BanditPolicy Sınıf

  • Başvuru

Slack ölçütlerini ve değerlendirme için sıklık ve gecikme aralığını temel alan bir erken sonlandırma ilkesi tanımlar.

Devralma
azure.ai.ml.entities._job.sweep.early_termination_policy.EarlyTerminationPolicy
BanditPolicy

Oluşturucu

BanditPolicy(*, delay_evaluation: int = 0, evaluation_interval: int = 0, slack_amount: float = 0, slack_factor: float = 0)

Yalnızca Anahtar Sözcük Parametreleri

Name Description
delay_evaluation
int

İlk değerlendirmenin geciktirilme aralığı sayısı. Varsayılan değer 0'dır.
evaluation_interval
int

İlke değerlendirmeleri arasındaki aralık (çalıştırma sayısı). Varsayılan değer 0'dır.
slack_amount
float

En iyi performans gösteren çalıştırmadan mutlak uzaklık. Varsayılan değer 0'dır.
slack_factor
float

İzin verilen uzaklık ile en iyi performansa sahip çalıştırmanın oranı. Varsayılan değer 0'dır.

Örnekler

Bir Komut işinde hiper parametre süpürmesinin BanditPolicy'yi erken sonlandırmasını yapılandırma.


   from azure.ai.ml import command

   job = command(
       inputs=dict(kernel="linear", penalty=1.0),
       compute=cpu_cluster,
       environment=f"{job_env.name}:{job_env.version}",
       code="./scripts",
       command="python scripts/train.py --kernel $kernel --penalty $penalty",
       experiment_name="sklearn-iris-flowers",
   )

   # we can reuse an existing Command Job as a function that we can apply inputs to for the sweep configurations
   from azure.ai.ml.sweep import Uniform

   job_for_sweep = job(
       kernel=Uniform(min_value=0.0005, max_value=0.005),
       penalty=Uniform(min_value=0.9, max_value=0.99),
   )

   from azure.ai.ml.sweep import BanditPolicy

   sweep_job = job_for_sweep.sweep(
       sampling_algorithm="random",
       primary_metric="best_val_acc",
       goal="Maximize",
       max_total_trials=8,
       max_concurrent_trials=4,
       early_termination_policy=BanditPolicy(slack_factor=0.15, evaluation_interval=1, delay_evaluation=10),
   )