MpiStep Klass

Skapar ett Azure ML-pipelinesteg för att köra ett MPI-jobb.

Ett exempel på hur du använder MpiStep finns i notebook-filen https://aka.ms/pl-style-trans.

Skapa ett Azure ML-pipelinesteg för att köra ett MPI-jobb.

DEPRECATED. CommandStep Använd i stället. Ett exempel finns i Så här kör du distribuerad träning i pipelines med CommandStep.

Arv

PythonScriptStep

MpiStep

Konstruktor

MpiStep(name=None, source_directory=None, script_name=None, arguments=None, compute_target=None, node_count=None, process_count_per_node=None, inputs=None, outputs=None, allow_reuse=True, version=None, hash_paths=None, **kwargs)

Parametrar

Name	Description
name	str [Krävs] Namnet på modulen. standardvärde: None
source_directory	str [Krävs] En mapp som innehåller Python-skript, conda env och andra resurser som används i steget. standardvärde: None
script_name	str [Krävs] Namnet på ett Python-skript i förhållande till source_directory. standardvärde: None
arguments	list [Krävs] En lista över kommandoradsargument. standardvärde: None
compute_target	AmlCompute, str [Krävs] Ett beräkningsmål att använda. standardvärde: None
node_count	int [Krävs] Antalet noder i beräkningsmålet som används för träning. Om det är större än 1 körs ett mpi-distribuerat jobb. Endast AmlCompute-beräkningsmål stöds för distribuerade jobb. PipelineParameter-värden stöds. standardvärde: None
process_count_per_node	int [Krävs] Antalet processer per nod. Om det är större än 1 körs ett mpi-distribuerat jobb. Endast AmlCompute-beräkningsmål stöds för distribuerade jobb. PipelineParameter-värden stöds. standardvärde: None
inputs	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]] En lista över indataportbindningar. standardvärde: None
outputs	list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]] En lista över portbindningar för utdata. standardvärde: None
params Obligatorisk	dict En ordlista med namn/värde-par som registrerats som miljövariabler med "AML_PARAMETER_".
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 valfri versionstagg som anger en funktionsändring för modulen. standardvärde: None
hash_paths	list INAKTUELL: behövs inte längre. En lista över sökvägar till hash när du söker efter ändringar i steginnehållet. Om inga ändringar har identifierats återanvänder pipelinen steginnehållet från en tidigare körning. Som standard hashas innehållet source_directory i förutom filer som anges i .amlignore eller .gitignore. standardvärde: None
use_gpu Obligatorisk	bool Anger om miljön som ska köra experimentet ska ha stöd för GPU:er. Om det är sant används en GPU-baserad Docker-standard avbildning i miljön. Om det är falskt används en CPU-baserad avbildning. Standard docker-avbildningar (CPU eller GPU) används endast om parametern custom_docker_image inte har angetts. Den här inställningen används endast i Docker-aktiverade beräkningsmål.
use_docker Obligatorisk	bool Anger om miljön som ska köra experimentet ska vara Docker-baserad.
custom_docker_image Obligatorisk	str Namnet på den Docker-avbildning som avbildningen ska använda för träning kommer att skapas. Om den inte har angetts används en cpu-baserad standardavbildning som basavbildning.
image_registry_details Obligatorisk	ContainerRegistry Information om Docker-avbildningsregistret.
user_managed Obligatorisk	bool Anger om Azure ML återanvänder en befintlig Python-miljö. False innebär att Azure ML skapar en Python-miljö baserat på specifikationen för conda-beroenden.
conda_packages Obligatorisk	list En lista över strängar som representerar conda-paket som ska läggas till i Python-miljön.
pip_packages Obligatorisk	list En lista över strängar som representerar pip-paket som ska läggas till i Python-miljön.
pip_requirements_file_path Obligatorisk	str Den relativa sökvägen till pip-kravtextfilen. Den här parametern kan anges i kombination med parametern pip_packages .
environment_definition Obligatorisk	EnvironmentDefinition EnvironmentDefinition för experimentet. Den innehåller variablerna PythonSection och DockerSection och miljö. Alla miljöalternativ som inte exponeras direkt via andra parametrar för MpiStep-konstruktionen kan anges med hjälp av environment_definition parameter. Om den här parametern anges har den företräde framför andra miljörelaterade parametrar som use_gpu, custom_docker_image, conda_packages eller pip_packages och fel rapporteras för dessa ogiltiga kombinationer.
