Run Klas

Onveranderbare eigenschappen toevoegen aan de uitvoering.

Tags en eigenschappen (beide dict[str, str]) verschillen in hun mutabiliteit. Eigenschappen zijn onveranderbaar, dus ze maken een permanente record voor controledoeleinden. Tags kunnen worden gedempt. Zie Tag and find runs voor meer informatie over het werken met tags en eigenschappen.

add_properties(properties)

Parameters

Uitbreidbaarheidhook voor aangepaste uitvoeringstypen die zijn opgeslagen in de uitvoeringsgeschiedenis.

static add_type_provider(runtype, run_factory)

Parameters

Markeer de uitvoering als geannuleerd.

Als er een gekoppelde taak is met een ingesteld cancel_uri veld, beëindigt u die taak ook.

cancel()

Maak een onderliggende uitvoering.

child_run(name=None, run_id=None, outputs=None)

Parameters

Retouren

Opmerkingen

Dit wordt gebruikt om een deel van een run in een subsectie te isoleren. Dit kan worden gedaan voor identificeerbare 'onderdelen' van een uitvoering die interessant zijn om te scheiden of om onafhankelijke metrische gegevens vast te leggen tussen een interatie van een subproces.

Als een uitvoermap is ingesteld voor de onderliggende uitvoering, wordt de inhoud van die map geüpload naar de onderliggende uitvoeringsrecord wanneer het onderliggende item is voltooid.

Verwijder de bestanden die overeenkomen met de huidige uitvoering op het doel dat is opgegeven in de uitvoeringsconfiguratie.

clean()

Retouren

Wacht totdat de taakwachtrij is verwerkt.

Vervolgens wordt de uitvoering gemarkeerd als voltooid. Dit wordt meestal gebruikt in interactieve notebookscenario's.

complete(_set_status=True)

Parameters

Maak een of meer onderliggende uitvoeringen.

create_children(count=None, tag_key=None, tag_values=None)

Parameters

Retouren

Opmerkingen

count Parameter OF parameters tag_key EN tag_values moet worden opgegeven.

Download een gekoppeld bestand uit de opslag.

download_file(name, output_file_path=None, _validate_checksum=False)

Parameters

Bestanden downloaden van een bepaald opslagvoorvoegsel (mapnaam) of de hele container als het voorvoegsel niet is opgegeven.

download_files(prefix=None, output_directory=None, output_paths=None, batch_size=100, append_prefix=True, timeout_seconds=None)

Parameters

Markeer de uitvoering als mislukt.

Stel desgewenst de eigenschap Fout van de uitvoering in met een bericht of uitzondering doorgegeven aan error_details.

fail(error_details=None, error_code=None, _set_status=True)

Parameters

Wacht totdat de taakwachtrij is verwerkt.

flush(timeout_seconds=300)

Parameters

Haal de uitvoering voor deze werkruimte op met de bijbehorende uitvoerings-id.

static get(workspace, run_id)

Parameters

Retouren

Download alle logboeken voor de uitvoering naar een map.

get_all_logs(destination=None)

Parameters

Retouren

Alle onderliggende items ophalen voor de huidige uitvoering die is geselecteerd door opgegeven filters.

get_children(recursive=False, tags=None, properties=None, type=None, status=None, _rehydrate_runs=True)

Parameters

Retouren

Huidige servicecontext retourneren.

Gebruik deze methode om de huidige servicecontext op te halen voor het vastleggen van metrische gegevens en het uploaden van bestanden. Als allow_offline true (de standaardinstelling) is, worden acties voor het run-object afgedrukt om standaard uit te voeren.

get_context(allow_offline=True, used_for_context_manager=False, **kwargs)

Parameters

Retouren

Opmerkingen

Deze functie wordt vaak gebruikt om het geverifieerde Run-object in een script op te halen dat moet worden verzonden voor uitvoering via experiment.submit(). Dit uitvoeringsobject is zowel een geverifieerde context voor communicatie met Azure Machine Learning-services als een conceptuele container waarin metrische gegevens, bestanden (artefacten) en modellen zijn opgenomen.

   run = Run.get_context() # allow_offline=True by default, so can be run locally as well
   ...
   run.log("Accuracy", 0.98)
   run.log_row("Performance", epoch=e, error=err)

Haal de meest recente status van de uitvoering op. Als de status van de uitvoering in de wachtrij staat, worden de details weergegeven.

get_detailed_status()

Retouren

Opmerkingen

• status: de huidige status van de uitvoering. Dezelfde waarde als die is geretourneerd uit get_status().

