Aracılığıyla paylaş


ScriptRunConfig Sınıf

Azure Machine Learning'de eğitim çalıştırması göndermek için yapılandırma bilgilerini temsil eder.

ScriptRunConfig betik, işlem hedefi, ortam ve dağıtılmış işe özgü yapılandırmalar dahil olmak üzere Azure ML'de bir çalıştırma göndermek için gereken yapılandırma bilgilerini birlikte paketler.

Bir betik çalıştırması yapılandırılıp ile gönderildikten submitsonra bir ScriptRun döndürülür.

Sınıf ScriptRunConfig oluşturucu.

Devralma
azureml._logging.chained_identity.ChainedIdentity
ScriptRunConfig

Oluşturucu

ScriptRunConfig(source_directory, script=None, arguments=None, run_config=None, _telemetry_values=None, compute_target=None, environment=None, distributed_job_config=None, resume_from=None, max_run_duration_seconds=2592000, command=None, docker_runtime_config=None)

Parametreler

Name Description
source_directory
Gerekli
str

Çalıştırma için gereken kod dosyalarını içeren yerel dizin.

script
Gerekli
str

Çalıştırılacak betiğin source_directory göreli dosya yolu.

arguments
Gerekli
list veya str

Eğitim betiğine geçirebilmek için isteğe bağlı komut satırı bağımsız değişkenleri. Bağımsız değişkenler çiftler halinde geçirilir, örneğin, ['–arg1', arg1_val, '–arg2', arg2_val].

run_config
Gerekli

Kullanılacak isteğe bağlı çalıştırma yapılandırması.

_telemetry_values
Gerekli

Yalnızca iç kullanım.

compute_target
Gerekli

Eğitimin gerçekleşeceği işlem hedefi. Bu bir ComputeTarget nesnesi, mevcut bir ComputeTarget adı veya "local" dizesi olabilir. İşlem hedefi belirtilmezse yerel makineniz kullanılır.

environment
Gerekli

Çalıştırma için kullanılacak ortam. Ortam belirtilmezse, çalıştırma için Docker görüntüsü olarak azureml.core.runconfig.DEFAULT_CPU_IMAGE kullanılır.

distributed_job_config
Gerekli

Ek dağıtılmış işe özgü yapılandırmalar gerektiren işler için.

resume_from
Gerekli

Denemenin sürdürüldiği denetim noktası veya model dosyalarını içeren DataPath.

max_run_duration_seconds
Gerekli

Çalıştırma için izin verilen en uzun süre. Sistem, bu değerden daha uzun sürerse çalıştırmayı otomatik olarak iptal etmeye çalışır. :type max_run_duration_seconds: int

command
Gerekli
list[str] veya str

Çalıştırma için gönderilecek komut. Komut özelliği betik/bağımsız değişkenler yerine de kullanılabilir. Çalıştırma göndermek için hem komut hem de betik/bağımsız değişken özellikleri birlikte kullanılamaz. ['python', 'train.py', '–arg1', arg1_val] komut özelliğini kullanarak bir betik dosyası göndermek için - ['ls']

docker_runtime_config
Gerekli

Docker çalışma zamanına özgü yapılandırmalar gerektiren işler için.

source_directory
Gerekli
str

Çalıştırma için gereken kod dosyalarını içeren yerel dizin.

script
Gerekli
str

Çalıştırılacak betiğin source_directory göreli dosya yolu.

arguments
Gerekli

Eğitim betiğine geçirebilmek için isteğe bağlı komut satırı bağımsız değişkenleri. Bağımsız değişkenler çiftler halinde geçirilir, örneğin, ['–arg1', arg1_val, '–arg2', arg2_val].

run_config
Gerekli

Kullanılacak isteğe bağlı çalıştırma yapılandırması.

