ImageClassificationJob Classe

Configuração para o trabalho de Classificação de Imagens de várias classes do AutoML.

Inicialize um novo trabalho de Classificação de Imagens de várias classes do AutoML.

Herança

azure.ai.ml.entities._job.automl.image.automl_image_classification_base.AutoMLImageClassificationBase

ImageClassificationJob

Construtor

ImageClassificationJob(*, primary_metric: str | ClassificationPrimaryMetrics | None = None, **kwargs)

Parâmetros

primary_metric

Obrigatório

A métrica primária a ser usada para otimização

kwargs

Obrigatório

Argumentos específicos do trabalho

Métodos

dump	Despeja o conteúdo do trabalho em um arquivo no formato YAML.
extend_search_space	Adicione espaço de pesquisa para tarefas de classificação de imagem automl e classificação de imagem multi-rótulo.
set_data
set_limits	Limite as configurações para todos os Verticais de Imagem do AutoML.
set_sweep	Configurações de varredura para todos os Verticais de Imagem do AutoML.
set_training_parameters	Definindo parâmetros de treinamento de imagem para tarefas de classificação de imagem autoML e classificação de imagem multi-rótulo.

dump

Despeja o conteúdo do trabalho em um arquivo no formato YAML.

dump(dest: str | PathLike | IO, **kwargs) -> None

Parâmetros

dest

Union[<xref:PathLike>, str, IO[AnyStr]]

Obrigatório

O caminho local ou o fluxo de arquivos no qual gravar o conteúdo YAML. Se dest for um caminho de arquivo, um novo arquivo será criado. Se dest for um arquivo aberto, o arquivo será gravado diretamente.

kwargs

dict

Argumentos adicionais a serem passados para o serializador YAML.

Exceções

FileExistsError

Gerado se dest for um caminho de arquivo e o arquivo já existir.

IOError

Gerado se dest for um arquivo aberto e o arquivo não for gravável.

extend_search_space

Adicione espaço de pesquisa para tarefas de classificação de imagem automl e classificação de imagem multi-rótulo.

extend_search_space(value: SearchSpace | List[SearchSpace]) -> None

Parâmetros

value

Union[ImageClassificationSearchSpace, List[ImageClassificationSearchSpace]]

Obrigatório

especifique uma instância de ImageClassificationSearchSpace ou uma lista de ImageClassificationSearchSpace para pesquisar no espaço do parâmetro

Exceções

FileExistsError

Gerado se dest for um caminho de arquivo e o arquivo já existir.

IOError

Gerado se dest for um arquivo aberto e o arquivo não for gravável.

set_data

set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None

Exceções

FileExistsError

Gerado se dest for um caminho de arquivo e o arquivo já existir.

IOError

Gerado se dest for um arquivo aberto e o arquivo não for gravável.

set_limits

Limite as configurações para todos os Verticais de Imagem do AutoML.

set_limits(*, max_concurrent_trials: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None) -> None

Parâmetros

timeout_minutes

timedelta

Tempo limite do trabalho do AutoML.

Exceções

FileExistsError

Gerado se dest for um caminho de arquivo e o arquivo já existir.

IOError

Gerado se dest for um arquivo aberto e o arquivo não for gravável.

set_sweep

Configurações de varredura para todos os Verticais de Imagem do AutoML.

set_sweep(*, sampling_algorithm: str | Random | Grid | Bayesian, early_termination: BanditPolicy | MedianStoppingPolicy | TruncationSelectionPolicy | None = None) -> None

Parâmetros

sampling_algorithm

Obrigatórios. [Obrigatório] Tipo dos algoritmos de amostragem de hiperparâmetro. Os valores possíveis incluem: "Grid", "Random", "Bayesian".

early_termination

Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]

Tipo de política de encerramento antecipado.

Exceções

FileExistsError

Gerado se dest for um caminho de arquivo e o arquivo já existir.

