CLI （v2） 掃掠作業 YAML 架構
適用於：
Azure CLI ml 擴充功能 v2（目前）
您可以在 找到 https://azuremlschemas.azureedge.net/latest/sweepJob.schema.json來源 JSON 架構。
YAML 語法
| 機碼 |
類型 |
描述 |
允許的值 |
預設值 |
$schema |
string |
YAML 結構描述。 如果您使用 Azure 機器學習 VS Code 擴充功能來撰寫 YAML 檔案，您可以在檔案頂端包含$schema架構和資源完成。 |
|
|
type |
const |
必要。 作業類型。 |
sweep |
sweep |
name |
字串 |
作業的名稱。 工作區中的所有作業都必須是唯一的。 如果省略，Azure 機器學習 會自動產生名稱的 GUID。 |
|
|
display_name |
字串 |
在 Studio UI 中顯示作業的名稱。 在工作區中可以是非唯一的。 如果省略，Azure 機器學習 會自動產生顯示名稱的人類可讀取形容詞-名詞標識符。 |
|
|
experiment_name |
字串 |
在實驗名稱下組織作業。 每個作業的執行記錄會組織在工作室的 [實驗] 索引標籤中對應的實驗之下。 如果省略，Azure 機器學習 預設experiment_name為建立作業的工作目錄名稱。 |
|
|
description |
字串 |
作業的描述。 |
|
|
tags |
object |
作業標籤的字典。 |
|
|
sampling_algorithm |
object |
必要。 要用於的 search_space超參數取樣演算法。 其中一個 RandomSamplingAlgorithm、GridSamplingAlgorithm 或 BayesianSamplingAlgorithm。 |
|
|
search_space |
object |
必要。 超參數搜尋空間的字典。 超參數名稱是索引鍵，而值是參數表達式。
您可以使用 表示式在 中trial.command${{ search_space.<hyperparameter> }}參考超參數。 |
|
|
search_space.<hyperparameter> |
object |
請瀏覽 參數表示式 ，以取得要使用的一組可能表達式。 |
|
|
objective.primary_metric |
字串 |
必要。 每個試用作業所報告的主要計量名稱。 計量必須使用相同的對應計量名稱， mlflow.log_metric() 登入用戶的訓練腳本。 |
|
|
objective.goal |
字串 |
必要。 的 objective.primary_metric優化目標。 |
maximize, minimize |
|
early_termination |
object |
要使用的早期終止原則。 符合指定原則的準則時，會取消試用作業。 如果省略，則不會套用任何提早終止原則。 其中一個 BanditPolicy、MedianStoppingPolicy 或 TruncationSelectionPolicy。 |
|
|
limits |
object |
掃掠作業的限制。 請參閱索引鍵的屬性limits。 |
|
|
compute |
字串 |
必要。 在其中執行作業的計算目標名稱，其語法為 azureml:<compute_name> 。 |
|
|
trial |
object |
必要。 每個試用版的工作範本。 每個試用作業都會提供系統從 search_space中取樣的不同超參數值組合。 瀏覽索引鍵的屬性trial。 |
|
|
inputs |
object |
作業輸入的字典。 索引鍵是作業內容中的輸入名稱，值則是輸入值。
您可以使用 ${{ inputs.<input_name> }} 表示式在 中command參考輸入。 |
|
|
inputs.<input_name> |
number、integer、boolean、string 或 object |
常值之一（類型為 number、integer、boolean 或 string）或包含 作業輸入數據規格的物件。 |
|
|
outputs |
object |
作業輸出組態的字典。 索引鍵是作業內容中的輸出名稱，值則是輸出設定。
您可以使用 ${{ outputs.<output_name> }} 表示式在 中command參考輸出。 |
|
|
outputs.<output_name> |
object |
您可以讓物件保持空白，在此情況下，根據預設，輸出的類型為 uri_folder ，而 Azure 機器學習 系統會產生輸出的輸出位置。 輸出目錄的所有檔案都會透過讀寫掛接寫入。 若要指定輸出的不同模式，請提供包含 作業輸出規格的物件。 |
|
|
identity |
object |
身分識別用於數據存取。 它可以是 使用者身分識別組態、 受控識別組 態或無。 針對 UserIdentityConfiguration，作業送出者的身分識別是用來存取輸入數據，並將結果寫入輸出資料夾。 否則，會使用計算目標的受控識別。 |
|
|
取樣演算法
RandomSamplingAlgorithm
