Partilhar via

Configurar o treinamento de AutoML para dados tabulares com a CLI do Azure Machine Learning e o SDK do Python

  • Artigo

APLICA-SE A:Azure CLI ml extension v2 (current)Python SDK azure-ai-ml v2 (current)

Neste artigo, saiba como configurar um trabalho de treinamento de aprendizado de máquina automatizado (AutoML) com o SDK do Python do Azure Machine Learning v2. O ML automatizado seleciona um algoritmo e hiperparâmetros para você e gera um modelo pronto para implantação. Este artigo fornece detalhes das várias opções que você pode usar para configurar experimentos automatizados de aprendizado de máquina.

Se preferir uma experiência sem código, você também pode configurar o treinamento de ML automatizado sem código para dados tabulares com a interface do usuário do estúdio.

Pré-requisitos

Para usar as informações do SDK , instale o SDK do Azure Machine Learning v2 para Python.

Para instalar o SDK, você pode:

  • Crie uma instância de computação, que já tem o SDK Python do Azure Machine Learning mais recente e está configurada para fluxos de trabalho de ML. Para obter mais informações, consulte Criar uma instância de computação do Azure Machine Learning.
  • Instale o SDK em sua máquina local.

Configurar a sua área de trabalho

Para se conectar a um espaço de trabalho, você precisa fornecer uma assinatura, um grupo de recursos e um espaço de trabalho.

Os detalhes do MLClient espaço de trabalho são usados no de para obter um identificador para o espaço de azure.ai.ml trabalho necessário do Azure Machine Learning.

O exemplo a seguir usa a autenticação padrão do Azure com a configuração de espaço de trabalho padrão ou configuração de um config.json arquivo na estrutura de pastas. Se não encontrar , config.jsonvocê precisará introduzir manualmente a ID da assinatura, o grupo de recursos e o espaço de trabalho ao criar o MLClient.

from azure.identity import DefaultAzureCredential
from azure.ai.ml import MLClient

credential = DefaultAzureCredential()
ml_client = None
try:
    ml_client = MLClient.from_config(credential)
except Exception as ex:
    print(ex)
    # Enter details of your Azure Machine Learning workspace
    subscription_id = "<SUBSCRIPTION_ID>"
    resource_group = "<RESOURCE_GROUP>"
    workspace = "<AZUREML_WORKSPACE_NAME>"
    ml_client = MLClient(credential, subscription_id, resource_group, workspace)

Especificar a fonte de dados e o formato

Para fornecer dados de treinamento no SDK v2, você precisa carregá-los na nuvem por meio de um MLTable.

Requisitos para carregar dados em um MLTable:

  • Os dados devem estar em forma de tabela.
  • O valor a ser previsto, coluna de destino, deve estar nos dados.

Os dados de treinamento devem estar acessíveis a partir da computação remota. O ML automatizado v2 (Python SDK e CLI/YAML) aceita ativos de dados MLTable (v2). Para compatibilidade com versões anteriores, ele também suporta conjuntos de dados tabulares v1 de v1, um conjunto de dados tabulares registrado, através das mesmas propriedades de conjunto de dados de entrada. Recomendamos que você use MLTable, disponível na v2. Neste exemplo, os dados são armazenados no caminho local, ./train_data/bank_marketing_train_data.csv.

Você pode criar um MLTable usando o SDK do Python mltable como no exemplo a seguir:

import mltable

paths = [
    {'file': './train_data/bank_marketing_train_data.csv'}
]

train_table = mltable.from_delimited_files(paths)
train_table.save('./train_data')

Esse código cria um novo arquivo, ./train_data/MLTable, que contém o formato de arquivo e instruções de carregamento.

Agora, a pasta ./train_data tem o arquivo de definição MLTable mais o arquivo de dados, bank_marketing_train_data.csv.

Para obter mais informações sobre MLTable, consulte Trabalhando com tabelas no Azure Machine Learning.

Dados de treinamento, validação e teste

Você pode especificar dados de treinamento separados e conjuntos de dados de validação. Os dados de treinamento devem ser fornecidos para o training_data parâmetro na função de fábrica do seu trabalho de aprendizado de máquina automatizado.

