ImageClassificationJob Klass
Konfiguration för AutoML-jobb med flera klasser för bildklassificering.
Initiera ett nytt AutoML-jobb för bildklassificering i flera klasser.
- Arv
-
azure.ai.ml.entities._job.automl.image.automl_image_classification_base.AutoMLImageClassificationBaseImageClassificationJob
Konstruktor
ImageClassificationJob(*, primary_metric: str | ClassificationPrimaryMetrics | None = None, **kwargs)
Parametrar
- primary_metric
Det primära måttet som ska användas för optimering
- kwargs
Jobbspecifika argument
Metoder
dump |
Dumpar jobbinnehållet till en fil i YAML-format. |
extend_search_space |
Lägg till sökutrymme för AutoML-bildklassificering och multilabeluppgifter för bildklassificering. |
set_data | |
set_limits |
Begränsa inställningarna för alla AutoML-bild lodräta. |
set_sweep |
Rensa inställningar för alla AutoML Image Verticals. |
set_training_parameters |
Ange bildträningsparametrar för AutoML-bildklassificering och bildklassificeringsaktiviteter med flera etiketter. |
dump
Dumpar jobbinnehållet till en fil i YAML-format.
dump(dest: str | PathLike | IO, **kwargs) -> None
Parametrar
Den lokala sökvägen eller filströmmen som YAML-innehållet ska skrivas till. Om dest är en filsökväg skapas en ny fil. Om dest är en öppen fil skrivs filen till direkt.
- kwargs
- dict
Ytterligare argument som ska skickas till YAML-serialiseraren.
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
extend_search_space
Lägg till sökutrymme för AutoML-bildklassificering och multilabeluppgifter för bildklassificering.
extend_search_space(value: SearchSpace | List[SearchSpace]) -> None
Parametrar
ange antingen en instans av ImageClassificationSearchSpace eller en lista över ImageClassificationSearchSpace för sökning i parameterutrymmet
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
set_data
set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
set_limits
Begränsa inställningarna för alla AutoML-bild lodräta.
set_limits(*, max_concurrent_trials: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None) -> None
Parametrar
- timeout_minutes
- timedelta
Tidsgräns för AutoML-jobb.
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
set_sweep
Rensa inställningar för alla AutoML Image Verticals.
set_sweep(*, sampling_algorithm: str | Random | Grid | Bayesian, early_termination: BanditPolicy | MedianStoppingPolicy | TruncationSelectionPolicy | None = None) -> None
Parametrar
- sampling_algorithm
Krävs. [Krävs] Typ av algoritmer för hyperparametersampling. Möjliga värden är: "Grid", "Random", "Bayesian".
- early_termination
- Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]
Typ av princip för tidig uppsägning.
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
set_training_parameters
Ange bildträningsparametrar för AutoML-bildklassificering och bildklassificeringsaktiviteter med flera etiketter.
set_training_parameters(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: str | LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: str | StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, training_crop_size: int | None = None, validation_crop_size: int | None = None, validation_resize_size: int | None = None, weighted_loss: int | None = None) -> None
Parametrar
- advanced_settings
- str
Inställningar för avancerade scenarier.
- ams_gradient
- bool
Aktivera AMSGrad när optimeraren är "adam" eller "adamw".
- beta1
- float
Värdet "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].
- beta2
- float
Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].
- checkpoint_frequency
- int
Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal.
- checkpoint_run_id
- str
ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning.
- distributed
- bool
Om du vill använda distribuerad träning.
- early_stopping
- bool
Aktivera tidig stopplogik under träning.
- early_stopping_delay
- int
Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen spåras för tidig stoppning. Måste vara ett positivt heltal.
- early_stopping_patience
- int
Minsta antal epoker eller valideringsutvärderingar utan någon primär måttförbättring innan körningen stoppas. Måste vara ett positivt heltal.
- enable_onnx_normalization
- bool
Aktivera normalisering vid export av ONNX-modell.
- evaluation_frequency
- int
Frekvens för att utvärdera valideringsdatauppsättningen för att få måttpoäng. Måste vara ett positivt heltal.
- gradient_accumulation_step
- int
Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan att uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
- layers_to_freeze
Antal lager som ska frysas för modellen. Måste vara ett positivt heltal. Om du till exempel skickar 2 som värde för "seresnext" innebär det fryslager0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long
- learning_rate
- float
Inledande inlärningstakt. Måste vara en flottör i intervallet [0, 1].
