być przekazywany do skryptu szkoleniowego określonego w pliku `entry_script`.
custom_docker_image Wymagane	str Nazwa obrazu platformy Docker, z którego obraz do użycia do trenowania zostanie utworzony. Jeśli nie zostanie ustawiony, domyślny obraz oparty na procesorze zostanie użyty jako obraz podstawowy.
image_registry_details Wymagane	ContainerRegistry Szczegóły rejestru obrazów platformy Docker.
user_managed Wymagane	bool Określa, czy usługa Azure ML ponownie używa istniejącego środowiska języka Python. Fałsz oznacza, że usługa AzureML utworzy środowisko języka Python na podstawie specyfikacji zależności conda.
conda_packages Wymagane	list Lista ciągów reprezentujących pakiety conda do dodania do środowiska języka Python na potrzeby eksperymentu.
pip_packages Wymagane	list Lista ciągów reprezentujących pakiety pip do dodania do środowiska języka Python na potrzeby eksperymentu.
conda_dependencies_file_path Wymagane	str Ciąg reprezentujący ścieżkę względną do pliku yaml zależności conda. Jeśli zostanie określony, usługa Azure ML nie zainstaluje żadnych pakietów powiązanych ze strukturą. Można to podać w połączeniu z parametrem `conda_packages` . PRZESTARZAŁE. Użyj parametru `conda_dependencies_file` .
pip_requirements_file_path Wymagane	str Ciąg reprezentujący ścieżkę względną do pliku tekstowego wymagań pip. Można to podać w połączeniu z parametrem `pip_packages` . PRZESTARZAŁE. Użyj parametru `pip_requirements_file` .
conda_dependencies_file Wymagane	str Ciąg reprezentujący ścieżkę względną do pliku yaml zależności conda. Jeśli zostanie określony, usługa Azure ML nie zainstaluje żadnych pakietów powiązanych ze strukturą. Można to podać w połączeniu z parametrem `conda_packages` .
pip_requirements_file Wymagane	str Ciąg reprezentujący ścieżkę względną do pliku tekstowego wymagań pip. Można to podać w połączeniu z parametrem `pip_packages` .
environment_variables Wymagane	dict Słownik nazw i wartości zmiennych środowiskowych. Te zmienne środowiskowe są ustawiane w procesie, w którym jest wykonywany skrypt użytkownika.
environment_definition Wymagane	Environment Definicja środowiska eksperymentu obejmuje zmienne środowiskowe PythonSection, DockerSection i środowiskowe. Każda opcja środowiska nie jest bezpośrednio uwidaczniona za pośrednictwem innych parametrów do konstrukcji narzędzia do szacowania, można ustawić przy użyciu `environment_definition` parametru . Jeśli ten parametr zostanie określony, pierwszeństwo przed innymi parametrami powiązanymi ze środowiskiem, takimi jak `use_gpu`, , `custom_docker_image`lub `conda_packagespip_packages`. Błędy będą zgłaszane nieprawidłowe kombinacje.
inputs Wymagane	list Lista obiektów lubDatasetConsumptionConfig, DataReference które mają być używane jako dane wejściowe.
shm_size Wymagane	str Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Jeśli nie zostanie ustawiona, zostanie użyta domyślna azureml.core.environment._DEFAULT_SHM_SIZE.
resume_from Wymagane	DataPath Ścieżka danych zawierająca pliki punktu kontrolnego lub modelu, z których ma być wznowione eksperyment.
max_run_duration_seconds Wymagane	int Maksymalny dozwolony czas przebiegu. Usługa Azure ML podejmie próbę automatycznego anulowania przebiegu, jeśli trwa dłużej niż ta wartość.
framework_version Wymagane	str Wersja biblioteki Scikit-learn, która ma być używana do wykonywania kodu szkoleniowego. `SKLearn.get_supported_versions()` Zwraca listę wersji obsługiwanych przez bieżący zestaw SDK.
source_directory Wymagane	str Katalog lokalny zawierający pliki konfiguracji eksperymentu.
compute_target Wymagane	AbstractComputeTarget lub str Docelowy obiekt obliczeniowy, w którym nastąpi trenowanie. Może to być obiekt lub ciąg "local".
vm_size Wymagane	str Rozmiar maszyny wirtualnej docelowego obliczeniowego, który zostanie utworzony na potrzeby trenowania. Obsługiwane wartości: dowolny rozmiar maszyny wirtualnej platformy Azure.
vm_priority Wymagane	str Priorytet maszyny wirtualnej docelowego obliczeniowego, który zostanie utworzony na potrzeby trenowania. Jeśli nie zostanie określona, zostanie użyta wartość "dedykowana". Obsługiwane wartości: "dedykowane" i "lowpriority". Ma to zastosowanie tylko wtedy, gdy `vm_size param` element jest określony w danych wejściowych.
entry_script Wymagane	str Ciąg reprezentujący ścieżkę względną do pliku użytego do rozpoczęcia trenowania.
script_params Wymagane	dict Słownik argumentów wiersza polecenia, który ma być przekazywany do skryptu szkoleniowego określonego w pliku `entry_script`.
use_docker Wymagane	bool Wartość logiczna wskazująca, czy środowisko do uruchomienia eksperymentu powinno być oparte na platformie Docker.
custom_docker_image Wymagane	str Nazwa obrazu platformy Docker, z którego obraz do użycia do trenowania zostanie utworzony. Jeśli nie zostanie ustawiony, zostanie użyty domyślny obraz oparty na procesorze CPU jako obraz podstawowy.