Se você não especificar explicitamente um validation_data ou n_cross_validation parâmetro, o ML automatizado aplicará técnicas padrão para determinar como a validação é executada. Essa determinação depende do número de linhas no conjunto de dados atribuído ao seu training_data parâmetro.

Tamanho dos dados de treinamento Técnica de validação
Maior que 20.000 linhas É aplicada a divisão de dados de treinamento e validação. O padrão é tomar 10% do conjunto de dados de treinamento inicial como o conjunto de validação. Por sua vez, esse conjunto de validação é usado para o cálculo de métricas.
Menor ou igual a 20.000 linhas É aplicada a abordagem de validação cruzada. O número padrão de dobras depende do número de linhas.
Se o conjunto de dados tiver menos de 1.000 linhas, dez dobras serão usadas.
Se as linhas forem iguais ou entre 1.000 e 20.000, três dobras são usadas.

Computação para executar a experimentação

Atualmente, os trabalhos de aprendizado de máquina automatizados com o SDK do Python v2 (ou CLI v2) são suportados apenas no cluster de computação remota ou na instância de computação do Azure Machine Learning. Para obter mais informações sobre como criar computação com o Python SDKv2 ou CLIv2, consulte Treinar modelos com a CLI do Azure Machine Learning, SDK e API REST.

Definir as configurações do experimento

Há várias opções que você pode usar para configurar seu experimento de aprendizado de máquina automatizado. Esses parâmetros de configuração são definidos em seu método de tarefa. Você também pode definir configurações de treinamento profissional e critérios de saída com as training configurações e limits .

O exemplo a seguir mostra os parâmetros necessários para uma tarefa de classificação que especifica a precisão como a métrica primária e cinco dobras de validação cruzada.

from azure.ai.ml.constants import AssetTypes
from azure.ai.ml import automl, Input

# note that this is a code snippet -- you might have to modify the variable values to run it successfully

# make an Input object for the training data
my_training_data_input = Input(
    type=AssetTypes.MLTABLE, path="./data/training-mltable-folder"
)

# configure the classification job
classification_job = automl.classification(
    compute=my_compute_name,
    experiment_name=my_exp_name,
    training_data=my_training_data_input,
    target_column_name="y",
    primary_metric="accuracy",
    n_cross_validations=5,
    enable_model_explainability=True,
    tags={"my_custom_tag": "My custom value"}
)

# Limits are all optional
classification_job.set_limits(
    timeout_minutes=600, 
    trial_timeout_minutes=20, 
    max_trials=5,
    enable_early_termination=True,
)

# Training properties are optional
classification_job.set_training(
    blocked_training_algorithms=["logistic_regression"], 
    enable_onnx_compatible_models=True
)

Selecione o tipo de tarefa de aprendizado de máquina

Antes de enviar seu trabalho de ML automatizado, determine o tipo de problema de aprendizado de máquina que você deseja resolver. Esse problema determina qual função seu trabalho usa e quais algoritmos de modelo ele se aplica.

O ML automatizado suporta diferentes tipos de tarefas:

  • Tarefas baseadas em dados tabulares

    • classificação
    • regressão
    • previsão

  • Tarefas de visão computacional, incluindo

    • Classificação de Imagens
    • Deteção de Objetos

  • Tarefas de processamento de linguagem natural, incluindo

    • Classificação de textos
    • Reconhecimento de entidade

Para obter mais informações, consulte Tipos de tarefas. Para obter mais informações sobre como configurar trabalhos de previsão, consulte Configurar o AutoML para treinar um modelo de previsão de séries temporais.

Algoritmos suportados

O aprendizado de máquina automatizado experimenta diferentes modelos e algoritmos durante o processo de automação e ajuste. Como usuário, você não precisa especificar o algoritmo.

O método task determina a lista de algoritmos ou modelos a serem aplicados. Para modificar ainda mais iterações com os modelos disponíveis para incluir ou excluir, use os allowed_training_algorithms parâmetros ou blocked_training_algorithms na training configuração do trabalho.

