AutoMLStep Classe
Cria um passo do Pipeline do Azure ML que encapsula uma execução de ML automatizada.
Para obter um exemplo de utilização do AutoMLStep, consulte o bloco de notas https://aka.ms/pl-automl.
Inicialize um AutoMLStep.
- Herança
-
AutoMLStep
Construtor
AutoMLStep(name, automl_config, inputs=None, outputs=None, script_repl_params=None, allow_reuse=True, version=None, hash_paths=None, enable_default_model_output=True, enable_default_metrics_output=True, **kwargs)
Parâmetros
Name | Description |
---|---|
name
Necessário
|
O nome do passo. |
automl_config
Necessário
|
Um objeto AutoMLConfig que define a configuração para esta execução de AutoML. |
inputs
|
Uma lista de enlaces de porta de entrada. Default value: None
|
outputs
|
Uma lista de enlaces de portas de saída. Default value: None
|
script_repl_params
|
Parâmetros opcionais a substituir num script, por exemplo {'param1': 'value1', 'param2': 'value2'}. Default value: None
|
allow_reuse
|
Indica se o passo deve reutilizar os resultados anteriores ao executar novamente com as mesmas definições. A reutilização está ativada por predefinição. Se o conteúdo do passo (scripts/dependências), bem como as entradas e os parâmetros permanecerem inalterados, o resultado da execução anterior deste passo será reutilizado. Ao reutilizar o passo, em vez de submeter a tarefa para computação, os resultados da execução anterior são imediatamente disponibilizados para quaisquer passos subsequentes. Se utilizar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada se a definição do conjunto de dados foi alterada e não se os dados subjacentes foram alterados. Default value: True
|
version
|
Uma versão a atribuir ao passo. Default value: None
|
hash_paths
|
PRETERIDO. Uma lista de caminhos para hash ao verificar se existem alterações nos conteúdos do passo de pipeline. Por predefinição, todos os ficheiros no parâmetro Default value: None
|
enable_default_model_output
|
Indica se o melhor modelo será ou não adicionado como uma saída predefinida. Isto pode ser utilizado para obter o melhor modelo após a conclusão da execução com a AutoMLStepRun classe.
Tenha em atenção que, se a saída do modelo predefinida não for necessária, recomenda-se que defina este parâmetro como Default value: True
|
enable_default_metrics_output
|
Indica se todas as métricas de execução subordinadas serão ou não adicionadas como uma saída predefinida. Isto pode ser utilizado para obter as métricas de execução subordinadas após a execução ser concluída com a AutoMLStepRun classe.
Tenha em atenção que, se a saída de métricas predefinida não for necessária, recomenda-se que defina este parâmetro como Default value: True
|
name
Necessário
|
O nome do passo. |
automl_config
Necessário
|
Um AutoMLConfig que define a configuração para esta execução de AutoML. |
inputs
Necessário
|
Uma lista de enlaces de porta de entrada. |
outputs
Necessário
|
Uma lista de enlaces de portas de saída. |
script_repl_params
Necessário
|
Parâmetros opcionais a substituir num script, por exemplo {'param1': 'value1', 'param2': 'value2'}. |
script_repl_params
Necessário
|
Parâmetros opcionais a substituir num script. |
allow_reuse
Necessário
|
Indica se o passo deve reutilizar os resultados anteriores ao executar novamente com as mesmas definições. A reutilização está ativada por predefinição. Se o conteúdo do passo (scripts/dependências), bem como as entradas e os parâmetros permanecerem inalterados, o resultado da execução anterior deste passo será reutilizado. Ao reutilizar o passo, em vez de submeter a tarefa para computação, os resultados da execução anterior são imediatamente disponibilizados para quaisquer passos subsequentes. Se utilizar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada se a definição do conjunto de dados foi alterada e não se os dados subjacentes foram alterados. |
version
Necessário
|
Uma versão a atribuir ao passo. |
hash_paths
Necessário
|
PRETERIDO. Uma lista de caminhos para hash ao verificar se existem alterações nos conteúdos do passo de pipeline. Por predefinição, todos os ficheiros no parâmetro |
enable_default_model_output
Necessário
|
Indica se o melhor modelo será ou não adicionado como uma saída predefinida. Isto pode ser utilizado para obter o melhor modelo após a conclusão da execução com a AutoMLStepRun classe.