• details: De gedetailleerde informatie voor de huidige status.

   run = experiment.submit(config)
   details = run.get_detailed_status()
   # details = {
   #     'status': 'Queued',
   #     'details': 'Run requested 1 node(s). Run is in pending status.',
   # }

Haal de definitie, statusinformatie, huidige logboekbestanden en andere details van de uitvoering op.

get_details()

Retouren

Opmerkingen

De geretourneerde woordenlijst bevat de volgende sleutel-waardeparen:

• runId: id van deze uitvoering.

• doeldoel

• status: de huidige status van de uitvoering. Dezelfde waarde als die is geretourneerd uit get_status().

• startTimeUtc: UTC-tijd waarop deze uitvoering is gestart, in ISO8601.

• endTimeUtc: UTC-tijd waarop deze uitvoering is voltooid (voltooid of mislukt), in ISO8601.

  Deze sleutel bestaat niet als de uitvoering nog wordt uitgevoerd.

• eigenschappen: onveranderbare sleutel-waardeparen die zijn gekoppeld aan de uitvoering. Standaardeigenschappen zijn de momentopname-id van de uitvoering en informatie over de Git-opslagplaats waaruit de uitvoering is gemaakt (indien van toepassing). Aanvullende eigenschappen kunnen worden toegevoegd aan een uitvoering met behulp van add_properties.

• inputDatasets: Invoergegevenssets die zijn gekoppeld aan de uitvoering.

• outputDatasets: Uitvoergegevenssets die zijn gekoppeld aan de uitvoering.

• logFiles

• submittedBy

   run = experiment.start_logging()

   details = run.get_details()
   # details = {
   #     'runId': '5c24aa28-6e4a-4572-96a0-fb522d26fe2d',
   #     'target': 'sdk',
   #     'status': 'Running',
   #     'startTimeUtc': '2019-01-01T13:08:01.713777Z',
   #     'endTimeUtc': '2019-01-01T17:15:65.986253Z',
   #     'properties': {
   #         'azureml.git.repository_uri': 'https://example.com/my/git/repo',
   #         'azureml.git.branch': 'master',
   #         'azureml.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'azureml.git.dirty': 'True',
   #         'mlflow.source.git.repoURL': 'https://example.com/my/git/repo',
   #         'mlflow.source.git.branch': 'master',
   #         'mlflow.source.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'ContentSnapshotId': 'b4689489-ce2f-4db5-b6d7-6ad11e77079c'
   #     },
   #     'inputDatasets': [{
   #         'dataset': {'id': 'cdebf245-701d-4a68-8055-41f9cf44f298'},
   #         'consumptionDetails': {
   #             'type': 'RunInput',
   #             'inputName': 'training-data',
   #             'mechanism': 'Mount',
   #             'pathOnCompute': '/mnt/datasets/train'
   #         }
   #     }],
   #     'outputDatasets': [{
   #         'dataset': {'id': 'd04e8a19-1caa-4b1f-b318-4cbff9af9615'},
   #         'outputType': 'RunOutput',
   #         'outputDetails': {
   #             'outputName': 'training-result'
   #         }
   #     }],
   #     'runDefinition': {},
   #     'logFiles': {},
   #     'submittedBy': 'Alan Turing'
   # }

Uitvoeringsstatus retourneren, inclusief inhoud van logboekbestanden.

get_details_with_logs()

Retouren

Haal de omgevingsdefinitie op die door deze uitvoering is gebruikt.

get_environment()

Retouren

Vermeld de bestanden die zijn opgeslagen in verband met de uitvoering.

get_file_names()

Retouren

Haal de metrische gegevens op die zijn geregistreerd bij de uitvoering.