Na tabela a seguir, explore os algoritmos suportados por tarefa de aprendizado de máquina.

Classificação Regressão Previsão de Série Temporal
Regressão Logística* Rede Elástica* AutoARIMA
GBM leve* GBM leve* Profeta
Aumento de gradiente* Aumento de gradiente* Rede Elástica
Árvore de Decisão* Árvore de Decisão* GBM leve
K Vizinhos mais próximos* K Vizinhos mais próximos* K Nearest Neighbors
Linear SVC* LARS Laço* Árvore de Decisão
Classificação vetorial de suporte (SVC)* Descida de gradiente estocástico (SGD)* Arimax
Floresta aleatória* Floresta aleatória LARS Laço
Árvores extremamente aleatórias* Árvores extremamente aleatórias* Árvores extremamente aleatórias*
Xgboost* Xgboost* Floresta aleatória
Bayes ingênuo* Xgboost TCNForecaster
Descida de gradiente estocástico (SGD)* Descida de gradiente estocástico (SGD) Aumento de gradiente
Suavização Exponencial
SazonalNaive
Média
Ingênuo
SazonalMédia

Com outros algoritmos:

Por exemplo, blocos de anotações de cada tipo de tarefa, consulte automl-standalone-jobs.

Métrica primária

O primary_metric parâmetro determina a métrica a ser usada durante o treinamento do modelo para otimização. O tipo de tarefa escolhido determina as métricas que você pode selecionar.

A escolha de uma métrica principal para o aprendizado de máquina automatizado para otimizar depende de muitos fatores. Recomendamos que a sua principal consideração seja escolher a métrica que melhor represente as necessidades do seu negócio. Em seguida, considere se a métrica é adequada para o perfil do conjunto de dados, incluindo tamanho de dados, intervalo e distribuição de classe. As seções a seguir resumem as métricas primárias recomendadas com base no tipo de tarefa e no cenário de negócios.

Para saber mais sobre as definições específicas dessas métricas, consulte Avaliar resultados de experimentos de aprendizado de máquina automatizados.

Métricas para cenários de classificação de várias classes

Essas métricas se aplicam a todos os cenários de classificação, incluindo dados tabulares, imagens ou visão computacional e texto de processamento de linguagem natural (NLP-Text).

Métricas dependentes de limite, como accuracy, recall_score_weighted, norm_macro_recall, e precision_score_weighted podem não otimizar tão bem para conjuntos de dados que são pequenos, têm grande distorção de classe (desequilíbrio de classe) ou quando o valor de métrica esperado é muito próximo de 0,0 ou 1,0. Nesses casos, AUC_weighted pode ser uma escolha melhor para a métrica primária. Após a conclusão do aprendizado de máquina automatizado, você pode escolher o modelo vencedor com base na métrica mais adequada às suas necessidades de negócios.

Métrica Casos de utilização de exemplo
accuracy Classificação de imagem, Análise de sentimento, Previsão de churn
AUC_weighted Deteção de fraudes, Classificação de imagens, Deteção de anomalias/spam
average_precision_score_weighted Análise de sentimentos
norm_macro_recall Previsão de churn
precision_score_weighted

Métricas para cenários de classificação de vários rótulos

Para classificação de texto multi-label, atualmente 'Precisão' é a única métrica primária suportada.

Para classificação de imagem multi-label, as métricas primárias suportadas ClassificationMultilabelPrimaryMetrics são definidas no enum.

Métricas para cenários de Reconhecimento de Entidade Nomeada de Texto de PNL

Para NLP Text Named Entity Recognition (NER), atualmente 'Precisão' é a única métrica primária suportada.

Métricas para cenários de regressão

r2_score, normalized_mean_absolute_errore normalized_root_mean_squared_error todos estão tentando minimizar os erros de previsão. r2_score e normalized_root_mean_squared_error ambos minimizam os erros quadrados médios enquanto normalized_mean_absolute_error minimizam o valor absoluto médio dos erros. O valor absoluto trata os erros em todas as magnitudes da mesma forma e os erros quadrados têm uma penalidade muito maior para erros com valores absolutos maiores. Dependendo se erros maiores devem ser punidos mais ou não, você pode optar por otimizar erro quadrado ou erro absoluto.