| 機碼 |
類型 |
描述 |
允許的值 |
預設值 |
type |
const |
必要。 取樣演算法的類型。 |
random |
|
seed |
整數 |
要用來初始化隨機數產生的隨機種子。 如果省略，則默認種子值為 null。 |
|
|
rule |
字串 |
要使用的隨機取樣類型。 默認值 random會使用簡單的統一隨機取樣，而 sobol 會使用Sobol準隨機序列。 |
random, sobol |
random |
GridSamplingAlgorithm
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 取樣演演算法類型。 |
grid |
BayesianSamplingAlgorithm
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 取樣演演算法類型。 |
bayesian |
提前終止原則
BanditPolicy
| 機碼 |
類型 |
描述 |
允許的值 |
預設值 |
type |
const |
必要。 原則類型。 |
bandit |
|
slack_factor |
數值 |
用來計算最佳試用距離所允許距離的比例。 其中一個 slack_factor 或 slack_amount 是必要的。 |
|
|
slack_amount |
數值 |
允許與最佳試用版的絕對距離。 其中一個 slack_factor 或 slack_amount 是必要的。 |
|
|
evaluation_interval |
整數 |
套用原則的頻率。 |
|
1 |
delay_evaluation |
整數 |
延遲第一個原則評估的間隔數目。 如果指定，原則會套用至大於或等於 delay_evaluation的每個倍evaluation_interval數。 |
|
0 |
| 機碼 |
類型 |
描述 |
允許的值 |
預設值 |
type |
const |
必要。 原則類型。 |
median_stopping |
|
evaluation_interval |
整數 |
套用原則的頻率。 |
|
1 |
delay_evaluation |
整數 |
延遲第一個原則評估的間隔數目。 如果指定，原則會套用至大於或等於 delay_evaluation的每個倍evaluation_interval數。 |
|
0 |
TruncationSelectionPolicy
| 機碼 |
類型 |
描述 |
允許的值 |
預設值 |
type |
const |
必要。 原則類型。 |
truncation_selection |
|
truncation_percentage |
整數 |
必要。 每個評估間隔取消的試用作業百分比。 |
|
|
evaluation_interval |
整數 |
套用原則的頻率。 |
|
1 |
delay_evaluation |
整數 |
延遲第一個原則評估的間隔數目。 如果指定，原則會套用至大於或等於 delay_evaluation的每個倍evaluation_interval數。 |
|
0 |
參數表達式
選擇
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 運算式類型。 |
choice |
values |
陣列 |
必要。 要從中選擇的離散值清單。 |
|
Randint
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 運算式類型。 |
randint |
upper |
整數 |
必要。 整數範圍的獨佔上限。 |
|
Qlognormal、qnormal
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 運算式類型。 |
qlognormal, qnormal |
mu |
數值 |
必要。 常態分佈的平均值。 |
|
sigma |
數值 |
必要。 常態分佈的標準偏差。 |
|
q |
整數 |
必要。 平滑因數。 |
|
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 運算式類型。 |
qloguniform, quniform |
min_value |
數值 |
必要。 範圍中的最小值（含）。 |
|
max_value |
數值 |
必要。 範圍中的最大值（含）。 |
|
q |
整數 |
必要。 平滑因數。 |
|
Lognormal、normal
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 運算式類型。 |
lognormal, normal |
mu |
數值 |
必要。 常態分佈的平均值。 |
|
sigma |
數值 |
必要。 常態分佈的標準偏差。 |
|
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 運算式類型。 |
loguniform |
min_value |
數值 |
必要。 範圍中的最小值為 exp(min_value) （含）。 |
|
max_value |
數值 |