image_registry_details Wymagane	ContainerRegistry Szczegóły rejestru obrazów platformy Docker.
user_managed Wymagane	bool Określa, czy usługa Azure ML ponownie używa istniejącego środowiska języka Python. Fałsz oznacza, że usługa AzureML utworzy środowisko języka Python na podstawie specyfikacji zależności conda.
conda_packages Wymagane	list Lista ciągów reprezentujących pakiety conda do dodania do środowiska języka Python na potrzeby eksperymentu.
pip_packages Wymagane	list Lista ciągów reprezentujących pakiety pip do dodania do środowiska języka Python na potrzeby eksperymentu.
conda_dependencies_file_path Wymagane	str Ciąg reprezentujący ścieżkę względną do pliku yaml zależności conda. Jeśli zostanie określony, usługa Azure ML nie zainstaluje żadnych pakietów powiązanych ze strukturą. Można to podać w połączeniu z parametrem `conda_packages` . PRZESTARZAŁE. Użyj parametru `conda_dependencies_file` .
pip_requirements_file_path Wymagane	str Ciąg reprezentujący ścieżkę względną do pliku tekstowego wymagań pip. Można to podać w połączeniu z parametrem `pip_packages` . PRZESTARZAŁE. Użyj parametru `pip_requirements_file` .
conda_dependencies_file Wymagane	str Ciąg reprezentujący ścieżkę względną do pliku yaml zależności conda. Jeśli zostanie określony, usługa Azure ML nie zainstaluje żadnych pakietów powiązanych ze strukturą. Można to podać w połączeniu z parametrem `conda_packages` .
pip_requirements_file Wymagane	str Ciąg reprezentujący ścieżkę względną do pliku tekstowego wymagań pip. Można to podać w połączeniu z parametrem `pip_packages` .
environment_variables Wymagane	dict Słownik nazw i wartości zmiennych środowiskowych. Te zmienne środowiskowe są ustawiane w procesie, w którym jest wykonywany skrypt użytkownika.
environment_definition Wymagane	Environment Definicja środowiska eksperymentu obejmuje zmienne środowiskowe PythonSection, DockerSection i środowiskowe. Każda opcja środowiska nie jest bezpośrednio uwidaczniona za pośrednictwem innych parametrów do konstrukcji narzędzia do szacowania, można ustawić przy użyciu `environment_definition` parametru . Jeśli ten parametr zostanie określony, pierwszeństwo przed innymi parametrami powiązanymi ze środowiskiem, takimi jak `use_gpu`, , `custom_docker_image`lub `conda_packagespip_packages`. Błędy będą zgłaszane nieprawidłowe kombinacje.
inputs Wymagane	list Lista azureml.data.data_reference. Obiekty DataReference do użycia jako dane wejściowe.
shm_size Wymagane	str Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Jeśli nie zostanie ustawiona, zostanie użyta domyślna azureml.core.environment._DEFAULT_SHM_SIZE.
resume_from Wymagane	DataPath Ścieżka danych zawierająca pliki punktu kontrolnego lub modelu, z których ma być wznowione eksperyment.
max_run_duration_seconds Wymagane	int Maksymalny dozwolony czas przebiegu. Usługa Azure ML podejmie próbę automatycznego anulowania przebiegu, jeśli trwa dłużej niż ta wartość.
framework_version Wymagane	str Wersja biblioteki Scikit-learn, która ma być używana do wykonywania kodu szkoleniowego. `SKLearn.get_supported_versions()` Zwraca listę wersji obsługiwanych przez bieżący zestaw SDK.
_enable_optimized_mode Wymagane	bool Włącz kompilację środowiska przyrostowego przy użyciu wstępnie utworzonych obrazów platform w celu szybszego przygotowania środowiska. Wstępnie utworzony obraz platformy jest oparty na domyślnych obrazach podstawowych procesora CPU/procesora GPU usługi Azure ML ze wstępnie zainstalowanymi zależnościami platformy.
_disable_validation Wymagane	bool Wyłącz walidację skryptu przed przesłaniem. Wartość domyślna to True.
_show_lint_warnings Wymagane	bool Pokaż ostrzeżenia dotyczące lintingu skryptu. Wartość domyślna to False.
_show_package_warnings Wymagane	bool Pokaż ostrzeżenia dotyczące walidacji pakietu. Wartość domyślna to False.

Uwagi

Podczas przesyłania zadania szkoleniowego usługa Azure ML uruchamia skrypt w środowisku conda w kontenerze platformy Docker. Kontenery SKLearn mają zainstalowane następujące zależności.

Zależności | Scikit-learn 0.20.3 | ———————- | —————– | Python | 3.6.2 | azureml-defaults | Najnowsze | IntelMpi | 2018.3.222 | scikit-learn | 0.20.3 | numpy | 1.16.2 | miniconda | 4.5.11 | scipy | 1.2.1 | joblib | 0.13.2 | git | 2.7.4 |

Obrazy platformy Docker rozszerzają system Ubuntu 16.04.

Jeśli musisz zainstalować dodatkowe zależności, możesz użyć parametrów pip_packages lub conda_packages albo podać plik pip_requirements_file lub conda_dependencies_file . Alternatywnie możesz utworzyć własny obraz i przekazać custom_docker_image parametr do konstruktora narzędzia do szacowania.

Atrybuty

DEFAULT_VERSION

DEFAULT_VERSION = '0.20.3'

FRAMEWORK_NAME

FRAMEWORK_NAME = 'SKLearn'

Udostępnij za pośrednictwem