A principal diferença entre r2_score e normalized_root_mean_squared_error é a forma como eles são normalizados e seus significados. normalized_root_mean_squared_error é o erro quadrático médio da raiz normalizado pelo intervalo e pode ser interpretado como a magnitude média do erro para previsão. r2_score é o erro quadrático médio normalizado por uma estimativa de variância dos dados. É a proporção de variação que o modelo pode capturar.

Nota

r2_score e normalized_root_mean_squared_error também se comportam de forma semelhante como métricas primárias. Se um conjunto de validação fixo for aplicado, essas duas métricas otimizarão o mesmo destino, erro quadrático médio e serão otimizadas pelo mesmo modelo. Quando apenas um conjunto de treinamento está disponível e a validação cruzada é aplicada, eles seriam ligeiramente diferentes, pois o normalizador para normalized_root_mean_squared_error é fixado como o intervalo do conjunto de treinamento, mas o normalizador para r2_score variaria para cada dobra, pois é a variância para cada dobra.

Se a classificação, em vez do valor exato, é de interesse, spearman_correlation pode ser uma escolha melhor. Mede a correlação hierárquica entre valores reais e previsões.

Atualmente, o ML automatizado não suporta nenhuma métrica primária que meça a diferença relativa entre previsões e observações. As métricas r2_score, normalized_mean_absolute_errore normalized_root_mean_squared_error são todas medidas de diferença absoluta. Por exemplo, se uma previsão difere de uma observação por 10 unidades, essas métricas calculam o mesmo valor se a observação for de 20 unidades ou 20.000 unidades. Em contrapartida, uma diferença percentual, que é uma medida relativa, dá erros de 50% e 0,05%, respectivamente. Para otimizar a diferença relativa, você pode executar o ML automatizado com uma métrica primária suportada e, em seguida, selecionar o modelo com o melhor mean_absolute_percentage_error ou root_mean_squared_log_error. Essas métricas são indefinidas quando quaisquer valores de observação são zero, portanto, nem sempre podem ser boas escolhas.

Métrica Casos de utilização de exemplo
spearman_correlation
normalized_root_mean_squared_error Previsão de preços (casa/produto/dica), Previsão de pontuação de revisão
r2_score Atraso da companhia aérea, estimativa salarial, tempo de resolução de bugs
normalized_mean_absolute_error

Métricas para cenários de previsão de séries temporais

As recomendações são semelhantes às recomendações para cenários de regressão.

Métrica Casos de utilização de exemplo
normalized_root_mean_squared_error Previsão de preços (previsão), Otimização de estoque, Previsão de demanda
r2_score Previsão de preços (previsão), Otimização de estoque, Previsão de demanda
normalized_mean_absolute_error

Métricas para cenários de deteção de objetos de imagem

Para a Deteção de Objeto de Imagem, as principais métricas suportadas ObjectDetectionPrimaryMetrics são definidas no enum.

Métricas para cenários de segmentação de instância de imagem

Para cenários de segmentação de instância de imagem, as métricas principais suportadas InstanceSegmentationPrimaryMetrics são definidas no enum.

Featurização de dados

Em cada experimento automatizado de aprendizado de máquina, seus dados são automaticamente transformados em números e vetores de números. Os dados também são dimensionados e normalizados para ajudar algoritmos sensíveis a recursos que estão em escalas diferentes. Essas transformações de dados são chamadas de featurização.

Nota

Etapas automatizadas de featurização de aprendizado de máquina, como normalização de recursos, manipulação de dados ausentes e conversão de texto em numérico, tornam-se parte do modelo subjacente. Quando você usa o modelo para previsões, as mesmas etapas de featurização aplicadas durante o treinamento são aplicadas aos seus dados de entrada automaticamente.

Ao configurar trabalhos automatizados de aprendizado de máquina, você pode habilitar ou desabilitar as featurization configurações.