- learning_rate_scheduler
Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "step". Möjliga värden är: "None", "WarmupCosine", "Step".
- model_name
Namnet på den modell som ska användas för träning. Mer information om tillgängliga modeller finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Värdet av momentum när optimizern är "sgd". Måste vara ett flyttal i intervallet [0, 1].
- nesterov
- bool
Aktivera nesterov när optimizern är "sgd".
- number_of_epochs
- int
Antal träningsepoker. Måste vara ett positivt heltal.
- number_of_workers
- int
Antal datainläsare. Måste vara ett icke-negativt heltal.
- optimizer
Typ av optimerare. Möjliga värden är: "None", "Sgd", "Adam", "Adamw".
- random_seed
- int
Slumpmässigt frö som ska användas när deterministisk träning används.
- step_lr_gamma
- float
Värdet av gamma när learning rate scheduler är "step". Måste vara ett flyttal i intervallet [0, 1].
- step_lr_step_size
- int
Värdet för stegstorlek när learning rate scheduler är "step". Måste vara ett positivt heltal.
- training_batch_size
- int
Träningsbatchstorlek. Måste vara ett positivt heltal.
- validation_batch_size
- int
Batchstorlek för validering. Måste vara ett positivt heltal.
- warmup_cosine_lr_cycles
- float
Värdet för cosinincykeln när learning rate scheduler är "warmup_cosine". Måste vara ett flyttal i intervallet [0, 1].
- warmup_cosine_lr_warmup_epochs
- int
Värdet för uppvärmningsepoker när learning rate scheduler är "warmup_cosine". Måste vara ett positivt heltal.
- weight_decay
- float
Värdet för viktförfall när optimizern är "sgd", "adam" eller "adamw". Måste vara ett flyttal i intervallet[0, 1].
- training_crop_size
- int
Bild beskärningsstorlek som är indata till det neurala nätverket för träningsdatauppsättningen. Måste vara ett positivt heltal.
- validation_crop_size
- int
Bild beskärningsstorlek som är indata till det neurala nätverket för valideringsdatauppsättningen. Måste vara ett positivt heltal.
- validation_resize_size
- int
Bildstorlek som du vill ändra storlek på innan du beskär för valideringsdatauppsättningen. Måste vara ett positivt heltal.
- weighted_loss
- int
Viktad förlust. De godkända värdena är 0 utan viktad förlust. 1 för viktad förlust med kvadrt. (class_weights). 2 för viktad förlust med class_weights. Måste vara 0, 1 eller 2.
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
Attribut
base_path
creation_context
id
Resurs-ID:t.
Returer
Resursens globala ID, ett ARM-ID (Azure Resource Manager).
Returtyp
inputs
limits
log_files
log_verbosity
outputs
primary_metric
search_space
status
Jobbets status.
Vanliga värden som returneras är "Running", "Completed" och "Failed". Alla möjliga värden är:
NotStarted – det här är ett tillfälligt tillstånd som körningsobjekt på klientsidan befinner sig i innan molnöverföringen.
Start – Körningen har börjat bearbetas i molnet. Anroparen har ett körnings-ID just nu.
Etablering – beräkning på begäran skapas för en viss jobböverföring.
Förbereder – Körningsmiljön förbereds och är i ett av två steg:
Docker-avbildningsversion
konfiguration av conda-miljö
I kö – Jobbet placeras i kö på beräkningsmålet. I BatchAI är jobbet till exempel i ett köat tillstånd
medan du väntar på att alla begärda noder ska vara klara.
Körs – Jobbet har börjat köras på beräkningsmålet.
Slutför – Körningen av användarkod har slutförts och körningen är i efterbearbetningssteg.
CancelRequested – Annullering har begärts för jobbet.
Slutförd – körningen har slutförts. Detta omfattar både körning och körning av användarkod
efterbearbetningssteg.
Misslyckades – körningen misslyckades. Vanligtvis innehåller egenskapen Error på en körning information om varför.
Avbryts – följer en begäran om annullering och anger att körningen nu har avbrutits.
Svarar inte – För körningar som har Pulsslag aktiverat har inga pulsslag nyligen skickats.
Returer
Status för jobbet.
Returtyp
studio_url
sweep
task_type
Hämta aktivitetstyp.
Returer
Den typ av uppgift som ska köras. Möjliga värden är: "classification", "regression", "forecasting".
Returtyp
test_data
training_data
training_parameters
type
validation_data
Azure SDK for Python