必要。 範圍中的最大值為 exp(max_value) （含）。 |
|
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 運算式類型。 |
uniform |
min_value |
數值 |
必要。 範圍中的最小值（含）。 |
|
max_value |
數值 |
必要。 範圍中的最大值（含）。 |
|
索引鍵的屬性limits
| 機碼 |
類型 |
描述 |
預設值 |
max_total_trials |
整數 |
試用作業數目上限。 |
1000 |
max_concurrent_trials |
整數 |
可以同時執行的試用作業數目上限。 |
預設為 max_total_trials。 |
timeout |
整數 |
允許執行整個掃掠作業的秒數上限。 達到此限制后，系統會取消掃掠作業，包括其所有試用版。 |
5184000 |
trial_timeout |
整數 |
允許執行每個試用作業的秒數上限。 達到此限制之後，系統就會取消試用版。 |
|
索引鍵的屬性trial
| 機碼 |
類型 |
描述 |
預設值 |
command |
字串 |
必要。 要執行的命令。 |
|
code |
字串 |
要上傳並用於作業的原始程式碼目錄本機路徑。 |
|
environment |
字串或物件 |
必要。 要用於作業的環境。 此值可以是工作區中現有已建立版本環境的參考，也可以是內嵌環境規格。
若要參考現有的環境，請使用 azureml:<environment-name>:<environment-version> 語法。
若要內嵌定義環境，請遵循 環境架構。 name排除和 version 屬性，因為內嵌環境不支持它們。 |
|
environment_variables |
object |
要在執行命令的進程上設定的環境變數名稱/值組字典。 |
|
distribution |
object |
分散式定型案例的散發組態。 其中一個 Mpi 組態、PyTorch 組態或 TensorFlow 組態。 |
|
resources.instance_count |
整數 |
要用於作業的節點數目。 |
1 |
散發組態
MpiConfiguration
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 散發類型。 |
mpi |
process_count_per_instance |
整數 |
必要。 要針對作業啟動的每個節點進程數目。 |
|
PyTorchConfiguration
| 機碼 |
類型 |
描述 |
允許的值 |
預設值 |
type |
const |
必要。 散發類型。 |
pytorch |
|
process_count_per_instance |
整數 |
要針對作業啟動的每個節點進程數目。 |
|
1 |
TensorFlowConfiguration
| 機碼 |
類型 |
描述 |
允許的值 |
預設值 |
type |
const |
必要。 散發類型。 |
tensorflow |
|
worker_count |
整數 |
要為作業啟動的背景工作數目。 |
|
預設為 resources.instance_count。 |
parameter_server_count |
整數 |
要針對作業啟動的參數伺服器數目。 |
|
0 |
| 機碼 |
類型 |
描述 |
允許的值 |
預設值 |
type |
字串 |
作業輸入的類型。 指定 uri_file 指向單一檔案來源的輸入數據，或 uri_folder 指定指向資料夾來源的輸入數據。 如需詳細資訊，請流覽 深入了解數據存取。 |
uri_file、 、 uri_folder、 mltablemlflow_model |
uri_folder |
path |
字串 |
要作為輸入的數據路徑。 這個值可以透過幾種方式指定：
- 資料來源檔案或資料夾的本機路徑，例如 path: ./iris.csv。 數據會在作業提交期間上傳。
- 要作為輸入之檔案或資料夾之雲端路徑的 URI。 支援的 URI 型態為 azureml、、https、wasbsabfss、 adl。 如需使用 azureml:// URI 格式的詳細資訊，請流覽 Core yaml 語法。
- 現有的已註冊 Azure 機器學習 數據資產，用來作為輸入。 若要參考已註冊的數據資產，請使用 azureml:<data_name>:<data_version> 語法 或 azureml:<data_name>@latest （參考該資料資產的最新版本） - 例如 path: azureml:cifar10-data:1 或 path: azureml:cifar10-data@latest。 |
|
|
mode |
字串 |
如何將數據傳遞至計算目標的模式。
針對唯讀掛接 （ro_mount），數據會以掛接路徑的形式取用。 資料夾會掛接為資料夾，而檔案會掛接為檔案。 Azure 機器學習 會將輸入解析為掛接路徑。
若為 download 模式，數據會下載至計算目標。 Azure 機器學習 會將輸入解析為下載的路徑。
