HyperDriveStep Sınıf
Machine Learning modeli eğitimi için hiper parametre tunning'i çalıştırmak için bir Azure ML İşlem Hattı adımı oluşturur.
HyperDriveStep kullanma örneği için not defterine https://aka.ms/pl-hyperdrivebakın.
Machine Learning modeli eğitimi için hiper parametre bağlamasını çalıştırmak için bir Azure ML İşlem Hattı adımı oluşturun.
- Devralma
-
HyperDriveStep
Oluşturucu
HyperDriveStep(name, hyperdrive_config, estimator_entry_script_arguments=None, inputs=None, outputs=None, metrics_output=None, allow_reuse=True, version=None)
Parametreler
- hyperdrive_config
- HyperDriveConfig
[Gerekli] HyperDrive çalıştırmasının yapılandırmasını tanımlayan bir HyperDriveConfig.
- estimator_entry_script_arguments
- list
Tahmin aracı giriş betiği için komut satırı bağımsız değişkenlerinin listesi. Tahmin Aracının giriş betiği komut satırı bağımsız değişkenlerini kabul etmiyorsa, bu parametre değerini boş bir listeye ayarlayın.
- inputs
- list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]]
Giriş bağlantı noktası bağlamalarının listesi.
- outputs
- list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]]
Çıkış bağlantı noktası bağlamalarının listesi
- metrics_output
- Union[PipelineData, DataReference, OutputPortBinding]
HyperDrive çalıştırma ölçümlerini JSON dosyası olarak depolama konumunu belirten isteğe bağlı değer.
- allow_reuse
- bool
Aynı ayarlarla yeniden çalıştırıldığında adımın önceki sonuçları yeniden kullanıp kullanmayacağını gösterir. Yeniden kullanma varsayılan olarak etkindir. Adım içeriği (betikler/bağımlılıklar) ve girişler ve parametreler değişmeden kalırsa, bu adımın önceki çalıştırmasından elde edilen çıkış yeniden kullanılır. Adımı yeniden kullanırken, işi işlem için göndermek yerine, önceki çalıştırmanın sonuçları hemen sonraki adımlarda kullanılabilir hale gelir. Giriş olarak Azure Machine Learning veri kümelerini kullanıyorsanız, yeniden kullanım, temel alınan verilerin değişip değişmediğine göre değil, veri kümesinin tanımının değişip değişmediğine göre belirlenir.
- version
- str
Modülün işlevselliğinde bir değişikliği belirtmek için isteğe bağlı bir sürüm etiketi.
- hyperdrive_config
- HyperDriveConfig
[Gerekli] HyperDrive çalıştırmasının yapılandırmasını tanımlayan bir HyperDriveConfig.
- estimator_entry_script_arguments
- list
Tahmin aracı giriş betiği için komut satırı bağımsız değişkenlerinin listesi. Tahmin Aracının giriş betiği komut satırı bağımsız değişkenlerini kabul etmiyorsa, bu parametre değerini boş bir listeye ayarlayın.
- inputs
- list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]]
Giriş bağlantı noktası bağlamalarının listesi.
Çıkış bağlantı noktası bağlamalarının listesi.
- metrics_output
- Union[PipelineData, DataReference, OutputPortBinding]
HyperDrive çalıştırma ölçümlerini JSON dosyası olarak depolama konumunu belirten isteğe bağlı bir değer.
- allow_reuse
- bool
Aynı ayarlarla yeniden çalıştırıldığında adımın önceki sonuçları yeniden kullanıp kullanmayacağını gösterir. Yeniden kullanma varsayılan olarak etkindir. Adım içeriği (betikler/bağımlılıklar) ve girişler ve parametreler değişmeden kalırsa, bu adımın önceki çalıştırmasından elde edilen çıkış yeniden kullanılır. Adımı yeniden kullanırken, işi işlem için göndermek yerine, önceki çalıştırmanın sonuçları hemen sonraki adımlarda kullanılabilir hale gelir. Giriş olarak Azure Machine Learning veri kümelerini kullanıyorsanız, yeniden kullanım, temel alınan verilerin değişip değişmediğine göre değil, veri kümesinin tanımının değişip değişmediğine göre belirlenir.
