EstimatorStep Класс
НЕ РЕКОМЕНДУЕТСЯ. Создает этап конвейера для выполнения Estimator для обучения модели Azure ML.
Создайте шаг конвейера Машинного обучения Azure для запуска оценщика для обучения модели машинного обучения.
НЕ РЕКОМЕНДУЕТСЯ. Вместо него используется CommandStep. Пример см. в статье о выполнении обучения ML в конвейерах с помощью CommandStep.
- Наследование
-
EstimatorStep
Конструктор
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)
Параметры
- estimator
- Estimator
Связанный объект оценщика для этого этапа. Может быть предварительно настроенным оценщиком, таким как Chainer, PyTorch, TensorFlow или SKLearn.
[Обязательно.] Список аргументов командной строки. Если скрипт записи оценщика не принимает аргументы командной строки, задайте в качестве значения этого параметра пустой список.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Переопределяет свойства runconfig во время выполнения с использованием пар "ключ-значение", каждая из которых имеет имя свойства runconfig и PipelineParameter для этого свойства.
Поддерживаемые значения: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount"
- inputs
- list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]]
Список используемых входных данных.
Список объектов PipelineData.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, str]
[Обязательно] Используемый целевой объект вычислений.
- allow_reuse
- bool
Указывает, должен ли этап повторно использовать предыдущие результаты при повторном выполнении с теми же параметрами. Повторное использование включено по умолчанию. Если содержимое этапа (скрипты или зависимости), а также входные данные и параметры не изменяются, выходные данные предыдущего выполнения этого этапа используются повторно. При повторном использовании этапа вместо отправки задания для вычисления немедленно предоставляются результаты предыдущего выполнения для последующих этапов. Если в качестве входных данных используются наборы данных Машинного обучения Azure, то повторное использование зависит от изменения определения набора данных, а не базовых данных.
- version
- str
Необязательный тег версии для обозначения изменения функциональности модуля.
- estimator
- <xref:Estimator>
Связанный объект оценщика для этого этапа. Может быть предварительно настроенным оценщиком, таким как Chainer, PyTorch, TensorFlow или SKLearn.
- estimator_entry_script_arguments
- [str]
[Обязательно.] Список аргументов командной строки. Если скрипт записи оценщика не принимает аргументы командной строки, задайте в качестве значения этого параметра пустой список.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Переопределяет свойства runconfig во время выполнения с использованием пар "ключ-значение", каждая из которых имеет имя свойства runconfig и PipelineParameter для этого свойства.
Поддерживаемые значения: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount"
- inputs
- list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]]
Список используемых входных данных.
- outputs
- list[Union[PipelineData, PipelineOutputAbstractDataset]
Список объектов PipelineData.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, str]
[Обязательно] Используемый целевой объект вычислений.
- allow_reuse
- bool
Указывает, должен ли этап повторно использовать предыдущие результаты при повторном выполнении с теми же параметрами. Повторное использование включено по умолчанию. Если содержимое этапа (скрипты или зависимости), а также входные данные и параметры не изменяются, выходные данные предыдущего выполнения этого этапа используются повторно. При повторном использовании этапа вместо отправки задания для вычисления немедленно предоставляются результаты предыдущего выполнения для последующих этапов. Если в качестве входных данных используются наборы данных Машинного обучения Azure, то повторное использование зависит от изменения определения набора данных, а не базовых данных.
Комментарии
Обратите внимание, что аргументы для скрипта записи, используемого в объекте Estimator, должны быть указаны в виде списка с помощью параметра estimator_entry_script_arguments
при создании экземпляра EstimatorStep. Параметр оценщика script_params
принимает словарь. Однако параметр estimator_entry_script_argument
принимает аргументы в виде списка.
При инициализации EstimatorStep указывается список входных данных с помощью параметра inputs
, и вам не нужно указывать входные данные с помощью оценщика, иначе будет создано исключение. Допустимые типы входных данных см. в описании параметра inputs
. При необходимости можно также указать выходные данные для этапа. Допустимые типы выходных данных см. в описании параметра outputs
.
Для работы с EstimatorStep рекомендуется использовать отдельную папку для скриптов и зависимых файлов, связанных с этим этапом, и указать эту папку как source_directory
объекта Estimator. Это дает два преимущества. Во-первых, это помогает уменьшить размер моментального снимка, создаваемого для этапа, поскольку создается моментальный снимок всего, что требуется для данного этапа. Во-вторых, выходные данные этапа предыдущего выполнения могут быть использованы повторно, если нет изменений source_directory
, которые активируют повторную отправку моментального снимка.
Методы
create_node |
Создание узла на этапе оценщика и его добавление в указанный граф. НЕ РЕКОМЕНДУЕТСЯ. Вместо него используется CommandStep. Пример см. в статье о выполнении обучения ML в конвейерах с помощью CommandStep. Данный метод не предназначен для непосредственного использования. При создании экземпляра конвейера с помощью этого этапа Azure ML автоматически передает необходимые параметры через этот метод, чтобы данный этап можно было добавить в граф конвейера, представляющий рабочий процесс. |
create_node
Создание узла на этапе оценщика и его добавление в указанный граф.
НЕ РЕКОМЕНДУЕТСЯ. Вместо него используется CommandStep. Пример см. в статье о выполнении обучения ML в конвейерах с помощью CommandStep.
Данный метод не предназначен для непосредственного использования. При создании экземпляра конвейера с помощью этого этапа Azure ML автоматически передает необходимые параметры через этот метод, чтобы данный этап можно было добавить в граф конвейера, представляющий рабочий процесс.
create_node(graph, default_datastore, context)
Параметры
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Хранилище данных по умолчанию.
- context
- <xref:azureml.pipeline.core._GraphContext>
Контекст графа.
Возвращаемое значение
Созданный узел.
Возвращаемый тип
Обратная связь
https://aka.ms/ContentUserFeedback.
Ожидается в ближайшее время: в течение 2024 года мы постепенно откажемся от GitHub Issues как механизма обратной связи для контента и заменим его новой системой обратной связи. Дополнительные сведения см. в разделеОтправить и просмотреть отзыв по