若只是數據成品或成品儲存位置的 URL，而不是掛接或下載數據本身，請使用 direct 模式。 這會傳入記憶體位置的 URL 做為作業輸入。 在此情況下，您完全負責處理認證以存取記憶體。 |
ro_mount、 、 downloaddirect |
ro_mount |
工作輸出
| 機碼 |
類型 |
描述 |
允許的值 |
預設值 |
type |
字串 |
作業輸出類型。 針對預設 uri_folder 類型，輸出會對應至資料夾。 |
uri_file、 、 uri_folder、 mltablemlflow_model |
uri_folder |
mode |
字串 |
將輸出檔案或檔案傳遞至目的地記憶體的模式。 針對讀寫掛接模式 （rw_mount），輸出目錄是掛接的目錄。 針對上傳模式，寫入的所有檔案都會在作業結束時上傳。 |
rw_mount, upload |
rw_mount |
身分識別組態
UserIdentityConfiguration
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 識別類型。 |
user_identity |
ManagedIdentityConfiguration
| 機碼 |
類型 |
描述 |
允許的值 |
type |
const |
必要。 識別類型。 |
managed 或 managed_identity |
您可以使用 az ml job 命令來管理 Azure 機器學習 作業。
範例
如需範例， 請流覽 GitHub 存放庫 範例。 這裡顯示數個：
YAML：hello sweep
$schema: https://azuremlschemas.azureedge.net/latest/sweepJob.schema.json
type: sweep
trial:
command: >-
python hello-sweep.py
--A ${{inputs.A}}
--B ${{search_space.B}}
--C ${{search_space.C}}
code: src
environment: azureml:AzureML-sklearn-1.1@latest
inputs:
A: 0.5
sampling_algorithm: random
search_space:
B:
type: choice
values: ["hello", "world", "hello_world"]
C:
type: uniform
min_value: 0.1
max_value: 1.0
objective:
goal: minimize
primary_metric: random_metric
limits:
max_total_trials: 4
max_concurrent_trials: 2
timeout: 3600
display_name: hello-sweep-example
experiment_name: hello-sweep-example
description: Hello sweep job example.
YAML：基本 Python 模型超參數微調
$schema: https://azuremlschemas.azureedge.net/latest/sweepJob.schema.json
type: sweep
trial:
code: src
command: >-
python main.py
--iris-csv ${{inputs.iris_csv}}
--C ${{search_space.C}}
--kernel ${{search_space.kernel}}
--coef0 ${{search_space.coef0}}
environment: azureml:AzureML-sklearn-1.1@latest
inputs:
iris_csv:
type: uri_file
path: wasbs://datasets@azuremlexamples.blob.core.windows.net/iris.csv
compute: azureml:cpu-cluster
sampling_algorithm: random
search_space:
C:
type: uniform
min_value: 0.5
max_value: 0.9
kernel:
type: choice
values: ["rbf", "linear", "poly"]
coef0:
type: uniform
min_value: 0.1
max_value: 1
objective:
goal: minimize
primary_metric: training_f1_score
limits:
max_total_trials: 20
max_concurrent_trials: 10
timeout: 7200
display_name: sklearn-iris-sweep-example
experiment_name: sklearn-iris-sweep-example
description: Sweep hyperparemeters for training a scikit-learn SVM on the Iris dataset.
下一步