Als recursive waar is (standaard onwaar), haalt u metrische gegevens op voor uitvoeringen in de substructuur van de opgegeven uitvoering.

get_metrics(name=None, recursive=False, run_type=None, populate=False)

Parameters

Retouren

Opmerkingen

   run = experiment.start_logging() # run id: 123
   run.log("A", 1)
   with run.child_run() as child: # run id: 456
       child.log("A", 2)

   metrics = run.get_metrics()
   # metrics = { 'A': 1 }

   metrics = run.get_metrics(recursive=True)
   # metrics = { '123': { 'A': 1 }, '456': { 'A': 2 } } note key is runId

Haal de meest recente eigenschappen van de uitvoering op uit de service.

get_properties()

Retouren

Opmerkingen

Eigenschappen zijn onveranderbare door het systeem gegenereerde gegevens, zoals duur, uitvoeringsdatum, gebruiker en aangepaste eigenschappen die met de add_properties methode zijn toegevoegd. Zie Tag and find runs voor meer informatie.

Wanneer u een taak indient bij Azure Machine Learning, worden bronbestanden opgeslagen in een lokale Git-opslagplaats en worden gegevens over de opslagplaats opgeslagen als eigenschappen. Deze Git-eigenschappen worden toegevoegd bij het maken van een uitvoering of het aanroepen van Experiment.submit. Zie Git-integratie voor Azure Machine Learning voor meer informatie over Git-eigenschappen.

Haal de geheime waarde op uit de context van een uitvoering.

Haal de geheime waarde op voor de opgegeven naam. De geheime naam verwijst naar een waarde die is opgeslagen in Azure Key Vault die is gekoppeld aan uw werkruimte. Zie Geheimen gebruiken in trainingsuitvoeringen voor een voorbeeld van het werken met geheimen.

get_secret(name)

Parameters

Retouren

Haal de geheime waarden op voor een bepaalde lijst met geheime namen.

Haal een woordenlijst met gevonden en niet gevonden geheimen op voor de opgegeven lijst met namen. Elke geheime naam verwijst naar een waarde die is opgeslagen in Azure Key Vault die is gekoppeld aan uw werkruimte. Zie Geheimen gebruiken in trainingsuitvoeringen voor een voorbeeld van het werken met geheimen.

get_secrets(secrets)

Parameters

Retouren

Haal de meest recente momentopname-id op.

get_snapshot_id()

Retouren

Haal de meest recente status van de uitvoering op.

Algemene waarden die worden geretourneerd, zijn 'Actief', 'Voltooid' en 'Mislukt'.

get_status()

Retouren

Opmerkingen

• NotStarted: dit is een tijdelijke status run-objecten aan de clientzijde vóór het indienen van de cloud.

• Starten: De uitvoering is gestart in de cloud. De beller heeft op dit moment een uitvoerings-id.

• Inrichten: geretourneerd wanneer on-demand rekenkracht wordt gemaakt voor een bepaalde taakverzending.

• Voorbereiden : de uitvoeringsomgeving wordt voorbereid:

  • docker-installatiekopieën bouwen

  • Conda-omgeving instellen

• In de wachtrij geplaatst: de taak wordt in de wachtrij geplaatst in het rekendoel. In BatchAI heeft de taak bijvoorbeeld de status In de wachtrij

  terwijl u wacht tot alle aangevraagde knooppunten gereed zijn.

• Wordt uitgevoerd: de taak is gestart om te worden uitgevoerd in het rekendoel.

• Voltooien: de gebruikerscode is voltooid en de uitvoering bevindt zich in fasen na de verwerking.

• CancelRequested - Annulering is aangevraagd voor de taak.

• Voltooid: de uitvoering is voltooid. Dit omvat zowel de gebruikerscode als de uitvoering

  naverwerkingsfasen.

• Mislukt: de uitvoering is mislukt. Meestal bevat de eigenschap Fout bij een uitvoering details over waarom.

• Geannuleerd: volgt een annuleringsaanvraag en geeft aan dat de uitvoering nu is geannuleerd.

• Reageert niet- Voor uitvoeringen waarvoor Heartbeats zijn ingeschakeld, is er onlangs geen heartbeat verzonden.

   run = experiment.submit(config)
   while run.get_status() not in ['Completed', 'Failed']: # For example purposes only, not exhaustive
       print('Run {} not in terminal state'.format(run.id))
       time.sleep(10)

VEROUDERD. Gebruik get_context.

