Uppgradera AutoML till SDK v2

I SDK v2 konsolideras "experiment" och "körningar" till jobb.

I SDK v1 konfigurerades autoML främst och kördes med klassen AutoMLConfig . I SDK v2 har den här klassen konverterats till ett AutoML jobb. Även om det finns vissa skillnader i konfigurationsalternativen har namngivnings- och funktionaliteten i stort bevarats i V2.

Den här artikeln ger en jämförelse av scenarion i SDK v1 och SDK v2.

Skicka AutoML-körning

• SDK v1: Nedan visas ett exempel på en AutoML-klassificeringsuppgift. För hela koden kan du kolla in vår exempellagringsplats.

  # Imports
  
  import azureml.core
  from azureml.core.experiment import Experiment
  from azureml.core.workspace import Workspace
  from azureml.core.dataset import Dataset
  from azureml.train.automl import AutoMLConfig
  from azureml.train.automl.run import AutoMLRun   
  
  # Load tabular dataset
  data = "<url_to_data>"
  dataset = Dataset.Tabular.from_delimited_files(data)
  training_data, validation_data = dataset.random_split(percentage=0.8, seed=223)
  label_column_name = "Class"
  
  # Configure Auto ML settings
  automl_settings = {
      "n_cross_validations": 3,
      "primary_metric": "average_precision_score_weighted",
      "enable_early_stopping": True,
      "max_concurrent_iterations": 2,  
      "experiment_timeout_hours": 0.25,  
      "verbosity": logging.INFO,
  }
  
  # Put together an AutoML job constructor
  automl_config = AutoMLConfig(
      task="classification",
      debug_log="automl_errors.log",
      compute_target=compute_target,
      training_data=training_data,
      label_column_name=label_column_name,
      **automl_settings,
  )
  
  # Submit run
  remote_run = experiment.submit(automl_config, show_output=False)
  azureml_url = remote_run.get_portal_url()
  print(azureml_url)
  

• SDK v2: Nedan visas ett exempel på en AutoML-klassificeringsuppgift. För hela koden kan du kolla in vår exempellagringsplats.

  # Imports
  from azure.ai.ml import automl, Input, MLClient
  
  from azure.ai.ml.constants import AssetTypes
  from azure.ai.ml.automl import (
      classification,
      ClassificationPrimaryMetrics,
      ClassificationModels,
  )
  
  
  # Create MLTables for training dataset
  # Note that AutoML Job can also take in tabular data
  my_training_data_input = Input(
      type=AssetTypes.MLTABLE, path="./data/training-mltable-folder"
  )
  
  # Create the AutoML classification job with the related factory-function.
  classification_job = automl.classification(
      compute="<compute_name>",
      experiment_name="<exp_name?",
      training_data=my_training_data_input,
      target_column_name="<name_of_target_column>",
      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,
      max_concurrent_trials = 4,
      max_cores_per_trial= 1,
      enable_early_termination=True,
  )
  
  # Training properties are optional
  classification_job.set_training(
      blocked_training_algorithms=["LogisticRegression"],
      enable_onnx_compatible_models=True,
  )
  
  # Submit the AutoML job
  returned_job = ml_client.jobs.create_or_update(classification_job)  
  returned_job
  

Mappning av viktiga funktioner i SDK v1 och SDK v2

Funktioner i SDK v1	Grov mappning i SDK v2
Metod/API i SDK v1 (använd länkar till referensdokument)	Metod/API i SDK v2 (använd länkar till referensdokument)

Nästa steg

Mer information finns i:

• Träna en AutoML-modell med Python SDKv2