Açıklamalar
Tahmin aracı nesnesinde kullanılan giriş betiğindeki bağımsız değişkenlerin (örneğin, TensorFlow nesne) HyperDriveStep örneği oluşturulurken parametresi kullanılarak estimator_entry_script_arguments
liste olarak belirtilmesi gerektiğini unutmayın. Tahmin aracı parametresi script_params
bir sözlüğü kabul eder. Ancak, estimator_entry_script_argument
parametre bağımsız değişkenleri liste olarak bekler.
HyperDriveStep başlatma işlemi, parametresiyle bir nesne listesi DataReference belirtmeyi inputs
içerir. Azure ML İşlem Hatları'nda işlem hattı adımı başka bir adımın çıkışını veya DataReference nesnelerini giriş olarak alabilir. Bu nedenle, bir HyperDriveStep inputs
oluştururken ve outputs
parametreleri açıkça ayarlanmalıdır ve bu da Estimator nesnesinde belirtilen parametreyi geçersiz kılar inputs
.
HyperDriveStep ile çalışmak için en iyi yöntem, betikler ve adımla ilişkili bağımlı dosyalar için ayrı bir klasör kullanmak ve tahmin aracı nesnesinin source_directory
klasörü olarak bu klasörü belirtmektir. Örneğin, sınıfının parametresine TensorFlow bakınsource_directory
. Bunu yapmanın iki avantajı vardır. İlk olarak, yalnızca adım için gerekenler anlık görüntülendiğinden, adım için oluşturulan anlık görüntünün boyutunu azaltmaya yardımcı olur. İkinci olarak, snaphot'un yeniden yüklenmesini tetikleyecek bir değişiklik source_directory
yapılmazsa önceki çalıştırmadan alınan adım çıktısı yeniden kullanılabilir.
Aşağıdaki örnekte, Bir Azure Machine Learning İşlem Hattında HyperDriveStep'in nasıl kullanılacağı gösterilmektedir.
metrics_output_name = 'metrics_output'
metrics_data = PipelineData(name='metrics_data',
datastore=datastore,
pipeline_output_name=metrics_output_name,
training_output=TrainingOutput("Metrics"))
model_output_name = 'model_output'
saved_model = PipelineData(name='saved_model',
datastore=datastore,
pipeline_output_name=model_output_name,
training_output=TrainingOutput("Model",
model_file="outputs/model/saved_model.pb"))
hd_step_name='hd_step01'
hd_step = HyperDriveStep(
name=hd_step_name,
hyperdrive_config=hd_config,
inputs=[data_folder],
outputs=[metrics_data, saved_model])
Tam örnek şu kaynaktan edinilebilir: https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-parameter-tuning-with-hyperdrive.ipynb
Yöntemler
create_node |
HyperDrive adımından bir düğüm oluşturun ve verilen grafiğe ekleyin. Bu yöntem doğrudan kullanılmak üzere tasarlanmamıştır. Bu adımla bir işlem hattı örneği oluşturulduğunda, Azure ML bu yöntem aracılığıyla gerekli parametreleri otomatik olarak geçirir, böylece adım iş akışını temsil eden bir işlem hattı grafiğine eklenebilir. |
create_node
HyperDrive adımından bir düğüm oluşturun ve verilen grafiğe ekleyin.
Bu yöntem doğrudan kullanılmak üzere tasarlanmamıştır. Bu adımla bir işlem hattı örneği oluşturulduğunda, Azure ML bu yöntem aracılığıyla gerekli parametreleri otomatik olarak geçirir, böylece adım iş akışını temsil eden bir işlem hattı grafiğine eklenebilir.
create_node(graph, default_datastore, context)
Parametreler
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Varsayılan veri deposu.
- context
- <xref:azureml.pipeline.core._GraphContext>
Grafik bağlamı.
Döndürülenler
Oluşturulan düğüm.
Dönüş türü
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin