Experiment 類別

  • 參考

表示在 Azure Machine Learning 中建立和使用實驗的主要進入點。

實驗是代表多個模型執行的 試用版 容器。

實驗建構函式。

繼承
azureml._logging.chained_identity.ChainedIdentity
Experiment
azureml.core._portal.HasExperimentPortal
Experiment

建構函式

Experiment(workspace, name, _skip_name_validation=False, _id=None, _archived_time=None, _create_in_cloud=True, _experiment_dto=None, **kwargs)

參數

workspace
Workspace
必要

包含實驗的工作區物件。

name
str
必要

實驗名稱。

kwargs
dict
必要

關鍵字引數的字典。

workspace
Workspace
必要

包含實驗的工作區物件。

name
str
必要

實驗名稱。

kwargs
dict
必要

關鍵字引數的字典。

_skip_name_validation
預設值: False
_id
預設值: None
_archived_time
預設值: None
_create_in_cloud
預設值: True
_experiment_dto
預設值: None

備註

Azure Machine Learning實驗代表用來驗證使用者假設的實驗集合。

在 Azure Machine Learning 中，實驗是由 Experiment 類別表示，而試用版則以 Run 類別表示。

若要從工作區取得或建立實驗，請使用實驗名稱要求實驗。 實驗名稱必須是 3-36 個字元，開頭為字母或數位，而且只能包含字母、數位、底線和連字號。


   experiment = Experiment(workspace, "MyExperiment")

如果在工作區中找不到實驗，則會建立新的實驗。

有兩種方式可執行實驗試用。 如果您是在Jupyter Notebook中以互動方式進行實驗，請使用 start_logging 如果您要從原始程式碼或某種其他類型的已設定試用版提交實驗，請使用submit

這兩種機制都會建立 Run 物件。 在互動式案例中，使用記錄方法，例如 log 將度量和計量新增至試用記錄。 在設定的案例中，使用狀態方法，例如 get_status 擷取執行的相關資訊。

在這兩種情況下，您可以使用像是 的 get_metrics 查詢方法來擷取任何試用版度量和計量的目前值。

方法

archive

封存實驗。
delete

刪除工作區中的實驗。
from_directory

(已被取代) 從指定的路徑載入實驗。
get_docs_url

此類別的檔 URL。
get_runs

以反向時間順序傳回此實驗執行的產生器。
list

傳回工作區中的實驗清單。
reactivate

重新啟用封存實驗。
refresh

從雲端傳回最新版的實驗。
remove_tags

從實驗中刪除指定的標記。
set_tags

在實驗上新增或修改一組標記。 未在字典中傳遞的標籤會保持不變。
start_logging

啟動互動式記錄會話，並在指定的實驗中建立互動式執行。
submit

提交實驗並傳回作用中建立的執行。
tag

使用字串索引鍵和選擇性字串值標記實驗。

archive

封存實驗。

archive()

備註

封存之後，預設不會列出實驗。 嘗試寫入封存實驗將會建立具有相同名稱的新作用中實驗。 只要沒有另一個具有相同名稱的作用中實驗，就可以還原 reactivate 封存實驗。

delete

刪除工作區中的實驗。

static delete(workspace, experiment_id)

參數

workspace
Workspace
必要

實驗所屬的工作區。

experiment_id
必要

要刪除之實驗的實驗識別碼。

from_directory

(已被取代) 從指定的路徑載入實驗。

static from_directory(path, auth=None)

參數

path
str
必要

包含實驗組態檔的目錄。

auth
ServicePrincipalAuthentication 或 InteractiveLoginAuthentication
預設值: None

驗證物件。 如果未使用預設的 Azure CLI 認證，或 API 會提示輸入認證。

傳回

傳回實驗

傳回類型

Experiment

get_docs_url

此類別的檔 URL。

get_docs_url()

傳回

url

傳回類型

str

get_runs

以反向時間順序傳回此實驗執行的產生器。

get_runs(type=None, tags=None, properties=None, include_children=False)

參數

type
string
預設值: None

依提供的型別篩選所傳回的執行產生器。 如需建立執行類型，請參閱 add_type_provider 。

tags
string 或 dict
預設值: None

依 「tag」 或 {「tag」： 「value」} 篩選執行。

properties
string 或 dict
預設值: None

依 「property」 或 {「property」 篩選執行：「value」}

include_children
bool
預設值: False

根據預設，只擷取最上層執行。 設定為 true 以列出所有執行。

傳回

符合所提供篩選準則的執行清單。

傳回類型

list[Run]

list

傳回工作區中的實驗清單。

static list(workspace, experiment_name=None, view_type='ActiveOnly', tags=None)

參數

workspace
Workspace
必要

要從中列出實驗的工作區。

experiment_name
str
預設值: None

篩選實驗的選擇性名稱。

view_type
ViewType
預設值: ActiveOnly

要篩選或包含封存實驗的選擇性列舉值。

tags
預設值: None

標記索引鍵或標記索引鍵/值組的選擇性標記索引鍵或字典，以篩選實驗。

傳回

實驗物件清單。

傳回類型

list[Experiment]

reactivate

重新啟用封存實驗。

reactivate(new_name=None)

