Partilhar via


SKLearn Classe

Cria um avaliador para formação em experimentações scikit-learn.

PRETERIDO. Utilize o objeto com o ScriptRunConfig seu próprio ambiente definido ou o AzureML-Tutorial ambiente organizado. Para obter uma introdução à configuração de execuções de experimentação SKLearn com ScriptRunConfig, veja Preparar modelos scikit-learn em escala com o Azure Machine Learning.

Este avaliador só suporta a preparação da CPU de nó único.

Versões suportadas: 0.20.3

Inicialize um avaliador scikit-learn.

Herança
azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimator
SKLearn

Construtor

SKLearn(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, use_docker=True, custom_docker_image=None, image_registry_details=None, user_managed=False, conda_packages=None, pip_packages=None, conda_dependencies_file_path=None, pip_requirements_file_path=None, conda_dependencies_file=None, pip_requirements_file=None, environment_variables=None, environment_definition=None, inputs=None, shm_size=None, resume_from=None, max_run_duration_seconds=None, framework_version=None, _enable_optimized_mode=False, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)

Parâmetros

source_directory
str
Necessário

Um diretório local que contém ficheiros de configuração de experimentação.

compute_target
AbstractComputeTarget ou str
Necessário

O destino de computação onde a preparação vai acontecer. Pode ser um objeto ou a cadeia "local".

vm_size
str
Necessário

O tamanho da VM do destino de computação que será criado para a preparação.

Valores suportados: qualquer tamanho de VM do Azure.

vm_priority
str
Necessário

A prioridade da VM do destino de computação que será criado para a preparação. Se não for especificado, é utilizado "dedicado".

Valores suportados: "dedicado" e "lowpriority".

Isto só entra em vigor quando o vm_size param é especificado na entrada.

entry_script
str
Necessário

Uma cadeia que representa o caminho relativo para o ficheiro utilizado para iniciar a preparação.

script_params
dict
Necessário

Um dicionário de argumentos da linha de comandos para passar para o script de preparação especificado em entry_script.

custom_docker_image
str
Necessário

Será criado o nome da imagem do Docker a partir da qual será criada a imagem a utilizar para preparação. Se não estiver definida, será utilizada uma imagem baseada na CPU predefinida como imagem base.

image_registry_details
ContainerRegistry
Necessário

Os detalhes do registo de imagens do Docker.

user_managed
bool
Necessário

Especifica se o Azure ML reutiliza um ambiente Python existente. Falso significa que o AzureML irá criar um ambiente Python com base na especificação de dependências de conda.

conda_packages
list
Necessário

Uma lista de cadeias que representam pacotes conda a serem adicionados ao ambiente python para a experimentação.

pip_packages
list
Necessário

Uma lista de cadeias que representam pacotes pip a serem adicionados ao ambiente python para a experimentação.

conda_dependencies_file_path
str
Necessário

Uma cadeia que representa o caminho relativo para o ficheiro yaml de dependências de conda. Se especificado, o Azure ML não instalará pacotes relacionados com a arquitetura. Isto pode ser fornecido em combinação com o conda_packages parâmetro. PRETERIDO. Utilize o conda_dependencies_file parâmetro .

pip_requirements_file_path
str
Necessário

Uma cadeia que representa o caminho relativo para o ficheiro de texto dos requisitos pip. Isto pode ser fornecido em combinação com o pip_packages parâmetro. PRETERIDO. Utilize o pip_requirements_file parâmetro .

conda_dependencies_file
str
Necessário

Uma cadeia que representa o caminho relativo para o ficheiro yaml de dependências de conda. Se especificado, o Azure ML não instalará pacotes relacionados com a arquitetura. Isto pode ser fornecido em combinação com o conda_packages parâmetro.

pip_requirements_file
str
Necessário

Uma cadeia que representa o caminho relativo para o ficheiro de texto dos requisitos pip. Isto pode ser fornecido em combinação com o pip_packages parâmetro.

environment_variables
dict
Necessário

Um dicionário de nomes e valores de variáveis de ambiente. Estas variáveis de ambiente são definidas no processo em que o script de utilizador está a ser executado.

environment_definition
Environment
Necessário

A definição de ambiente para uma experimentação inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente através de outros parâmetros para a construção do Avaliador pode ser definida com o environment_definition parâmetro . Se este parâmetro for especificado, terá precedência sobre outros parâmetros relacionados com o ambiente, como use_gpu, custom_docker_image, conda_packagesou pip_packages. Os erros serão comunicados combinações inválidas.

inputs
list
Necessário

Uma lista de DataReference objetos ou DatasetConsumptionConfig para utilizar como entrada.

shm_size
str
Necessário

O tamanho do bloco de memória partilhado do contentor do Docker. Se não estiver definido, é utilizada a azureml.core.environment._DEFAULT_SHM_SIZE predefinida.

resume_from
DataPath
Necessário

O caminho de dados que contém o ponto de verificação ou os ficheiros de modelo a partir dos quais pretende retomar a experimentação.

max_run_duration_seconds
int
Necessário

O tempo máximo permitido para a execução. O Azure ML tentará cancelar automaticamente a execução se demorar mais tempo do que este valor.

framework_version
str
Necessário

A versão scikit-learn a ser utilizada para executar o código de preparação. SKLearn.get_supported_versions() devolve uma lista das versões suportadas pelo SDK atual.

source_directory
str
Necessário

Um diretório local que contém ficheiros de configuração de experimentação.

compute_target
AbstractComputeTarget ou str
Necessário

O destino de computação onde a preparação vai acontecer. Pode ser um objeto ou a cadeia "local".

vm_size
str
Necessário

O tamanho da VM do destino de computação que será criado para a preparação. Valores suportados: qualquer tamanho de VM do Azure.

vm_priority
str
Necessário

A prioridade da VM do destino de computação que será criado para a preparação. Se não for especificado, é utilizado "dedicado".

