TruncationSelectionPolicy Klass

Definierar en princip för tidig avslutning som avbryter en viss procentandel körningar vid varje utvärderingsintervall.

Arv

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

TruncationSelectionPolicy

Konstruktor

TruncationSelectionPolicy(*, delay_evaluation: int = 0, evaluation_interval: int = 0, truncation_percentage: int = 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.
truncation_percentage	int Procentandelen körningar som ska avbrytas vid varje utvärderingsintervall. Standardvärdet är 0.

Exempel

Konfigurera en princip för tidig avslutning för ett hyperparameters svepjobb med truncationStoppingPolicy

   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 QUniform, TruncationSelectionPolicy, Uniform

   job_for_sweep = job(
       kernel=Uniform(min_value=0.0005, max_value=0.005),
       penalty=QUniform(min_value=0.05, max_value=0.75, q=1),
   )

   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=TruncationSelectionPolicy(delay_evaluation=5, evaluation_interval=2),
   )