BanditPolicy Klass

Definierar en princip för tidig avslutning baserat på slack-kriterier och ett frekvens- och fördröjningsintervall för utvärdering.

Arv

azure.ai.ml.entities._job.sweep.early_termination_policy.EarlyTerminationPolicy

BanditPolicy

Konstruktor

BanditPolicy(*, delay_evaluation: int = 0, evaluation_interval: int = 0, slack_amount: float = 0, slack_factor: float = 0)

Keyword-Only parametrar

Name	Description
delay_evaluation	int Antal intervall som den första utvärderingen ska fördröjas med. Standardvärdet är 0.
evaluation_interval	int Intervall (antal körningar) mellan principutvärderingar. Standardvärdet är 0.
slack_amount	float Absolut avstånd tillåts från den bästa körningen. Standardvärdet är 0.
slack_factor	float Förhållandet mellan det tillåtna avståndet från den bäst presterande körningen. Standardvärdet är 0.

Exempel

Konfigurera BanditPolicy tidig avslutning av en hyperparameterrensning på ett kommandojobb.

   from azure.ai.ml import command

   job = command(
       inputs=dict(kernel="linear", penalty=1.0),
       compute=cpu_cluster,
       environment=f"{job_env.name}:{job_env.version}",
       code="./scripts",
       command="python scripts/train.py --kernel $kernel --penalty $penalty",
       experiment_name="sklearn-iris-flowers",
   )

   # we can reuse an existing Command Job as a function that we can apply inputs to for the sweep configurations
   from azure.ai.ml.sweep import Uniform

   job_for_sweep = job(
       kernel=Uniform(min_value=0.0005, max_value=0.005),
       penalty=Uniform(min_value=0.9, max_value=0.99),
   )

   from azure.ai.ml.sweep import BanditPolicy

   sweep_job = job_for_sweep.sweep(
       sampling_algorithm="random",
       primary_metric="best_val_acc",
       goal="Maximize",
       max_total_trials=8,
       max_concurrent_trials=4,
       early_termination_policy=BanditPolicy(slack_factor=0.15, evaluation_interval=1, delay_evaluation=10),
   )