EstimatorStep Classe

PRETERIDO. Cria uma etapa de pipeline para executar Estimator para o treinamento do modelo do Azure ML.

Crie uma etapa do Pipeline do Azure ML para executar o treinamento de modelo do Avaliador para Machine Learning.

PRETERIDO. Em vez disso, use CommandStep. Para obter um exemplo, confira Como executar o treinamento de ML em pipelines com CommandStep.

Herança

PythonScriptStep

EstimatorStep

Construtor

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)

Parâmetros

Nome	Description
name	str O nome da etapa. valor padrão: None
estimator	Estimator O objeto do avaliador associado para esta etapa. Pode ser um avaliador pré-configurado, como Chainer, PyTorch, TensorFlow ou SKLearn. valor padrão: None
estimator_entry_script_arguments	list[str] [Obrigatório] Uma lista de argumentos de linha de comando. Se o script de entrada do Avaliador não aceitar os argumentos de linha de comando, defina esse valor de parâmetro como uma lista vazia. valor padrão: None
runconfig_pipeline_params	dict[str, PipelineParameter] Uma substituição das propriedades runconfig no runtime usando pares chave-valor, em que cada um tem o nome da propriedade runconfig e o PipelineParameter dessa propriedade. Valores com suporte: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount' e 'TensorflowParameterServerCount' valor padrão: None
inputs	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]] Uma lista de entradas a serem usadas. valor padrão: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset]] Uma lista de objetos PipelineData. valor padrão: None
compute_target	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Obrigatório] O destino de computação a ser usado. valor padrão: None
allow_reuse	bool Indica se a etapa deve ou não reutilizar os resultados anteriores quando executada novamente com as mesmas configurações. A reutilização está habilitada por padrão. Se o conteúdo da etapa (scripts/dependências), as entradas e os parâmetros permanecerem inalterados, será reutilizada a saída da execução anterior dessa etapa. Ao reutilizar a etapa, em vez de enviar o trabalho para computação, os resultados da execução anterior serão disponibilizados imediatamente para etapas posteriores. Se você usar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada dependendo de ter havido ou não alteração da definição do conjunto de dados, não de ter havido alteração dos dados subjacentes. valor padrão: True
version	str Uma marca de versão opcional para denotar uma alteração na funcionalidade do módulo. valor padrão: None
name Obrigatório	str O nome da etapa.
estimator Obrigatório	<xref:Estimator> O objeto do avaliador associado para esta etapa. Pode ser um avaliador pré-configurado, como Chainer, PyTorch, TensorFlow ou SKLearn.
estimator_entry_script_arguments Obrigatório	[str] [Obrigatório] Uma lista de argumentos de linha de comando. Se o script de entrada do Avaliador não aceitar os argumentos de linha de comando, defina esse valor de parâmetro como uma lista vazia.
runconfig_pipeline_params Obrigatório	dict[str, PipelineParameter] Uma substituição das propriedades runconfig no runtime usando pares chave-valor, em que cada um tem o nome da propriedade runconfig e o PipelineParameter dessa propriedade. Valores com suporte: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount' e 'TensorflowParameterServerCount'
inputs Obrigatório	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]] Uma lista de entradas a serem usadas.
outputs Obrigatório	list[Union[PipelineData, PipelineOutputAbstractDataset] Uma lista de objetos PipelineData.
compute_target Obrigatório	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Obrigatório] O destino de computação a ser usado.
allow_reuse Obrigatório	bool Indica se a etapa deve ou não reutilizar os resultados anteriores quando executada novamente com as mesmas configurações. A reutilização está habilitada por padrão. Se o conteúdo da etapa (scripts/dependências), as entradas e os parâmetros permanecerem inalterados, será reutilizada a saída da execução anterior dessa etapa. Ao reutilizar a etapa, em vez de enviar o trabalho para computação, os resultados da execução anterior serão disponibilizados imediatamente para etapas posteriores. Se você usar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada dependendo de ter havido ou não alteração na definição do conjunto de dados, não de ter havido alteração nos dados subjacentes.
version Obrigatório	str version

Comentários

Observe que os argumentos para o script de entrada usado no objeto Estimator devem ser especificados como lista usando o parâmetro estimator_entry_script_arguments ao instanciar um EstimatorStep. O parâmetro script_params do avaliador aceita um dicionário. No entanto, o parâmetro estimator_entry_script_argument espera argumentos como uma lista.

A inicialização de EstimatorStep envolve a especificação de uma lista de entradas com o parâmetro inputs e não é preciso especificar as entradas com o avaliador, pois isso gera uma exceção. Confira o parâmetro inputs para ver os tipos de entradas permitidas. Opcionalmente, especifique qualquer saída para a etapa. Confira o parâmetro outputs para ver os tipos de saídas permitidas.

A prática recomendada ao trabalhar com EstimatorStep é usar uma pasta separada para scripts e arquivos dependentes associados à etapa e especificar essa pasta como o source_directory do objeto Estimator. Fazer isso traz dois benefícios. Primeiro, ajuda a reduzir o tamanho do instantâneo criado para a etapa porque apenas o que é necessário para a etapa é a captura de instantâneo. Segundo, a saída da etapa de uma execução anterior poderá ser reutilizada se não houver alterações no source_directory que disparariam um novo upload do instantâneo.

Métodos

create_node

Criar um nó na etapa do avaliador e adicioná-lo ao gráfico especificado. PRETERIDO. Em vez disso, use CommandStep. Para obter um exemplo, confira Como executar o treinamento de ML em pipelines com CommandStep. Esse método não deve ser usado diretamente. Quando um pipeline é instanciado com essa etapa, o Azure ML transmite os parâmetros necessários automaticamente por meio desse método para que a etapa possa ser adicionada a um gráfico de pipeline que representa o fluxo de trabalho.

create_node

Criar um nó na etapa do avaliador e adicioná-lo ao gráfico especificado.

PRETERIDO. Em vez disso, use CommandStep. Para obter um exemplo, confira Como executar o treinamento de ML em pipelines com CommandStep.

Esse método não deve ser usado diretamente. Quando um pipeline é instanciado com essa etapa, o Azure ML transmite os parâmetros necessários automaticamente por meio desse método para que a etapa possa ser adicionada a um gráfico de pipeline que representa o fluxo de trabalho.

create_node(graph, default_datastore, context)

Parâmetros

Nome	Description
graph Obrigatório	Graph O objeto de grafo ao qual adicionar o nó.
default_datastore Obrigatório	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] O armazenamento de dados padrão.
context Obrigatório	<xref:azureml.pipeline.core._GraphContext> O contexto do grafo.

Retornos

Tipo	Description
Node	O nó criado.