Valores suportados: "dedicado" e "lowpriority".

Isto só entra em vigor quando o vm_size param é especificado na entrada.

entry_script
str
Necessário

Uma cadeia que representa o caminho relativo para o ficheiro utilizado para iniciar a preparação.

script_params
dict
Necessário

Um dicionário de argumentos da linha de comandos para passar para o script de preparação especificado em entry_script.

use_docker
bool
Necessário

Um valor bool que indica se o ambiente para executar a experimentação deve ser baseado no Docker.

custom_docker_image
str
Necessário

Será criado o nome da imagem do Docker a partir da qual será criada a imagem a utilizar para preparação. Se não estiver definida, será utilizada uma imagem baseada na CPU predefinida como imagem base.

image_registry_details
ContainerRegistry
Necessário

Os detalhes do registo de imagens do Docker.

user_managed
bool
Necessário

Especifica se o Azure ML reutiliza um ambiente Python existente. Falso significa que o AzureML irá criar um ambiente Python com base na especificação de dependências de conda.

conda_packages
list
Necessário

Uma lista de cadeias que representam pacotes conda a serem adicionados ao ambiente python para a experimentação.

pip_packages
list
Necessário

Uma lista de cadeias que representam pacotes pip a serem adicionados ao ambiente python para a experimentação.

conda_dependencies_file_path
str
Necessário

Uma cadeia que representa o caminho relativo para o ficheiro yaml de dependências de conda. Se especificado, o Azure ML não instalará pacotes relacionados com a arquitetura. Isto pode ser fornecido em combinação com o conda_packages parâmetro. PRETERIDO. Utilize o conda_dependencies_file parâmetro .

pip_requirements_file_path
str
Necessário

Uma cadeia que representa o caminho relativo para o ficheiro de texto dos requisitos pip. Isto pode ser fornecido em combinação com o pip_packages parâmetro. PRETERIDO. Utilize o pip_requirements_file parâmetro .

conda_dependencies_file
str
Necessário

Uma cadeia que representa o caminho relativo para o ficheiro yaml de dependências de conda. Se especificado, o Azure ML não instalará pacotes relacionados com a arquitetura. Isto pode ser fornecido em combinação com o conda_packages parâmetro.

pip_requirements_file
str
Necessário

Uma cadeia que representa o caminho relativo para o ficheiro de texto dos requisitos pip. Isto pode ser fornecido em combinação com o pip_packages parâmetro.

environment_variables
dict
Necessário

Um dicionário de nomes e valores de variáveis de ambiente. Estas variáveis de ambiente são definidas no processo em que o script de utilizador está a ser executado.

environment_definition
Environment
Necessário

A definição de ambiente para uma experimentação inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente através de outros parâmetros para a construção do Avaliador pode ser definida com o environment_definition parâmetro . Se este parâmetro for especificado, terá precedência sobre outros parâmetros relacionados com o ambiente, como use_gpu, custom_docker_image, conda_packagesou pip_packages. Os erros serão comunicados combinações inválidas.

inputs
list
Necessário

Uma lista de azureml.data.data_reference. Objetos DataReference a utilizar como entrada.

shm_size
str
Necessário

O tamanho do bloco de memória partilhado do contentor do Docker. Se não estiver definido, é utilizada a azureml.core.environment._DEFAULT_SHM_SIZE predefinida.

resume_from
DataPath
Necessário

O caminho de dados que contém o ponto de verificação ou os ficheiros de modelo a partir dos quais pretende retomar a experimentação.

max_run_duration_seconds
int
Necessário

O tempo máximo permitido para a execução. O Azure ML tentará cancelar automaticamente a execução se demorar mais tempo do que este valor.

framework_version
str
Necessário

A versão scikit-learn a ser utilizada para executar o código de preparação. SKLearn.get_supported_versions() devolve uma lista das versões suportadas pelo SDK atual.

_enable_optimized_mode
bool
Necessário

Ative a compilação de ambiente incremental com imagens de arquitetura pré-criadas para uma preparação mais rápida do ambiente. Uma imagem de arquitetura pré-criada baseia-se nas imagens base predefinidas da CPU/GPU do Azure ML com dependências de arquitetura pré-instaladas.

_disable_validation
bool
Necessário

Desative a validação do script antes de executar a submissão. A predefinição é Verdadeiro.

_show_lint_warnings
bool
Necessário

Mostrar avisos de linting de script. A predefinição é Falso.

_show_package_warnings
bool
Necessário

Mostrar avisos de validação de pacotes. A predefinição é Falso.

Observações

Ao submeter uma tarefa de preparação, o Azure ML executa o script num ambiente conda num contentor do Docker. Os contentores SKLearn têm as seguintes dependências instaladas.

Dependências | Scikit-learn 0.20.3 | ———————- | —————– | Python | 3.6.2 | azureml-defaults | Mais recente | IntelMpi | 2018.3.222 | scikit-learn | 0.20.3 | numpy | 1.16.2 | miniconda | 4.5.11 | scipy | 1.2.1 | joblib | 0.13.2 | git | 2.7.4 |

As imagens do Docker expandem o Ubuntu 16.04.

Se precisar de instalar dependências adicionais, pode utilizar os parâmetros ou conda_packages ou fornecer o pip_packages seu pip_requirements_file ficheiro ouconda_dependencies_file. Em alternativa, pode criar a sua própria imagem e transmitir o custom_docker_image parâmetro ao construtor do avaliador.

Atributos

DEFAULT_VERSION

DEFAULT_VERSION = '0.20.3'

FRAMEWORK_NAME

FRAMEWORK_NAME = 'SKLearn'