Haal de ingediende uitvoering voor dit experiment op.

get_submitted_run(**kwargs)

Retouren

Haal de meest recente set veranderlijke tags op die worden uitgevoerd vanuit de service.

get_tags()

Retouren

Haal een lijst met uitvoeringen op in een experiment dat is opgegeven door optionele filters.

static list(experiment, type=None, tags=None, properties=None, status=None, include_children=False, _rehydrate_runs=True)

Parameters

Retouren

Opmerkingen

In het volgende codevoorbeeld ziet u enkele toepassingen van de list methode.

   favorite_completed_runs = Run.list(experiment, status='Completed', tags='favorite')

   all_distinct_runs = Run.list(experiment)
   and_their_children = Run.list(experiment, include_children=True)

   only_script_runs = Run.list(experiment, type=ScriptRun.RUN_TYPE)

Haal een lijst met uitvoeringen op in een berekening die is opgegeven door optionele filters.

static list_by_compute(compute, type=None, tags=None, properties=None, status=None)

Parameters

Retouren

Registreer een metrische waarde voor de uitvoering met de opgegeven naam.

log(name, value, description='', step=None)

Parameters

Opmerkingen

Als u een metrische waarde bij een uitvoering registreert, wordt de metrische waarde opgeslagen in de uitvoeringsrecord in het experiment. U kunt dezelfde metrische gegevens meerdere keren registreren binnen een uitvoering. Het resultaat wordt beschouwd als een vector van die metrische waarde. Als de stap is opgegeven voor een metrische waarde, moet deze worden opgegeven voor alle waarden.

Een nauwkeurigheidstabel vastleggen in het artefactarchief.

De metrische gegevens van de nauwkeurigheidstabel zijn een multi-use, niet-scalaire metrische gegevens die kunnen worden gebruikt om meerdere typen lijndiagrammen te produceren die continu variëren over de ruimte van voorspelde waarschijnlijkheden. Voorbeelden van deze grafieken zijn ROC, precisieherhaling en liftcurven.

De berekening van de nauwkeurigheidstabel is vergelijkbaar met de berekening van een ROC-curve. Een ROC-curve slaat terecht-positieve percentages en fout-positieve percentages op bij veel verschillende waarschijnlijkheidsdrempels. In de nauwkeurigheidstabel wordt het onbewerkte aantal terecht-positieven, fout-positieven, terecht-negatieven en fout-negatieven op veel waarschijnlijkheidsdrempels opgeslagen.

Er zijn twee methoden voor het selecteren van drempelwaarden: 'kans' en 'percentiel'. Ze verschillen in hoe ze een steekproef nemen van de ruimte van voorspelde waarschijnlijkheden.

Waarschijnlijkheidsdrempels zijn uniform verdeelde drempelwaarden tussen 0 en 1. Als NUM_POINTS 5 is, zijn de waarschijnlijkheidsdrempels [0,0, 0,25, 0,5, 0,75, 1,0].

Percentieldrempels worden verdeeld volgens de verdeling van voorspelde waarschijnlijkheden. Elke drempelwaarde komt overeen met het percentiel van de gegevens bij een waarschijnlijkheidsdrempel. Als NUM_POINTS bijvoorbeeld 5 is, is de eerste drempelwaarde op het 0e percentiel, de tweede op het 25e percentiel, het derde op het 50e, enzovoort.

De waarschijnlijkheidstabellen en percentieltabellen zijn beide 3D-lijsten waarbij de eerste dimensie het klasselabel vertegenwoordigt, de tweede dimensie de steekproef met één drempelwaarde vertegenwoordigt (schaalt met NUM_POINTS) en de derde dimensie altijd 4 waarden heeft: TP, FP, TN, FN en altijd in die volgorde.

