AutoMLStep Klass

Skapar ett Azure ML Pipeline-steg som kapslar in en automatiserad ML-körning.

Ett exempel på hur du använder AutoMLStep finns i notebook-filen https://aka.ms/pl-automl.

Initiera en AutoMLStep.

Arv

PipelineStep

AutoMLStep

Konstruktor

AutoMLStep(name, automl_config, inputs=None, outputs=None, script_repl_params=None, allow_reuse=True, version=None, hash_paths=None, enable_default_model_output=True, enable_default_metrics_output=True, **kwargs)

Parametrar

Name	Description
name Obligatorisk	str Namnet på steget.
automl_config Obligatorisk	AutoMLConfig Ett AutoMLConfig-objekt som definierar konfigurationen för den här AutoML-körningen.
inputs	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] En lista över indataportbindningar. Standardvärde: None
outputs	list[Union[PipelineData, OutputPortBinding]] En lista över portbindningar för utdata. Standardvärde: None
script_repl_params	dict Valfria parametrar som ska ersättas i ett skript, till exempel {'param1': 'value1', 'param2': 'value2'}. Standardvärde: None
allow_reuse	bool Anger om steget ska återanvända tidigare resultat när det körs igen med samma inställningar. Återanvändning är aktiverat som standard. Om steginnehållet (skript/beroenden) samt indata och parametrar förblir oförändrade återanvänds utdata från föregående körning av det här steget. När du återanvänder steget, i stället för att skicka jobbet för beräkning, görs resultaten från den föregående körningen omedelbart tillgängliga för efterföljande steg. Om du använder Azure Machine Learning-datauppsättningar som indata bestäms återanvändningen av om datauppsättningens definition har ändrats, inte av om underliggande data har ändrats. Standardvärde: True
version	str En version som ska tilldelas till steget. Standardvärde: None
hash_paths	list DEPRECATED. En lista över sökvägar till hash när du söker efter ändringar i pipelinesteginnehållet. Som standard hashas alla filer under parametern path i AutoMLConfig förutom filer som anges i .amlignore eller .gitignore under path. Om inga ändringar har identifierats återanvänder pipelinen steginnehållet från en tidigare körning. Standardvärde: None
enable_default_model_output	bool Anger om den bästa modellen ska läggas till som standardutdata. Detta kan användas för att hämta den bästa modellen när körningen har slutförts med hjälp av AutoMLStepRun klassen . Observera att om standardmodellens utdata inte krävs rekommenderar vi att du anger den här parametern till False. Standardvärde: True
enable_default_metrics_output	bool Anger om alla underordnade körningsmått ska läggas till som standardutdata. Detta kan användas för att hämta underordnade körningsmått när körningen har slutförts med hjälp av AutoMLStepRun klassen . Observera att om standardmåttutdata inte krävs rekommenderar vi att du anger den här parametern till False. Standardvärde: True
name Obligatorisk	str Namnet på steget.
automl_config Obligatorisk	AutoMLConfig En AutoMLConfig som definierar konfigurationen för den här AutoML-körningen.
inputs Obligatorisk	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] En lista över indataportbindningar.
outputs Obligatorisk	list[Union[PipelineData, OutputPortBinding]] En lista över portbindningar för utdata.
script_repl_params Obligatorisk	dict Valfria parametrar som ska ersättas i ett skript, till exempel {'param1': 'value1', 'param2': 'value2'}.
script_repl_params Obligatorisk	Valfria parametrar som ska ersättas i ett skript.
allow_reuse Obligatorisk	bool Anger om steget ska återanvända tidigare resultat när det körs igen med samma inställningar. Återanvändning är aktiverat som standard. Om steginnehållet (skript/beroenden) samt indata och parametrar förblir oförändrade återanvänds utdata från föregående körning av det här steget. När du återanvänder steget, i stället för att skicka jobbet för beräkning, görs resultaten från den föregående körningen omedelbart tillgängliga för efterföljande steg. Om du använder Azure Machine Learning-datauppsättningar som indata bestäms återanvändningen av om datauppsättningens definition har ändrats, inte av om underliggande data har ändrats.
version Obligatorisk	str En version som ska tilldelas till steget.
hash_paths Obligatorisk	list DEPRECATED. En lista över sökvägar till hash när du söker efter ändringar i pipelinesteginnehållet. Som standard hashas alla filer under parametern path i AutoMLConfig förutom filer som anges i .amlignore eller .gitignore under path. Om inga ändringar har identifierats återanvänder pipelinen steginnehållet från en tidigare körning.
enable_default_model_output Obligatorisk	bool Anger om den bästa modellen ska läggas till som standardutdata. Detta kan användas för att hämta den bästa modellen när körningen har slutförts med hjälp av AutoMLStepRun klassen . Observera att om standardmodellens utdata inte krävs rekommenderar vi att du anger den här parametern till False.
enable_default_metrics_output Obligatorisk	bool Anger om alla underordnade körningsmått ska läggas till som standardutdata. Detta kan användas för att hämta underordnade körningsmått när körningen har slutförts med hjälp av AutoMLStepRun klassen . Observera att om standardmåttutdata inte krävs rekommenderar vi att du anger den här parametern till False.