_telemetry_values
Gerekli

Yalnızca iç kullanım.

compute_target
Gerekli

Eğitimin gerçekleşeceği işlem hedefi. Bu bir ComputeTarget nesnesi, mevcut bir ComputeTarget adı veya "local" dizesi olabilir. İşlem hedefi belirtilmezse yerel makineniz kullanılır.

environment
Gerekli

Çalıştırma için kullanılacak ortam. Ortam belirtilmezse, çalıştırma için Docker görüntüsü olarak azureml.core.runconfig.DEFAULT_CPU_IMAGE kullanılır.

distributed_job_config
Gerekli

Ek dağıtılmış işe özgü yapılandırmalar gerektiren işler için.

resume_from
Gerekli

Denemenin sürdürüldiği denetim noktası veya model dosyalarını içeren DataPath.

max_run_duration_seconds
Gerekli
int

Çalıştırma için izin verilen en uzun süre. Sistem, bu değerden daha uzun sürerse çalıştırmayı otomatik olarak iptal etmeye çalışır.

command
Gerekli
list[str] veya str

Çalıştırma için gönderilecek komut. Komut özelliği betik/bağımsız değişkenler yerine de kullanılabilir. Çalıştırma göndermek için hem komut hem de betik/bağımsız değişken özellikleri birlikte kullanılamaz. ['python', 'train.py', '–arg1', arg1_val] komut özelliğini kullanarak bir betik dosyası göndermek için - ['ls']

docker_runtime_config
Gerekli

Docker çalışma zamanına özgü yapılandırmalar gerektiren işler için.

Açıklamalar

Azure Machine Learning SDK'sı, çözdüğü paylaşılan sorunla ilgili makine öğrenmesi modellerini eğitip karşılaştırmanıza yardımcı olmak için tasarlanmış bir dizi birbirine bağlı sınıf sağlar.

Bir Experiment , bu eğitim çalıştırmaları için mantıksal kapsayıcı görevi görür. ScriptRunConfig nesnesi, denemenin bir parçası olarak eğitim çalıştırması göndermek için gereken bilgileri yapılandırmak için kullanılır. ScriptRunConfig nesnesi kullanılarak bir çalıştırma gönderildiğinde, gönderme yöntemi türünde ScriptRunbir nesnesi döndürür. Daha sonra scriptrun nesnesi döndürüldü, eğitim çalıştırması hakkındaki bilgilere program aracılığıyla erişim sağlar. ScriptRun, öğesinin alt sınıfıdır Run.

Anımsanması gereken temel kavram, tetikleme yapmak istediğiniz çalıştırma türüne bağlı olarak deneme göndermek için kullanılan farklı yapılandırma nesneleri olduğudur. Daha sonra yapılandırma nesnesinin türü, gönderme yönteminden hangi Alt Run sınıfını geri alabileceğinizi bildirir. Denemenin gönderme yöntemine yapılan bir çağrıda ScriptRunConfig nesnesi geçirdiğinizde, bir ScriptRun nesnesini geri alırsınız. Döndürülen AutoMLRun diğer çalıştırma nesnelerine örnek olarak (AutoML çalıştırması için döndürülür) ve PipelineRun (İşlem Hattı çalıştırması için döndürülür) verilebilir.

Aşağıdaki örnekte, yerel makinenize nasıl eğitim betiği gönderebilirsiniz gösterilmektedir.


   from azureml.core import ScriptRunConfig, Experiment

   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            script='train.py',
                            arguments=['--arg1', arg1_val, '--arg2', arg2_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Aşağıdaki örnekte, betik ve bağımsız değişkenler yerine komut özelliğini kullanarak kümenize eğitim betiği gönderme işlemi gösterilmektedir.


   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['python', 'train.py', '--arg1', arg1_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Aşağıdaki örnekte kümenizde bir komutun nasıl çalıştırılacakları gösterilmektedir.


   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['ls', '-l'],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

ScriptRunConfig ile çalışmayı gösteren diğer örnekler için bkz:

Öznitelikler

MAX_DURATION_SECONDS_DEFAULT

MAX_DURATION_SECONDS_DEFAULT = 2592000