De verwarringswaarden (TP, FP, TN, FN) worden berekend met de ene vs. rest-strategie. Zie de volgende koppeling voor meer informatie: https://en.wikipedia.org/wiki/Multiclass_classification

N = aantal steekproeven in validatiegegevensset (200 in voorbeeld) M = # drempelwaarden = # steekproeven genomen uit de waarschijnlijkheidsruimte (5 in voorbeeld) C = # klassen in volledige gegevensset (3 in voorbeeld)

Enkele invarianten van de nauwkeurigheidstabel:

• TP + FP + TN + FN = N voor alle drempelwaarden voor alle klassen
• TP + FN is gelijk aan alle drempelwaarden voor elke klasse
• TN + FP is gelijk aan alle drempelwaarden voor elke klasse
• Waarschijnlijkheidstabellen en percentieltabellen hebben vorm [C, M, 4]

Opmerking: M kan elke waarde zijn en bepaalt de resolutie van de grafieken. Dit is onafhankelijk van de gegevensset, wordt gedefinieerd bij het berekenen van metrische gegevens en het afruilen van opslagruimte, rekentijd en oplossing.

Klasselabels moeten tekenreeksen zijn, verwarringswaarden moeten gehele getallen zijn en drempelwaarden moeten floats zijn.

log_accuracy_table(name, value, description='')

Parameters

Opmerkingen

Voorbeeld van een geldige JSON-waarde:

   {
       "schema_type": "accuracy_table",
       "schema_version": "1.0.1",
       "data": {
           "probability_tables": [
               [
                   [82, 118, 0, 0],
                   [75, 31, 87, 7],
                   [66, 9, 109, 16],
                   [46, 2, 116, 36],
                   [0, 0, 118, 82]
               ],
               [
                   [60, 140, 0, 0],
                   [56, 20, 120, 4],
                   [47, 4, 136, 13],
                   [28, 0, 140, 32],
                   [0, 0, 140, 60]
               ],
               [
                   [58, 142, 0, 0],
                   [53, 29, 113, 5],
                   [40, 10, 132, 18],
                   [24, 1, 141, 34],
                   [0, 0, 142, 58]
               ]
           ],
           "percentile_tables": [
               [
                   [82, 118, 0, 0],
                   [82, 67, 51, 0],
                   [75, 26, 92, 7],
                   [48, 3, 115, 34],
                   [3, 0, 118, 79]
               ],
               [
                   [60, 140, 0, 0],
                   [60, 89, 51, 0],
                   [60, 41, 99, 0],
                   [46, 5, 135, 14],
                   [3, 0, 140, 57]
               ],
               [
                   [58, 142, 0, 0],
                   [56, 93, 49, 2],
                   [54, 47, 95, 4],
                   [41, 10, 132, 17],
                   [3, 0, 142, 55]
               ]
           ],
           "probability_thresholds": [0.0, 0.25, 0.5, 0.75, 1.0],
           "percentile_thresholds": [0.0, 0.01, 0.24, 0.98, 1.0],
           "class_labels": ["0", "1", "2"]
       }
   }

Meld een verwarringsmatrix aan bij het artefactarchief.

Hiermee wordt een wrapper rond de verwarringsmatrix sklearn opgeslagen. De metrische gegevens bevatten de klasselabels en een 2D-lijst voor de matrix zelf. Zie de volgende koppeling voor meer informatie over hoe de metrische gegevens worden berekend: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

Parameters

Opmerkingen

Voorbeeld van een geldige JSON-waarde:

   {
       "schema_type": "confusion_matrix",
       "schema_version": "1.0.0",
       "data": {
           "class_labels": ["0", "1", "2", "3"],
           "matrix": [
               [3, 0, 1, 0],
               [0, 1, 0, 1],
               [0, 0, 1, 0],
               [0, 0, 0, 1]
           ]
       }
   }

Een metrische afbeelding registreren bij de uitvoeringsrecord.

log_image(name, path=None, plot=None, description='')

Parameters

Opmerkingen

Gebruik deze methode om een afbeeldingsbestand of een matplotlib-plot vast te leggen voor de uitvoering. Deze afbeeldingen zijn zichtbaar en vergelijkbaar in de uitvoeringsrecord.

Registreer een lijst met metrische waarden voor de uitvoering met de opgegeven naam.

log_list(name, value, description='')

Parameters

Logboekvoorspellingen in het artefactarchief.