name Obligatorisk	str [Krävs] Namnet på modulen.
source_directory Obligatorisk	str [Krävs] En mapp som innehåller Python-skript, conda env och andra resurser som används i steget.
script_name Obligatorisk	str [Krävs] Namnet på ett Python-skript i förhållande till source_directory.
arguments Obligatorisk	list [Krävs] En lista över kommandoradsargument.
compute_target Obligatorisk	<xref:azureml.core.compute.AmlComputeCompute>, str [Krävs] Ett beräkningsmål att använda.
node_count Obligatorisk	int [Krävs] Antal noder i beräkningsmålet som används för träning. Om det är större än 1 körs det distribuerade mpi-jobbet. Endast AmlCompute-beräkningsmål stöds för distribuerade jobb. PipelineParameter-värden stöds.
process_count_per_node Obligatorisk	int [Krävs] Antal processer per nod. Om det är större än 1 körs det distribuerade mpi-jobbet. Endast AmlCompute-beräkningsmål stöds för distribuerade jobb. PipelineParameter-värden stöds.
inputs Obligatorisk	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]] En lista över indataportbindningar.
outputs Obligatorisk	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]] En lista över portbindningar för utdata.
params Obligatorisk	dict En ordlista med namn/värde-par som registrerats som miljövariabler med ">>AML_PARAMETER_<<".
allow_reuse Obligatorisk	bool Anger om steget ska återanvända tidigare resultat när omkörningen med samma parametrar förblir oförändrad, och utdata från föregående körning av det här steget återanvänds. 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 Valfri versionstagg för att ange en ändring av funktionen för modulen
hash_paths Obligatorisk	list INAKTUELL: behövs inte längre. En lista över sökvägar till hash när du söker efter ändringar i steginnehållet. Om inga ändringar har identifierats återanvänder pipelinen steginnehållet från en tidigare körning. Som standard hashas innehållet source_directory i förutom filer som anges i .amlignore eller .gitignore.
use_gpu Obligatorisk	bool Anger om miljön som ska köra experimentet ska ha stöd för GPU:er. Om det är sant används en GPU-baserad Docker-standard avbildning i miljön. Om det är falskt används en CPU-baserad avbildning. Standard docker-avbildningar (CPU eller GPU) används endast om parametern custom_docker_image inte har angetts. Den här inställningen används endast i Docker-aktiverade beräkningsmål.
use_docker Obligatorisk	bool Anger om miljön som ska köra experimentet ska vara Docker-baserad. custom_docker_image (str): Namnet på docker-avbildningen från vilken avbildningen som ska användas för mpi-jobbet skapas. Om den inte har angetts används en standard-CPU-baserad avbildning som basavbildning.
custom_docker_image Obligatorisk	str Namnet på den Docker-avbildning som avbildningen ska använda för träning kommer att skapas. Om den inte anges används en standard-CPU-baserad avbildning som basavbildning.
image_registry_details Obligatorisk	ContainerRegistry Information om Docker-avbildningsregistret.
user_managed Obligatorisk	bool Anger om Azure ML återanvänder en befintlig Python-miljö. Falskt innebär att Azure ML skapar en Python-miljö baserat på specifikationen för conda-beroenden.
conda_packages Obligatorisk	list En lista med strängar som representerar conda-paket som ska läggas till i Python-miljön.
pip_packages Obligatorisk	list En lista med strängar som representerar pip-paket som ska läggas till i Python-miljön.
pip_requirements_file_path Obligatorisk	str Den relativa sökvägen till textfilen pip requirements. Den här parametern kan anges i kombination med parametern pip_packages .
environment_definition Obligatorisk	EnvironmentDefinition EnvironmentDefinition för experimentet. Den innehåller PythonSection- och DockerSection- och miljövariabler. Alla miljöalternativ som inte exponeras direkt via andra parametrar för MpiStep-konstruktionen kan anges med hjälp av environment_definition parameter. Om den här parametern anges har den företräde framför andra miljörelaterade parametrar som use_gpu, custom_docker_image, conda_packages eller pip_packages och fel rapporteras för dessa ogiltiga kombinationer.