EstimatorStep Classe

DEPRECADO. Cria uma etapa de pipeline a ser executada Estimator para o treinamento do modelo do Azure ML.

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

DEPRECADO. Use o CommandStep em vez disso. Para obter um exemplo , consulte Como executar o treinamento de ML em pipelines com CommandStep.

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 estimador associado para esta etapa. Pode ser um avaliador pré-configurado, comoChainer, , PyTorchTensorFlowou 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 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 em runtime usando pares chave-valor, cada uma com o nome da propriedade runconfig e PipelineParameter para essa propriedade. Valores com suporte: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', '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 reutilizar os resultados anteriores ao executar novamente com as mesmas configurações. A reutilização é habilitada por padrão. Se o conteúdo da etapa (scripts/dependências), bem como entradas e parâmetros permanecerem inalterados, a saída da execução anterior desta etapa será reutilizado. Ao reutilizar a etapa, em vez de enviar o trabalho para computação, os resultados da execução anterior são imediatamente disponibilizados para quaisquer etapas subsequentes. Se você usar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada se a definição do conjunto de dados foi alterada, não se os dados subjacentes foram alterados. Valor padrão: True
version	str Uma marca de versão opcional para indicar uma alteração na funcionalidade do módulo. Valor padrão: None
name Obrigatório	str O nome da etapa.
estimator Obrigatório	<xref:Estimator> O objeto estimador associado para esta etapa. Pode ser um avaliador pré-configurado, comoChainer, , PyTorchTensorFlowou 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 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 em runtime usando pares chave-valor, cada uma com o nome da propriedade runconfig e PipelineParameter para essa propriedade. Valores com suporte: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', '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 reutilizar os resultados anteriores ao executar novamente com as mesmas configurações. A reutilização é habilitada por padrão. Se o conteúdo da etapa (scripts/dependências), bem como entradas e parâmetros permanecerem inalterados, a saída da execução anterior desta etapa será reutilizado. Ao reutilizar a etapa, em vez de enviar o trabalho para computação, os resultados da execução anterior são imediatamente disponibilizados para quaisquer etapas subsequentes. Se você usar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada se a definição do conjunto de dados foi alterada, não se os dados subjacentes foram alterados.
version Obrigatório	str versão

Comentários

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

A inicialização estimatorStep envolve a especificação de uma lista de entradas com o inputs parâmetro e você não precisa especificar as entradas com o Avaliador, uma exceção será gerada se você fizer isso. Consulte o inputs parâmetro para os tipos de entradas permitidas. Opcionalmente, você também pode especificar quaisquer saídas para a etapa. Consulte o outputs parâmetro para os tipos de saídas permitidas.

A melhor prática para trabalhar com EstimatorStep é usar uma pasta separada para scripts e quaisquer arquivos dependentes associados à etapa e especificar essa pasta como a Estimator do source_directoryobjeto. Fazer isso tem dois benefícios. Primeiro, ele ajuda a reduzir o tamanho do instantâneo criado para a etapa, pois somente o que é necessário para a etapa é instantâneo. Em segundo lugar, a saída da etapa de uma execução anterior poderá ser reutilizado se não houver alterações no source_directory que dispararia um novo upload do snaphot.

Métodos

create_node

Crie um nó a partir da etapa do Avaliador e adicione-o ao grafo especificado. DEPRECADO. Use o CommandStep em vez disso. Para obter um exemplo , consulte Como executar o treinamento de ML em pipelines com CommandStep. Esse método não se destina a ser usado diretamente. Quando um pipeline é instanciado com essa etapa, o Azure ML passa automaticamente os parâmetros necessários por meio desse método para que essa etapa possa ser adicionada a um grafo de pipeline que representa o fluxo de trabalho.

create_node

Crie um nó a partir da etapa do Avaliador e adicione-o ao grafo especificado.

DEPRECADO. Use o CommandStep em vez disso. Para obter um exemplo , consulte Como executar o treinamento de ML em pipelines com CommandStep.

Esse método não se destina a ser usado diretamente. Quando um pipeline é instanciado com essa etapa, o Azure ML passa automaticamente os parâmetros necessários por meio desse método para que essa etapa possa ser adicionada a um grafo 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.