Hiermee wordt een metrische score geregistreerd die kan worden gebruikt om de distributies van werkelijke doelwaarden te vergelijken met de verdeling van voorspelde waarden voor een regressietaak.

De voorspellingen zijn binned en standaarddeviaties worden berekend voor foutbalken in een lijndiagram.

log_predictions(name, value, description='')

Parameters

Opmerkingen

Voorbeeld van een geldige JSON-waarde:

   {
       "schema_type": "predictions",
       "schema_version": "1.0.0",
       "data": {
           "bin_averages": [0.25, 0.75],
           "bin_errors": [0.013, 0.042],
           "bin_counts": [56, 34],
           "bin_edges": [0.0, 0.5, 1.0]
       }
   }

Logboekresiduen vastleggen in het artefactarchief.

Hiermee worden de gegevens die nodig zijn om een histogram met residuen voor een regressietaak weer te geven. De residuen worden voorspeld - werkelijk.

Er moet nog één rand zijn dan het aantal aantallen. Raadpleeg de documentatie voor het numpy-histogram voor voorbeelden van het gebruik van aantallen en randen om een histogram weer te geven. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

Parameters

Opmerkingen

Voorbeeld van een geldige JSON-waarde:

   {
       "schema_type": "residuals",
       "schema_version": "1.0.0",
       "data": {
           "bin_edges": [50, 100, 200, 300, 350],
           "bin_counts": [0.88, 20, 30, 50.99]
       }
   }

Registreer een rijmetriek bij de uitvoering met de opgegeven naam.

log_row(name, description=None, **kwargs)

Parameters

Opmerkingen

Met behulp van het maken van log_row een tabelmetriek met kolommen zoals beschreven in kwargs. Elke benoemde parameter genereert een kolom met de opgegeven waarde. log_row kan eenmaal worden aangeroepen om een willekeurige tuple te registreren of meerdere keren in een lus om een volledige tabel te genereren.

   citrus = ['orange', 'lemon', 'lime']
   sizes = [ 10, 7, 3]
   for index in range(len(citrus)):
       run.log_row("citrus", fruit = citrus[index], size=sizes[index])

Registreer een metrische tabelgegevens voor de uitvoering met de opgegeven naam.

log_table(name, value, description='')

Parameters

Registreer een model voor operationalisatie.

register_model(model_name, model_path=None, tags=None, properties=None, model_framework=None, model_framework_version=None, description=None, datasets=None, sample_input_dataset=None, sample_output_dataset=None, resource_configuration=None, **kwargs)

Parameters

Retouren

Opmerkingen

   model = best_run.register_model(model_name = 'best_model', model_path = 'outputs/model.pkl')

Verwijder de lijst met onveranderbare tags voor deze uitvoering.

remove_tags(tags)

Parameters

Retouren

Een momentopname herstellen als een ZIP-bestand. Retourneert het pad naar het ZIP-bestand.

restore_snapshot(snapshot_id=None, path=None)

Parameters

Retouren

Voeg een set tags toe of wijzig deze tijdens de uitvoering. Tags die niet in de woordenlijst worden doorgegeven, blijven ongewijzigd.

U kunt ook eenvoudige tekenreekstags toevoegen. Wanneer deze tags als sleutels in de tagwoordenlijst worden weergegeven, hebben ze de waarde Geen. Zie Tag and find runs voor meer informatie.

set_tags(tags)

Parameters

Markeer de uitvoering als gestart.

Dit wordt meestal gebruikt in geavanceerde scenario's wanneer de uitvoering is gemaakt door een andere actor.

start()

Dien een experiment in en retourneer de actieve onderliggende uitvoering.

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

Parameters

Retouren

Opmerkingen

Verzenden is een asynchrone aanroep naar het Azure Machine Learning-platform om een proefversie uit te voeren op lokale of externe hardware. Afhankelijk van de configuratie bereidt verzenden uw uitvoeringsomgevingen automatisch voor, voert u uw code uit en legt u de broncode en resultaten vast in de uitvoeringsgeschiedenis van het experiment.

Als u een experiment wilt verzenden, moet u eerst een configuratieobject maken waarin wordt beschreven hoe het experiment moet worden uitgevoerd. De configuratie is afhankelijk van het type proefabonnement dat is vereist.