Kommentarer

Med klassen AutoMLStep kan du köra ditt automatiserade ML-arbetsflöde i en Azure Machine Learning-pipeline. Pipelines ger fördelar som repeterbarhet, obevakade körningar, versionshantering och spårning samt modularitet för ditt automatiserade ML-arbetsflöde. Mer information finns i Vad är Azure Machine Learning-pipelines?.

När ditt automatiserade ML-arbetsflöde är i en pipeline kan du schemalägga pipelinen så att den körs enligt ett tidsbaserat schema eller enligt ett ändringsbaserat schema. Tidsbaserade scheman är användbara för rutinaktiviteter som att övervaka dataavvikelse, medan ändringsbaserade scheman är användbara för oregelbundna eller oförutsägbara ändringar, till exempel när data ändras. Ditt schema kan till exempel avsöka ett bloblager där data laddas upp och sedan köra pipelinen igen om data ändras och sedan registrera en ny version av modellen när körningen är klar. Mer information finns i Schemalägga maskininlärningspipelines och Utlösa en körning av en Machine Learning-pipeline från en logikapp.

I följande exempel visas hur du skapar en AutoMLStep.

   automl_step = AutoMLStep(
       name='automl_module',
       automl_config=automl_config,
       outputs=[metrics_data, model_data],
       allow_reuse=True)

Fullständigt exempel är tillgängligt från https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb

I följande exempel visas hur du använder AutoMLStep-objektet i en Pipeline.

   from azureml.pipeline.core import Pipeline
   pipeline = Pipeline(
       description="pipeline_with_automlstep",
       workspace=ws,
       steps=[automl_step])

Fullständigt exempel är tillgängligt från https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb

Exemplet ovan visar ett steg i pipelinen. Men när du använder AutoMLStep i ett verkligt automatiserat ML-arbetsflöde har du minst ett pipelinesteg som utför dataförberedelser före AutoMLStep, och ett annat pipelinesteg efter det registrerar modellen. Exempel på den här typen av arbetsflöde finns i notebook-filen https://aka.ms/automl-retrain-pipeline.

Om du vill hantera, kontrollera status och hämta körningsinformation från pipelinekörningen AutoMLStepRun använder du klassen .

Mer information om automatiserad maskininlärning i Azure finns i artikeln Vad är automatiserad maskininlärning?. Mer information om hur du konfigurerar ett automatiserat ML-experiment utan att använda en pipeline finns i artikeln Konfigurera automatiserat ML-experiment i Python.

Metoder

create_node

Skapa en nod från det här AutoML-steget och lägg till i den angivna grafen. Den här metoden är inte avsedd att användas direkt. När en pipeline instansieras med det här steget skickar Azure ML automatiskt de parametrar som krävs via den här metoden så att steget kan läggas till i ett pipelinediagram som representerar arbetsflödet.

create_node

Skapa en nod från det här AutoML-steget och lägg till i den angivna grafen.

Den här metoden är inte avsedd att användas direkt. När en pipeline instansieras med det här steget skickar Azure ML automatiskt de parametrar som krävs via den här metoden så att steget kan läggas till i ett pipelinediagram som representerar arbetsflödet.

create_node(graph, default_datastore, context)

Parametrar

Name	Description
graph Obligatorisk	Graph Grafobjektet som noden ska läggas till i.
default_datastore Obligatorisk	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Standarddatalagringen.
context Obligatorisk	<xref:azureml.pipeline.core._GraphContext> Grafkontexten.

Returer

Typ	Description
Node	Den skapade noden.

Attribut

AUTOML_CONFIG_PARAM_NAME

AUTOML_CONFIG_PARAM_NAME = 'AutoMLConfig'

DEFAULT_METRIC_PREFIX

DEFAULT_METRIC_PREFIX = 'default_metrics_'

DEFAULT_MODEL_PREFIX

DEFAULT_MODEL_PREFIX = 'default_model_'