參數

new_name
str
必要

不再支援

備註

如果沒有另一個具有相同名稱的作用中實驗，則只能重新啟用封存實驗。

refresh

從雲端傳回最新版的實驗。

refresh()

remove_tags

從實驗中刪除指定的標記。

remove_tags(tags)

參數

tags
[str]
必要

將移除的標記索引鍵

set_tags

在實驗上新增或修改一組標記。 未在字典中傳遞的標籤會保持不變。

set_tags(tags)

參數

tags
dict[str]
必要

儲存在實驗物件中的標記

start_logging

啟動互動式記錄會話，並在指定的實驗中建立互動式執行。

start_logging(*args, **kwargs)

參數

experiment
Experiment
必要

實驗。

outputs
str
必要

要追蹤的選擇性輸出目錄。若沒有輸出，請傳遞 False。

snapshot_directory
str
必要

要擷取快照集的選擇性目錄。 設定為 [無] 不會擷取快照集。

args
list
必要
kwargs
dict
必要

傳回

傳回已啟動的執行。

傳回類型

Run

備註

start_logging 建立互動式執行，以在 Jupyter Notebook 等案例中使用。 工作階段期間記錄的所有計量都會加入實驗的執行記錄中。 如果指定輸出目錄，該目錄的內容會在執行完成時上傳為執行成品。


   experiment = Experiment(workspace, "My Experiment")
   run = experiment.start_logging(outputs=None, snapshot_directory=".", display_name="My Run")
   ...
   run.log_metric("Accuracy", accuracy)
   run.complete()

注意

每個回合都會自動產生run_id，而且在實驗中是唯一的。

submit

提交實驗並傳回作用中建立的執行。

submit(config, tags=None, **kwargs)

參數

config
object
必要

要提交的組態。

tags
dict
預設值: None

要新增至提交回合的標籤{「tag」： 「value」}。

kwargs
dict
必要

提交函式中用於設定的其他參數。

傳回

執行。

傳回類型

Run

備註

Submit 是 Azure Machine Learning 平臺的非同步呼叫，以在本機或遠端硬體上執行試用版。 視設定而定，提交會自動準備執行環境、執行程式碼，並將原始程式碼和結果擷取到實驗的執行歷程記錄中。

若要提交實驗，您必須先建立描述實驗執行方式的組態物件。 組態取決於所需的試用版類型。

如何從本機電腦提交實驗的範例如下：


   from azureml.core import ScriptRunConfig

   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = experiment.submit(config)

   # get the url to view the progress of the experiment and then wait
   # until the trial is complete
   print(run.get_portal_url())
   run.wait_for_completion()

如需如何設定執行的詳細資訊，請參閱組態類型詳細資料。

  • ScriptRunConfig

  • azureml.train.automl.automlconfig.AutoMLConfig

  • azureml.pipeline.core.Pipeline

  • azureml.pipeline.core.PublishedPipeline

  • azureml.pipeline.core.PipelineEndpoint

注意

當您提交定型回合時，系統會對包含定型指令碼的目錄建立快照集，並傳送到計算目標。 其也會儲存為工作區中實驗的一部分。 如果您變更檔案並再次提交回合，則只會上傳已變更的檔案。

若要防止檔案包含在快照集內，請在目錄中建立 .gitignore 或 .amlignore 檔案，並將檔案新增至該檔案。 .amlignore檔案使用與 .gitignore 檔案相同的語法和模式。 如果這兩個檔案都存在， .amlignore 檔案會優先。

如需詳細資訊，請參閱快照集。

tag

使用字串索引鍵和選擇性字串值標記實驗。

tag(key, value=None)

參數

key
str
必要

標記索引鍵

value
str
必要

標記的選擇性值

備註

實驗上的標記會儲存在具有字串索引鍵和字串值的字典中。 標記可以設定、更新和刪除。 標記是使用者面向的，通常包含實驗取用者的意義資訊。


   experiment.tag('')
   experiment.tag('DeploymentCandidate')
   experiment.tag('modifiedBy', 'Master CI')
   experiment.tag('modifiedBy', 'release pipeline') # Careful, tags are mutable

屬性

archived_time

傳回實驗的封存時間。 使用中實驗的值應該是 None。

傳回

實驗的封存時間。

傳回類型

str

id

傳回實驗的識別碼。

傳回

實驗的識別碼。

傳回類型

str

name

傳回實驗的名稱。

傳回

實驗的名稱。

傳回類型

str

tags

傳回實驗上的可變動標記集。

傳回

實驗上的標記。

傳回類型

dict[str]

workspace

傳回包含實驗的工作區。

傳回

傳回工作區物件。

傳回類型

Workspace

workspace_object

(已被取代) 傳回包含實驗的工作區。

workspace使用 屬性。

傳回

工作區物件。

傳回類型

Workspace