Tenha em atenção que, se a saída do modelo predefinida não for necessária, recomenda-se que defina este parâmetro como |
enable_default_metrics_output
Necessário
|
Indica se todas as métricas de execução subordinadas serão ou não adicionadas como uma saída predefinida. Isto pode ser utilizado para obter as métricas de execução subordinadas após a execução ser concluída com a AutoMLStepRun classe.
Tenha em atenção que, se a saída de métricas predefinida não for necessária, recomenda-se que defina este parâmetro como |
Observações
Com a classe AutoMLStep, pode executar o fluxo de trabalho de ML automatizado num pipeline do Azure Machine Learning. Os pipelines proporcionam benefícios como a repetibilidade, execuções automáticas, controlo e controlo de versões e modularidade para o fluxo de trabalho de ML automatizado. Para obter mais informações, veja O que são pipelines do Azure Machine Learning?.
Quando o fluxo de trabalho de ML automatizado estiver num pipeline, pode agendar o pipeline para ser executado com base num agendamento baseado no tempo ou numa agenda baseada em alterações. Os agendamentos baseados no tempo são úteis para tarefas de rotina, como monitorizar o desfasamento de dados, enquanto as agendas baseadas em alterações são úteis para alterações irregulares ou imprevisíveis, como quando os dados são alterados. Por exemplo, a sua agenda pode consultar um arquivo de blobs onde os dados estão a ser carregados e, em seguida, executar o pipeline novamente se os dados forem alterados e, em seguida, registar uma nova versão do modelo assim que a execução estiver concluída. Para obter mais informações, veja Agendar pipelines de machine learning e Acionar uma execução de um pipeline do Machine Learning a partir de uma Aplicação Lógica.
O exemplo seguinte mostra como criar um AutoMLStep.
automl_step = AutoMLStep(
name='automl_module',
automl_config=automl_config,
outputs=[metrics_data, model_data],
allow_reuse=True)
O exemplo completo está disponível a partir de https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb
O exemplo seguinte mostra como utilizar o objeto AutoMLStep num Pipeline.
from azureml.pipeline.core import Pipeline
pipeline = Pipeline(
description="pipeline_with_automlstep",
workspace=ws,
steps=[automl_step])
O exemplo completo está disponível a partir de https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb
O exemplo acima mostra um passo no pipeline. No entanto, ao utilizar o AutoMLStep num fluxo de trabalho de ML automatizado no mundo real, terá pelo menos um passo de pipeline que efetua a preparação de dados antes do AutoMLStep e outro passo de pipeline após esse registo do modelo. Por exemplo, este tipo de fluxo de trabalho, consulte o bloco de notas https://aka.ms/automl-retrain-pipeline.
Para gerir, verificar o estado e obter os detalhes de execução da execução do pipeline, utilize a AutoMLStepRun classe.
Para obter mais informações sobre machine learning automatizado no Azure, consulte o artigo O que é o machine learning automatizado?. Para obter mais informações sobre como configurar uma experimentação de ML automatizada sem utilizar um pipeline, veja o artigo Configurar a experimentação de ML automatizada no Python.
Métodos
create_node |
Crie um nó a partir deste passo autoML e adicione ao gráfico especificado. Este método não se destina a ser utilizado diretamente. Quando um pipeline é instanciado com este passo, o Azure ML transmite automaticamente os parâmetros necessários através deste método para que esse passo possa ser adicionado a um gráfico de pipeline que represente o fluxo de trabalho. |
create_node
Crie um nó a partir deste passo autoML e adicione ao gráfico especificado.
Este método não se destina a ser utilizado diretamente. Quando um pipeline é instanciado com este passo, o Azure ML transmite automaticamente os parâmetros necessários através deste método para que esse passo possa ser adicionado a um gráfico de pipeline que represente o fluxo de trabalho.
create_node(graph, default_datastore, context)
Parâmetros
Name | Description |
---|---|
graph
Necessário
|
O objeto de grafo ao que adicionar o nó. |
default_datastore
Necessário
|
O arquivo de dados predefinido. |
context
Necessário
|
<xref:azureml.pipeline.core._GraphContext>
O contexto do gráfico. |
Devoluções
Tipo | Description |
---|---|
O nó criado. |
Atributos
AUTOML_CONFIG_PARAM_NAME
AUTOML_CONFIG_PARAM_NAME = 'AutoMLConfig'
DEFAULT_METRIC_PREFIX
DEFAULT_METRIC_PREFIX = 'default_metrics_'
DEFAULT_MODEL_PREFIX
DEFAULT_MODEL_PREFIX = 'default_model_'