AutoMLStep 類別
- 繼承
-
AutoMLStep
建構函式
AutoMLStep(name, automl_config, inputs=None, outputs=None, script_repl_params=None, allow_reuse=True, version=None, hash_paths=None, enable_default_model_output=True, enable_default_metrics_output=True, **kwargs)參數
- inputs
- list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]]
輸入埠系結的清單。
- allow_reuse
- bool
指出當使用相同的設定重新執行時，此步驟是否應該重複使用先前的結果。
預設會啟用重複使用。 如果步驟內容 (腳本/相依性) 以及輸入和參數保持不變，則會重複使用此步驟上一次執行的輸出。 重複使用步驟時，不會提交要計算的作業，而是立即提供給任何後續步驟使用上一次執行的結果。 如果您使用 Azure Machine Learning 資料集作為輸入，重複使用取決於資料集的定義是否已變更，而不是基礎資料是否已變更。
- hash_paths
- list
已淘汰。 檢查管線步驟內容的變更時，雜湊的路徑清單。
根據預設，中 參數下 path 的所有檔案都會雜湊，但 .amlignore 或 .gitignore 中所列的檔案除外 path 。 AutoMLConfig 如果未偵測到任何變更，管線會重複使用上一次執行的步驟內容。
- enable_default_model_output
- bool
指出是否將最佳模型新增為預設輸出。 這可用來在使用 類別完成 AutoMLStepRun 執行之後擷取最佳模型。
請注意，如果不需要預設模型輸出，建議將此參數設定為 False 。
- enable_default_metrics_output
- bool
指出是否所有子執行計量都會新增為預設輸出。 這可用來在使用 類別完成 AutoMLStepRun 執行之後擷取子執行計量。
請注意，如果不需要預設計量輸出，建議將此參數設定為 False 。
- script_repl_params
要在腳本中取代的選擇性參數。
- allow_reuse
- bool
指出當使用相同的設定重新執行時，此步驟是否應該重複使用先前的結果。
預設會啟用重複使用。 如果步驟內容 (腳本/相依性) 以及輸入和參數保持不變，則會重複使用此步驟上一次執行的輸出。 重複使用步驟時，不會提交要計算的作業，而是立即提供給任何後續步驟使用上一次執行的結果。 如果您使用 Azure Machine Learning 資料集作為輸入，重複使用取決於資料集的定義是否已變更，而不是基礎資料是否已變更。
- hash_paths
- list
已淘汰。 檢查管線步驟內容的變更時，雜湊的路徑清單。
根據預設，中 參數下 path 的所有檔案都會雜湊，但 .amlignore 或 .gitignore 中所列的檔案除外 path 。 AutoMLConfig 如果未偵測到任何變更，管線會重複使用上一次執行的步驟內容。
- enable_default_model_output
- bool
指出是否將最佳模型新增為預設輸出。 這可用來在使用 類別完成 AutoMLStepRun 執行之後擷取最佳模型。
請注意，如果不需要預設模型輸出，建議將此參數設定為 False 。
- enable_default_metrics_output
- bool
指出是否所有子執行計量都會新增為預設輸出。 這可用來在使用 類別完成 AutoMLStepRun 執行之後擷取子執行計量。
請注意，如果不需要預設計量輸出，建議將此參數設定為 False 。
備註
透過 AutoMLStep 類別，您可以在 Azure Machine Learning 管線中執行自動化 ML 工作流程。 管線可為自動化 ML 工作流程提供重複性、自動執行、版本設定和追蹤，以及模組化等優點。 如需詳細資訊，請參閱 什麼是 Azure Machine Learning 管線？。
當您的自動化 ML 工作流程位於管線中時，您可以排程管線以時間為基礎的排程或變更型排程來執行。 以時間為基礎的排程適用于監視資料漂移等例行工作，而變更型排程適用于異常或無法預測的變更，例如資料變更時。 例如，您的排程可能會輪詢正在上傳資料的 Blob 存放區，然後在資料變更後再次執行管線，然後在執行完成後註冊新版本的模型。 如需詳細資訊，請參閱 排程機器學習管線 和 從邏輯應用程式觸發 Machine Learning 管線的執行。
下列範例示範如何建立 AutoMLStep。
automl_step = AutoMLStep(
name='automl_module',
automl_config=automl_config,
outputs=[metrics_data, model_data],
allow_reuse=True)
下列範例示範如何在 中使用 Pipeline AutoMLStep 物件。
from azureml.pipeline.core import Pipeline
pipeline = Pipeline(
description="pipeline_with_automlstep",
workspace=ws,
steps=[automl_step])
上述範例顯示管線中的一個步驟。 不過，在真實世界的自動化 ML 工作流程中使用 AutoMLStep 時，您至少有一個管線步驟會在 AutoMLStep 之前執行資料準備，並在該步驟之後執行另一個管線步驟來註冊模型。 如需這類工作流程的範例，請參閱筆記本 https://aka.ms/automl-retrain-pipeline 。
若要管理、檢查狀態，以及從管線執行取得執行詳細資料，請使用 AutoMLStepRun 類別。
如需 Azure 中自動化機器學習的詳細資訊，請參閱 什麼是自動化機器學習一文？。 如需在沒有使用管線的情況下設定自動化 ML 實驗的詳細資訊，請參閱 在 Python 中設定自動化 ML 實驗一文。
方法
| create_node |
從這個 AutoML 步驟建立節點，並將 新增至指定的圖形。 這個方法不適合直接使用。 使用此步驟具現化管線時，Azure ML 會自動傳遞透過此方法所需的參數，以便將步驟新增至代表工作流程的管線圖形。 |
create_node
從這個 AutoML 步驟建立節點，並將 新增至指定的圖形。
這個方法不適合直接使用。 使用此步驟具現化管線時，Azure ML 會自動傳遞透過此方法所需的參數，以便將步驟新增至代表工作流程的管線圖形。
create_node(graph, default_datastore, context)參數
- context
- <xref:azureml.pipeline.core._GraphContext>
圖形內容。
傳回
已建立的節點。
傳回類型
屬性
AUTOML_CONFIG_PARAM_NAME
AUTOML_CONFIG_PARAM_NAME = 'AutoMLConfig'DEFAULT_METRIC_PREFIX
DEFAULT_METRIC_PREFIX = 'default_metrics_'DEFAULT_MODEL_PREFIX
DEFAULT_MODEL_PREFIX = 'default_model_'意見反應
即將登場：在 2024 年，我們將逐步淘汰 GitHub 問題作為內容的意見反應機制，並將它取代為新的意見反應系統。 如需詳細資訊，請參閱：https://aka.ms/ContentUserFeedback。
提交並檢視相關的意見反應