A tabela a seguir mostra as configurações aceitas para featurização.

Configuração de Featurização Description
"mode": 'auto' Indica que, como parte do pré-processamento, as proteções de dados e as etapas de featurização são executadas automaticamente. Esse valor é a configuração padrão.
"mode": 'off' Indica que a etapa de featurização não deve ser feita automaticamente.
"mode": 'custom' Indica que a etapa de featurização personalizada deve ser usada.

O código a seguir mostra como a featurização personalizada pode ser fornecida neste caso para um trabalho de regressão.

from azure.ai.ml.automl import ColumnTransformer

transformer_params = {
    "imputer": [
        ColumnTransformer(fields=["CACH"], parameters={"strategy": "most_frequent"}),
        ColumnTransformer(fields=["PRP"], parameters={"strategy": "most_frequent"}),
    ],
}
regression_job.set_featurization(
    mode="custom",
    transformer_params=transformer_params,
    blocked_transformers=["LabelEncoding"],
    column_name_and_types={"CHMIN": "Categorical"},
)

Critérios de saída

Há algumas opções que você pode definir na função para encerrar seu experimento set_limits() antes que o trabalho seja concluído.

Critérios descrição
Sem critérios Se você não definir nenhum parâmetro de saída, o experimento continuará até que nenhum progresso adicional seja feito em sua métrica principal.
timeout Define por quanto tempo, em minutos, seu experimento deve continuar a ser executado. Se não for especificado, o tempo limite total do trabalho padrão é de seis dias (8.640 minutos). Para especificar um tempo limite menor ou igual a 1 hora (60 minutos), verifique se o tamanho do conjunto de dados não é maior que 10.000.000 (coluna de tempos de linha) ou se um erro resulta.

Esse tempo limite inclui execuções de configuração, featurização e treinamento, mas não inclui as execuções de montagem e explicabilidade do modelo no final do processo, uma vez que essas ações precisam acontecer depois que todos os testes (trabalhos infantis) são feitos.
trial_timeout_minutes Tempo máximo em minutos que cada avaliação (trabalho filho) pode ser executada antes de terminar. Se não for especificado, é utilizado um valor de 1 mês ou 43200 minutos.
enable_early_termination Se deve terminar o trabalho se a pontuação não estiver melhorando no curto prazo.
max_trials O número máximo de ensaios/execuções cada um com uma combinação diferente de algoritmo e hiperparâmetros para tentar durante um trabalho. Se não for especificado, o padrão será 1.000 avaliações. Se utilizar enable_early_terminationo , o número de ensaios utilizados pode ser menor.
max_concurrent_trials Representa o número máximo de tentativas (trabalhos infantis) que seriam executadas em paralelo. É uma boa prática fazer a correspondência entre esse número e o número de nós do cluster.

Executar experimentação

Submeta a experimentação para executar e gerar um modelo.

Nota

Se você executar um experimento com as mesmas definições de configuração e métrica primária várias vezes, poderá ver variação na pontuação final de cada experimento e nos modelos gerados. Os algoritmos que o aprendizado de máquina automatizado emprega têm aleatoriedade inerente que pode causar uma pequena variação na saída dos modelos pelo experimento e na pontuação final das métricas do modelo recomendado, como a precisão. Você também pode ver resultados com o mesmo nome de modelo, mas diferentes hiperparâmetros usados.

Aviso

Se você tiver definido regras no firewall ou no Grupo de Segurança de Rede em seu espaço de trabalho, verifique se as permissões necessárias são dadas ao tráfego de rede de entrada e saída, conforme definido em Configurar tráfego de rede de entrada e saída.

Com o MLClient criado nos pré-requisitos, você pode executar o seguinte comando no espaço de trabalho.


# Submit the AutoML job
returned_job = ml_client.jobs.create_or_update(
    classification_job
)  # submit the job to the backend

print(f"Created job: {returned_job}")

# Get a URL for the status of the job
returned_job.services["Studio"].endpoint

Vários filhos são executados em clusters

As execuções filhas automatizadas de experimentos de ML podem ser executadas em um cluster que já esteja executando outro experimento. No entanto, o tempo depende de quantos nós o cluster tem e se esses nós estão disponíveis para executar um experimento diferente.

