HyperDriveStep Sınıf

Machine Learning modeli eğitimi için hiper parametre atamasını çalıştırmak için bir Azure ML İşlem Hattı adımı oluşturur.

HyperDriveStep kullanma örneği için not defterine https://aka.ms/pl-hyperdrivebakın.

Machine Learning model eğitimi için hiper parametre tunning'i çalıştırmak için bir Azure ML İşlem Hattı adımı oluşturun.

Oluşturucu

HyperDriveStep(name, hyperdrive_config, estimator_entry_script_arguments=None, inputs=None, outputs=None, metrics_output=None, allow_reuse=True, version=None)

Parametreler

Name	Description
name Gerekli	str [Gerekli] Adımın adı.
hyperdrive_config Gerekli	HyperDriveConfig [Gerekli] HyperDrive çalıştırmasının yapılandırmasını tanımlayan bir HyperDriveConfig.
estimator_entry_script_arguments	list Tahmin aracı giriş betiği için komut satırı bağımsız değişkenlerinin listesi. Tahmin Aracı'nın giriş betiği komut satırı bağımsız değişkenlerini kabul etmiyorsa, bu parametre değerini boş bir listeye ayarlayın. Default value: None
inputs	list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]] Giriş bağlantı noktası bağlamalarının listesi. Default value: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]] Çıkış bağlantı noktası bağlamalarının listesi Default value: None
metrics_output	Union[PipelineData, DataReference, OutputPortBinding] HyperDrive çalıştırma ölçümlerini JSON dosyası olarak depolama konumunu belirten isteğe bağlı değer. Default value: None
allow_reuse	bool Aynı ayarlarla yeniden çalıştırıldığında adımın önceki sonuçları yeniden kullanıp kullanmayacağını gösterir. Yeniden kullanım 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 hesaplamaya göndermek yerine, önceki çalıştırmanın sonuçları sonraki tüm adımlarda hemen kullanılabilir duruma 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. Default value: True
version	str Modülün işlev değişikliğini belirtmek için isteğe bağlı bir sürüm etiketi. Default value: None
name Gerekli	str [Gerekli] Adımın adı.
hyperdrive_config Gerekli	HyperDriveConfig [Gerekli] HyperDrive çalıştırmasının yapılandırmasını tanımlayan bir HyperDriveConfig.
estimator_entry_script_arguments Gerekli	list Tahmin aracı giriş betiği için komut satırı bağımsız değişkenlerinin listesi. Tahmin Aracı'nın giriş betiği komut satırı bağımsız değişkenlerini kabul etmiyorsa, bu parametre değerini boş bir listeye ayarlayın.
inputs Gerekli	list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]] Giriş bağlantı noktası bağlamalarının listesi.
outputs Gerekli	list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]] Çıkış bağlantı noktası bağlamalarının listesi.
metrics_output Gerekli	Union[PipelineData, DataReference, OutputPortBinding] HyperDrive çalıştırma ölçümlerini JSON dosyası olarak depolama konumunu belirten isteğe bağlı bir değer.
allow_reuse Gerekli	bool Aynı ayarlarla yeniden çalıştırıldığında adımın önceki sonuçları yeniden kullanıp kullanmayacağını gösterir. Yeniden kullanım 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 hesaplamaya göndermek yerine, önceki çalıştırmanın sonuçları sonraki tüm adımlarda hemen kullanılabilir duruma 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 Gerekli	str Sürüm

Açıklamalar

Tahmin aracı nesnesinde kullanılan giriş betiğine yönelik bağımsız değişkenlerin (örneğin, TensorFlow nesne) bir HyperDriveStep örneği oluştururken parametresi kullanılarak estimator_entry_script_arguments 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 pipelines'da 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 klasörü olarak bu klasörü belirtmektir source_directory. Örneğin, sınıfının parametresine source_directory bakınTensorFlow. 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 yöntemin doğrudan kullanılması amaçlanmamıştır. Bu adımla bir işlem hattı örneği oluşturulduğunda, Azure ML gerekli parametreleri otomatik olarak bu yöntem aracılığıyla geçirir, böylece adım iş akışını temsil eden bir işlem hattı grafiğine eklenebilir.

create_node

HyperDrive adımından bir düğüm oluşturun ve verilen grafiğe ekleyin.

create_node(graph, default_datastore, context)

Parametreler

Name	Description
graph Gerekli	Graph Düğümün ekleneceği grafik nesnesi.
default_datastore Gerekli	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Varsayılan veri deposu.
context Gerekli	<xref:azureml.pipeline.core._GraphContext> Grafik bağlamı.

Döndürülenler

Tür	Description
Node	Oluşturulan düğüm.

Geri Bildirim

Bu sayfayı yararlı buldunuz mu?