IOError

Gerado se dest for um arquivo aberto e o arquivo não for gravável.

set_training_parameters

Definindo parâmetros de treinamento de imagem para tarefas de classificação de imagem autoML e classificação de imagem multi-rótulo.

set_training_parameters(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: str | LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: str | StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, training_crop_size: int | None = None, validation_crop_size: int | None = None, validation_resize_size: int | None = None, weighted_loss: int | None = None) -> None

Parâmetros

advanced_settings

str

Configurações para cenários avançados.

ams_gradient

bool

Habilite o AMSGrad quando o otimizador for 'adam' ou 'adamw'.

beta1

float

Valor de 'beta1' quando o otimizador é 'adam' ou 'adamw'. Precisa ser um float no intervalo [0, 1].

beta2

float

Valor de 'beta2' quando o otimizador é 'adam' ou 'adamw'. Precisa ser um float no intervalo [0, 1].

checkpoint_frequency

int

Frequência para armazenar pontos de verificação do modelo. Deve ser um número inteiro positivo.

checkpoint_run_id

str

A ID de uma execução anterior que tem um ponto de verificação pré-treinado para treinamento incremental.

distributed

bool

Se o treinamento distribuído deve ser usado.

early_stopping

bool

Habilitar a lógica de parada antecipada durante o treinamento.

early_stopping_delay

int

Número mínimo de épocas ou avaliações de validação a aguardar antes que a melhoria da métrica primária seja rastreada para interrupção antecipada. Deve ser um número inteiro positivo.

early_stopping_patience

int

Número mínimo de épocas ou avaliações de validação sem melhoria de métrica primária antes que a execução seja interrompida. Deve ser um número inteiro positivo.

enable_onnx_normalization

bool

Habilite a normalização ao exportar o modelo ONNX.

evaluation_frequency

int

Frequência para avaliar o conjunto de dados de validação a fim de obter pontuações de métrica. Deve ser um número inteiro positivo.

gradient_accumulation_step

int

Acumulação de gradiente significa executar um número configurado de etapas "GradAccumulationStep" sem atualizar os pesos do modelo enquanto acumula os gradientes dessas etapas e, em seguida, usar os gradientes acumulados para calcular as atualizações de peso. Deve ser um número inteiro positivo.

layers_to_freeze

Número de camadas a serem congeladas para o modelo. Deve ser um número inteiro positivo. Por exemplo, passar 2 como valor para 'seresnext' significa congelar camada0 e camada1. Para obter uma lista completa dos modelos com suporte e detalhes sobre o congelamento de camadas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long

learning_rate

float

Taxa de aprendizagem inicial. Precisa ser um float no intervalo [0, 1].

learning_rate_scheduler

Tipo de agendador de taxa de aprendizagem. Deve ser 'warmup_cosine' ou 'step'. Os valores possíveis incluem: "None", "WarmupCosine", "Step".

model_name

Nome do modelo a ser usado para treinamento. Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum

float

Valor do momento quando o otimizador é 'sgd'. Precisa ser um float no intervalo [0, 1].

nesterov

bool

Habilite aninhado quando o otimizador for 'sgd'.

number_of_epochs

int

Número de épocas de treinamento. Deve ser um número inteiro positivo.

number_of_workers

int

Número de trabalhos do carregador de dados. Deve ser um inteiro não negativo.

optimizer

Tipo de otimizador. Os valores possíveis incluem: "None", "Sgd", "Adam", "Adamw".

random_seed

int

Semente aleatória a ser usada ao usar o treinamento determinístico.

step_lr_gamma

float

Valor de gama quando o agendador de taxa de aprendizagem é 'step'. Precisa ser um float no intervalo [0, 1].

step_lr_step_size

int

Valor do tamanho da etapa quando o agendador de taxa de aprendizagem é 'step'. Deve ser um número inteiro positivo.

training_batch_size

int

Tamanho do lote de treinamento. Deve ser um número inteiro positivo.

validation_batch_size

int

Tamanho do lote de validação. Deve ser um número inteiro positivo.

warmup_cosine_lr_cycles

float

Valor do ciclo de cosseno quando o agendador de taxa de aprendizagem é "warmup_cosine". Precisa ser um float no intervalo [0, 1].

warmup_cosine_lr_warmup_epochs

int

Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Deve ser um número inteiro positivo.