Cada nó no cluster atua como uma máquina virtual (VM) individual que pode realizar uma única execução de treinamento. Para ML automatizado, esse fato significa uma execução filho. Se todos os nós estiverem ocupados, um novo experimento será enfileirado. Se houver nós livres, o novo experimento será executado filho em paralelo nos nós ou máquinas virtuais disponíveis.

Para ajudar a gerenciar execuções filho e quando elas podem ser executadas, recomendamos que você crie um cluster dedicado por experimento e faça a correspondência entre o número do max_concurrent_iterations experimento e o número de nós no cluster. Dessa forma, você usa todos os nós do cluster ao mesmo tempo com o número de execuções filhas simultâneas e iterações desejadas.

Configure max_concurrent_iterations na limits configuração. Se não estiver configurado, por padrão, apenas uma execução/iteração filho simultânea será permitida por experimento. Para uma instância de computação, max_concurrent_trials pode ser definido como o mesmo número de núcleos na máquina virtual da instância de computação.

Explore modelos e métricas

O ML automatizado oferece opções para você monitorar e avaliar seus resultados de treinamento.

  • Para obter definições e exemplos dos gráficos e métricas de desempenho fornecidos para cada execução, consulte Avaliar resultados de experimentos de aprendizado de máquina automatizados.

  • Para obter um resumo de featurização e entender quais recursos foram adicionados a um modelo específico, consulte Transparência de featurização.

Na interface do usuário do Azure Machine Learning na página do modelo, você também pode exibir os hiperparâmetros usados quando treina um modelo específico e também exibir e personalizar o código de treinamento do modelo interno usado.

Registrar e implantar modelos

Depois de testar um modelo e confirmar que deseja usá-lo na produção, você pode registrá-lo para uso posterior.

Gorjeta

Para modelos registrados, você pode usar a implantação com um clique usando o estúdio do Azure Machine Learning. Consulte Implantar seu modelo.

Usar AutoML em pipelines

Para usar o ML automatizado em seus fluxos de trabalho de operações de aprendizado de máquina, você pode adicionar etapas de trabalho de AutoML aos seus pipelines de aprendizado de máquina do Azure. Essa abordagem permite automatizar todo o fluxo de trabalho conectando seus scripts de preparação de dados ao ML automatizado. Em seguida, registre e valide o melhor modelo resultante.

Este código é um pipeline de exemplo com um componente de classificação de ML automatizado e um componente de comando que mostra a saída resultante. O código faz referência às entradas (dados de treinamento e validação) e às saídas (melhor modelo) em diferentes etapas.

# Define pipeline
@pipeline(
    description="AutoML Classification Pipeline",
    )
def automl_classification(
    classification_train_data,
    classification_validation_data
):
    # define the automl classification task with automl function
    classification_node = classification(
        training_data=classification_train_data,
        validation_data=classification_validation_data,
        target_column_name="y",
        primary_metric="accuracy",
        # currently need to specify outputs "mlflow_model" explictly to reference it in following nodes 
        outputs={"best_model": Output(type="mlflow_model")},
    )
    # set limits and training
    classification_node.set_limits(max_trials=1)
    classification_node.set_training(
        enable_stack_ensemble=False,
        enable_vote_ensemble=False
    )

    command_func = command(
        inputs=dict(
            automl_output=Input(type="mlflow_model")
        ),
        command="ls ${{inputs.automl_output}}",
        environment="AzureML-sklearn-0.24-ubuntu18.04-py37-cpu:latest"
    )
    show_output = command_func(automl_output=classification_node.outputs.best_model)


pipeline_job = automl_classification(
    classification_train_data=Input(path="./training-mltable-folder/", type="mltable"),
    classification_validation_data=Input(path="./validation-mltable-folder/", type="mltable"),
)

# set pipeline level compute
pipeline_job.settings.default_compute = compute_name

# submit the pipeline job
returned_pipeline_job = ml_client.jobs.create_or_update(
    pipeline_job,
    experiment_name=experiment_name
)
returned_pipeline_job

# ...
# Note that this is a snippet from the bankmarketing example you can find in our examples repo -> https://github.com/Azure/azureml-examples/tree/main/sdk/python/jobs/pipelines/1h_automl_in_pipeline/automl-classification-bankmarketing-in-pipeline

Para obter mais exemplos sobre como incluir ML automatizado em seus pipelines, consulte o repositório de exemplos.

