SKLearn 類別
在 Scikit-learn 實驗中建立定型的估算器。
已淘汰。 使用 ScriptRunConfig 物件搭配您自己的已定義環境或AzureML-Tutorial策劃的環境。 如需使用 ScriptRunConfig 設定 SKLearn 實驗執行的簡介,請參閱 使用 Azure Machine Learning 大規模定型 scikit-learn 模型。
此估算器僅支援單一節點 CPU 定型。
支援的版本:0.20.3
初始化 Scikit-learn 估算器。
- 繼承
-
azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimatorSKLearn
建構函式
SKLearn(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, use_docker=True, custom_docker_image=None, image_registry_details=None, user_managed=False, conda_packages=None, pip_packages=None, conda_dependencies_file_path=None, pip_requirements_file_path=None, conda_dependencies_file=None, pip_requirements_file=None, environment_variables=None, environment_definition=None, inputs=None, shm_size=None, resume_from=None, max_run_duration_seconds=None, framework_version=None, _enable_optimized_mode=False, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)
參數
- vm_priority
- str
將針對定型建立之計算目標的 VM 優先順序。 如果未指定,則會使用 'dedicated'。
支援的值:'dedicated' 和 'lowpriority'。
只有在輸入中指定 時 vm_size param
,才會生效。
- conda_dependencies_file_path
- str
字串,表示 conda 相依性 yaml 檔案的相對路徑。
如果指定,Azure ML 將不會安裝任何架構相關套件。
這可與 參數搭配 conda_packages
使用。
已淘汰。 conda_dependencies_file
使用 參數。
- pip_requirements_file_path
- str
字串,表示 pip 需求文字檔的相對路徑。
這可與 參數搭配 pip_packages
使用。
已淘汰。 pip_requirements_file
使用 參數。
- conda_dependencies_file
- str
字串,表示 conda 相依性 yaml 檔案的相對路徑。
如果指定,Azure ML 將不會安裝任何架構相關套件。
這可與 參數搭配 conda_packages
使用。
- environment_definition
- Environment
實驗的環境定義包括 PythonSection、DockerSection 和環境變數。 任何未透過其他參數直接公開至估算器建構的環境選項,都可以使用 environment_definition
參數來設定。 如果指定此參數,則會優先于其他環境相關參數,例如 use_gpu
、 custom_docker_image
、 conda_packages
或 pip_packages
。
錯誤將會回報不正確組合。
- framework_version
- str
要用來執行定型程式碼的 Scikit-learn 版本。
SKLearn.get_supported_versions()
會傳回目前 SDK 支援的版本清單。
- vm_priority
- str
將針對定型建立之計算目標的 VM 優先順序。 如果未指定,則會使用 'dedicated'。
支援的值:'dedicated' 和 'lowpriority'。
只有在輸入中指定 時 vm_size param
,才會生效。
- conda_dependencies_file_path
- str
字串,表示 conda 相依性 yaml 檔案的相對路徑。 如果指定,Azure ML 將不會安裝任何架構相關套件。
這可與 參數搭配 conda_packages
使用。
已淘汰。 conda_dependencies_file
使用 參數。
- pip_requirements_file_path
- str
字串,表示 pip 需求文字檔的相對路徑。
這可與 參數搭配 pip_packages
使用。
已淘汰。 pip_requirements_file
使用 參數。
- conda_dependencies_file
- str
字串,表示 conda 相依性 yaml 檔案的相對路徑。 如果指定,Azure ML 將不會安裝任何架構相關套件。
這可與 參數搭配 conda_packages
使用。
- environment_definition
- Environment
實驗的環境定義包括 PythonSection、DockerSection 和環境變數。 任何未透過其他參數直接公開至估算器建構的環境選項,都可以使用 environment_definition
參數來設定。 如果指定此參數,則會優先于其他環境相關參數,例如 use_gpu
、 custom_docker_image
、 conda_packages
或 pip_packages
。
錯誤將會回報不正確組合。
- framework_version
- str
要用於執行定型程式碼的 Scikit-learn 版本。
SKLearn.get_supported_versions()
會傳回目前 SDK 支援的版本清單。
- _enable_optimized_mode
- bool
使用預先建置的架構映射啟用累加環境建置,以加快環境準備速度。 預先建置的架構映射是以預先安裝架構相依性的 Azure ML 預設 CPU/GPU 基底映射為基礎所建置。
備註
提交定型作業時,Azure ML 會在 Docker 容器內的 conda 環境中執行腳本。 SKLearn 容器已安裝下列相依性。
相依性 |Scikit-learn 0.20.3 |———————- |—————– |Python |3.6.2 |azureml-defaults |最新 |IntelMpi |2018.3.222 |scikit-learn |0.20.3 |numpy |1.16.2 |miniconda |4.5.11 |scipy |1.2.1 |joblib |0.13.2 |git |2.7.4 |
Docker 映射會擴充 Ubuntu 16.04。
如果您需要安裝其他相依性,您可以使用 pip_packages
或 conda_packages
參數,也可以提供 pip_requirements_file
或 conda_dependencies_file
檔案。 或者,您可以建置自己的映射,並將 參數傳遞 custom_docker_image
至估算器建構函式。
屬性
DEFAULT_VERSION
DEFAULT_VERSION = '0.20.3'
FRAMEWORK_NAME
FRAMEWORK_NAME = 'SKLearn'
意見反應
https://aka.ms/ContentUserFeedback。
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:提交並檢視相關的意見反應