weight_decay

float

Valor da decaimento de peso quando o otimizador é 'sgd', 'adam' ou 'adamw'. Deve ser um float no intervalo[0, 1].

training_crop_size

int

Tamanho de corte de imagem que é a entrada para a rede neural para o conjunto de dados de treinamento. Deve ser um número inteiro positivo.

validation_crop_size

int

Tamanho de corte de imagem que é a entrada para a rede neural para o conjunto de dados de validação. Deve ser um número inteiro positivo.

validation_resize_size

int

Tamanho da imagem a redimensionar antes do corte para um conjunto de validação. Deve ser um número inteiro positivo.

weighted_loss

int

Perda ponderada. Os valores aceitos são 0 para nenhuma perda ponderada. 1 para perda ponderada com sqrt. (class_weights). 2 para perda ponderada com class_weights. Precisa ser 0, 1 ou 2.

Exceções

FileExistsError

Gerado se dest for um caminho de arquivo e o arquivo já existir.

IOError

Gerado se dest for um arquivo aberto e o arquivo não for gravável.

Atributos

base_path

O caminho base do recurso.

Retornos

O caminho base do recurso.

Tipo de retorno

str

creation_context

O contexto de criação do recurso.

Retornos

Os metadados de criação para o recurso.

Tipo de retorno

Optional[SystemData]

id

A ID do recurso.

Retornos

A ID global do recurso, uma ID do ARM (Resource Manager do Azure).

Tipo de retorno

Optional[str]

inputs

limits

log_files

Arquivos de saída do trabalho.

Retornos

O dicionário de nomes de log e URLs.

Tipo de retorno

Optional[Dict[str, str]]

log_verbosity

outputs

primary_metric

search_space

status

O status do trabalho.

Os valores comuns retornados incluem "Running", "Completed" e "Failed". Todos os valores possíveis são:

• NotStarted - Esse é um estado temporário em que os objetos Run do lado do cliente estão antes do envio à nuvem.

• Starting – A Execução começou a ser processada na nuvem. O chamador tem uma ID de execução neste ponto.

• Provisionamento – a computação sob demanda está sendo criada para um determinado envio de trabalho.

• Preparando – o ambiente de execução está sendo preparado e está em um dos dois estágios:

  • Build de imagem do Docker

  • conda environment setup

• Enfileirado – o trabalho está na fila no destino de computação. Por exemplo, no BatchAI, o trabalho está em um estado enfileirado

  enquanto aguarda que todos os nós solicitados estejam prontos.

• Em execução – o trabalho começou a ser executado no destino de computação.

• Finalização – a execução do código do usuário foi concluída e a execução está em estágios de pós-processamento.

• CancelRequested – O cancelamento foi solicitado para o trabalho.

• Concluído – a execução foi concluída com êxito. Isso inclui a execução e a execução do código do usuário

  estágios de pós-processamento.

• Failed – A execução falhou. Normalmente, a propriedade de Erro em uma execução fornecerá detalhes sobre o motivo.

• Canceled – Segue uma solicitação de cancelamento e indica que a execução foi cancelada com êxito.

• NotResponding – Para execuções que têm Pulsações habilitadas, nenhuma pulsação foi enviada recentemente.

Retornos

Status do trabalho.

Tipo de retorno

Optional[str]

studio_url

Ponto de extremidade do Estúdio do Azure ML.

Retornos

A URL para a página de detalhes do trabalho.

Tipo de retorno

Optional[str]

sweep

task_type

Obter tipo de tarefa.

Retornos

O tipo de tarefa a ser executado. Os valores possíveis incluem: "classificação", "regressão", "previsão".

Tipo de retorno

str

test_data

Obter dados de teste.

Retornos

Testar entrada de dados

Tipo de retorno

Input

training_data

Obter dados de treinamento.

Retornos

Entrada de dados de treinamento

Tipo de retorno

Input

training_parameters

type

O tipo do trabalho.

Retornos

O tipo do trabalho.

Tipo de retorno

Optional[str]

validation_data

Obter dados de validação.

Retornos

Entrada de dados de validação

Tipo de retorno

Input