Use o AutoML em escala: treinamento distribuído

Para cenários de dados grandes, o ML automatizado oferece suporte a treinamento distribuído para um conjunto limitado de modelos:

Algoritmo distribuído Tarefas suportadas Limite de tamanho dos dados (aproximado)
LightGBM Classificação, regressão 1 TB
TCNForecaster Previsão 200 GB

Os algoritmos de treinamento distribuídos particionam e distribuem automaticamente seus dados em vários nós de computação para treinamento de modelos.

Nota

Validação cruzada, modelos de conjunto, suporte ONNX e geração de código não são suportados atualmente no modo de treinamento distribuído. Além disso, o ML automático pode fazer escolhas como restringir os dados disponíveis e sub-amostragem usados para validação, explicabilidade e avaliação do modelo.

Treinamento distribuído para classificação e regressão

Para usar o treinamento distribuído para classificação ou regressão, defina as training_mode propriedades e max_nodes do objeto de trabalho.

Property Description
training_mode Indica o modo de treinamento: distributed ou non_distributed. O padrão é non_distributed.
max_nodes O número de nós a serem usados para treinamento em cada teste. Essa configuração deve ser maior ou igual a 4.

O exemplo de código a seguir mostra um exemplo dessas configurações para um trabalho de classificação:

from azure.ai.ml.constants import TabularTrainingMode

# Set the training mode to distributed
classification_job.set_training(
    allowed_training_algorithms=["LightGBM"],
    training_mode=TabularTrainingMode.DISTRIBUTED
)

# Distribute training across 4 nodes for each trial
classification_job.set_limits(
    max_nodes=4,
    # other limit settings
)

Nota

Atualmente, o treinamento distribuído para tarefas de classificação e regressão não oferece suporte a vários ensaios simultâneos. Os modelos de ensaios são executados sequencialmente com cada ensaio usando max_nodes nós. A max_concurrent_trials configuração de limite é ignorada no momento.

Treinamento distribuído para previsão

Para saber como o treinamento distribuído funciona para tarefas de previsão, consulte Previsão em escala. Para usar o treinamento distribuído para previsão, você precisa definir o training_mode, enable_dnn_training, max_nodese, opcionalmente, as max_concurrent_trials propriedades do objeto de trabalho.

Property Description
training_mode Indica o modo de treino; distributed ou non_distributed. O padrão é non_distributed.
enable_dnn_training Sinalizar para habilitar modelos de redes neurais profundas.
max_concurrent_trials Este valor é o número máximo de modelos experimentais a treinar em paralelo. O padrão é 1.
max_nodes O número total de nós a serem usados para treinamento. Essa configuração deve ser maior ou igual a 2. Para tarefas de previsão, cada modelo de avaliação é treinado usando os nós $\text{max}\left(2, \text{floor}( \text{max_nodes} / \text{max_concurrent_trials}) \right)$.

O exemplo de código a seguir mostra um exemplo dessas configurações para um trabalho de previsão:

from azure.ai.ml.constants import TabularTrainingMode

# Set the training mode to distributed
forecasting_job.set_training(
    enable_dnn_training=True,
    allowed_training_algorithms=["TCNForecaster"],
    training_mode=TabularTrainingMode.DISTRIBUTED
)

# Distribute training across 4 nodes
# Train 2 trial models in parallel => 2 nodes per trial
forecasting_job.set_limits(
    max_concurrent_trials=2,
    max_nodes=4,
    # other limit settings
)

Para obter exemplos de código de configuração completo, consulte as seções anteriores sobre configuração e envio de trabalho.

Conteúdos relacionados