Aracılığıyla paylaş

AutoML'yi SDK v2'ye yükseltme

  • Makale

SDK v2'de "denemeler" ve "çalıştırmalar" işlerde birleştirilir.

SDK v1'de AutoML öncelikle sınıfı kullanılarak AutoMLConfig yapılandırıldı ve çalıştırıldı. SDK v2'de bu sınıf bir AutoML işe dönüştürüldü. Yapılandırma seçeneklerinde bazı farklılıklar olsa da, V2'de büyük ve büyük adlandırma ve işlevsellik korunmuştur.

Bu makalede SDK v1 ve SDK v2'deki senaryoların karşılaştırması verilmiştir.

AutoML çalıştırmasını gönderme

  • SDK v1: Aşağıda örnek bir AutoML sınıflandırma görevi verilmiştir. Kodun tamamı için örnek depomuza göz atın.

    # Imports

import azureml.core
from azureml.core.experiment import Experiment
from azureml.core.workspace import Workspace
from azureml.core.dataset import Dataset
from azureml.train.automl import AutoMLConfig
from azureml.train.automl.run import AutoMLRun   

# Load tabular dataset
data = "<url_to_data>"
dataset = Dataset.Tabular.from_delimited_files(data)
training_data, validation_data = dataset.random_split(percentage=0.8, seed=223)
label_column_name = "Class"

# Configure Auto ML settings
automl_settings = {
    "n_cross_validations": 3,
    "primary_metric": "average_precision_score_weighted",
    "enable_early_stopping": True,
    "max_concurrent_iterations": 2,  
    "experiment_timeout_hours": 0.25,  
    "verbosity": logging.INFO,
}

# Put together an AutoML job constructor
automl_config = AutoMLConfig(
    task="classification",
    debug_log="automl_errors.log",
    compute_target=compute_target,
    training_data=training_data,
    label_column_name=label_column_name,
    **automl_settings,
)

# Submit run
remote_run = experiment.submit(automl_config, show_output=False)
azureml_url = remote_run.get_portal_url()
print(azureml_url)

  • SDK v2: Aşağıda örnek bir AutoML sınıflandırma görevi verilmiştir. Kodun tamamı için örnek depomuza göz atın.

    # Imports
from azure.ai.ml import automl, Input, MLClient

from azure.ai.ml.constants import AssetTypes
from azure.ai.ml.automl import (
    classification,
    ClassificationPrimaryMetrics,
    ClassificationModels,
)


# Create MLTables for training dataset
# Note that AutoML Job can also take in tabular data
my_training_data_input = Input(
    type=AssetTypes.MLTABLE, path="./data/training-mltable-folder"
)

# Create the AutoML classification job with the related factory-function.
classification_job = automl.classification(
    compute="<compute_name>",
    experiment_name="<exp_name?",
    training_data=my_training_data_input,
    target_column_name="<name_of_target_column>",
    primary_metric="accuracy",
    n_cross_validations=5,
    enable_model_explainability=True,
    tags={"my_custom_tag": "My custom value"},
)

# Limits are all optional
classification_job.set_limits(
    timeout_minutes=600,
    trial_timeout_minutes=20,
    max_trials=5,
    max_concurrent_trials = 4,
    max_cores_per_trial= 1,
    enable_early_termination=True,
)

# Training properties are optional
classification_job.set_training(
    blocked_training_algorithms=["LogisticRegression"],
    enable_onnx_compatible_models=True,
)

# Submit the AutoML job
returned_job = ml_client.jobs.create_or_update(classification_job)  
returned_job

SDK v1 ve SDK v2'deki temel işlevlerin eşlemesi

SDK v1'deki işlevsellik SDK v2'de kaba eşleme
SDK v1'de Yöntem/API (başvuru belgelerinin bağlantılarını kullanın) SDK v2'de Yöntem/API (başvuru belgeleri bağlantılarını kullanın)

Sonraki adımlar

Daha fazla bilgi için bkz.