Dela via

TrainingOutput Klass

  • Referens

Definierar specialiserade utdata för vissa PipelineSteg för användning i en pipeline.

TrainingOutput gör det möjligt att göra ett automatiserat maskininlärningsmått eller en modell tillgängligt som ett stegs utdata som kan användas med ett annat steg i en Azure Machine Learning-pipeline. Kan användas med AutoMLStep eller HyperDriveStep.

Initiera TrainingOutput.

param model_file: Den specifika modellfilen som ska ingå i utdata. Endast för HyperDriveStep .

Arv
builtins.object
TrainingOutput

Konstruktor

TrainingOutput(type, iteration=None, metric=None, model_file=None)

Parametrar

type
str
Obligatorisk

Typ av träningsutdata. Möjliga värden är: Mått, Modell.

iteration
int
standardvärde: None

Iterationsnumret för motsvarande träningsmodell. Det här iterationsnumret kan endast anges med typen "Modell". Ange antingen parametern iteration eller parametern metric , men inte båda.

metric
str
standardvärde: None

Måttet som ska användas för att returnera den bästa träningsmodellen. Måttet kan endast anges med typen "Modell". Ange antingen parametern iteration eller parametern metric , men inte båda.

model_file
str
standardvärde: None

Den specifika modellfilen som ska ingå i utdata. Endast för HyperDriveStep .

type
str
Obligatorisk

Typ av träningsutdata. Möjliga värden är: Mått, Modell.

iteration
int
Obligatorisk

Iterationsnumret för motsvarande träningsmodell. Det här iterationsnumret kan endast anges med typen "Modell". Ange antingen parametern iteration eller parametern metric , men inte båda.

metric
str
Obligatorisk

Måttet som ska användas för att returnera den bästa träningsmodellen. Måttet kan endast anges med typen "Modell". Ange antingen parametern iteration eller parametern metric , men inte båda.

Kommentarer

TrainingOutput används med PipelineData när du skapar en Pipeline för att göra det möjligt för andra steg att använda mått eller modeller som genereras av en AutoMLStep eller HyperDriveStep.

Använd TrainingOutput när du definierar ett AutoMLStep på följande sätt:


   from azureml.pipeline.core import PipelineData, TrainingOutput

   metrics_data = PipelineData(name='metrics_data', datastore=ds,
                                pipeline_output_name='metrics_output',
                                training_output=TrainingOutput(type='Metrics'))
   model_data = PipelineData(name='model_data', datastore=ds,
                             pipeline_output_name='best_model_output',
                             training_output=TrainingOutput(type='Model'))
   automl_step = AutoMLStep(name='automl_step',
                            automl_config=automl_config,
                            inputs=[input_data],
                            outputs=[metrics_data, model_data])

Se ett exempel på hur du använder TrainingOutput och ett AutoMlStep-steg i notebook-filen https://aka.ms/pl-automl.

Attribut

iteration

Hämta iterationsnumret för motsvarande träningsmodell.

Returer

Iterationsnumret för träningsmodellen.

Returtyp

int

metric

Hämta måttet för bästa träningsmodell.

Returer

Måttnamnet för den bästa träningsmodellen.

Returtyp

str

model_file

Hämta en modellfil som ska ingå i utdata för den bästa träningsmodellen.

Returer

En viss fil som ska ingå i utdata från den bästa träningsmodellen.

Returtyp

str

type

Hämta typen av träningsutdata.

Returer

Typ av träningsutdata. Möjliga värden är: Mått, Modell.

Returtyp

str