Een voorbeeld van het verzenden van een onderliggend experiment vanaf uw lokale computer is ScriptRunConfig als volgt:

   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 = parent_run.submit_child(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()

Zie submitvoor meer informatie over het configureren van een uitvoering.

Tag de uitvoering met een tekenreekssleutel en optionele tekenreekswaarde.

tag(key, value=None)

Parameters

Opmerkingen

Tags en eigenschappen op een uitvoering zijn beide woordenlijsten van tekenreeks -> tekenreeks. Het verschil tussen de labels is de muteerbaarheid: tags kunnen worden ingesteld, bijgewerkt en verwijderd, terwijl eigenschappen alleen kunnen worden toegevoegd. Dit maakt eigenschappen geschikter voor systeem-/werkstroomgedragtriggers, terwijl tags over het algemeen gebruikersgericht en zinvol zijn voor de gebruikers van het experiment.

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

   run.add_properties({'BuildId': os.environ.get('VSTS_BUILD_ID')}) # Properties are not

   tags = run.get_tags()
   # tags = { 'DeploymentCandidate': None, 'modifiedBy': 'release pipeline' }

Sla een momentopname van het invoerbestand of de invoermap op.

take_snapshot(file_or_folder_path)

Parameters

Retouren

Opmerkingen

Momentopnamen zijn bedoeld als de broncode die wordt gebruikt om de uitvoering van het experiment uit te voeren. Deze worden opgeslagen met de uitvoering, zodat de proefversie van de uitvoering in de toekomst kan worden gerepliceerd.

Upload een bestand naar de uitvoeringsrecord.

upload_file(name, path_or_stream, datastore_name=None)

Parameters

Retouren

Opmerkingen

   run = experiment.start_logging()
   run.upload_file(name='important_file', path_or_stream="path/on/disk/file.txt")

Bestanden uploaden naar de uitvoeringsrecord.

upload_files(names, paths, return_artifacts=False, timeout_seconds=None, datastore_name=None)

Parameters

Opmerkingen

upload_files heeft hetzelfde effect als upload_file op afzonderlijke bestanden, maar er zijn voordelen voor prestaties en resourcegebruik bij gebruik upload_files.

   import os

   run = experiment.start_logging()
   file_name_1 = 'important_file_1'
   file_name_2 = 'important_file_2'
   run.upload_files(names=[file_name_1, file_name_2],
                       paths=['path/on/disk/file_1.txt', 'other/path/on/disk/file_2.txt'])

   run.download_file(file_name_1, 'file_1.txt')

   os.mkdir("path")  # The path must exist
   run.download_file(file_name_2, 'path/file_2.txt')

Upload de opgegeven map naar de naam van het opgegeven voorvoegsel.

upload_folder(name, path, datastore_name=None)

Parameters

Opmerkingen

   run = experiment.start_logging()
   run.upload_folder(name='important_files', path='path/on/disk')

   run.download_file('important_files/existing_file.txt', 'local_file.txt')

Wacht totdat deze uitvoering is voltooid. Retourneert het statusobject na de wachttijd.

wait_for_completion(show_output=False, wait_post_processing=False, raise_on_error=True)

Parameters

Retouren

Retourneer de beschrijving van de uitvoering.

De optionele beschrijving van de uitvoering is een door de gebruiker opgegeven tekenreeks die handig is voor het beschrijven van een uitvoering.

Retouren

Retourneer de weergavenaam van de uitvoering.

De optionele weergavenaam van de uitvoering is een door de gebruiker opgegeven tekenreeks die nuttig is voor latere identificatie van de uitvoering.

Retouren

Experiment ophalen met de uitvoering.

Retouren

Voer-id op.

De id van de uitvoering is een id die uniek is in het in het opgegeven experiment.

Retouren

VEROUDERD. Gebruik display_name.

De optionele naam van de uitvoering is een door de gebruiker opgegeven tekenreeks die nuttig is voor latere identificatie van de uitvoering.

Retouren

Het uitvoeringsnummer ophalen.

Een monotonisch toenemend getal dat de volgorde van uitvoeringen in een experiment vertegenwoordigt.

Retouren

Haal de bovenliggende uitvoering voor deze uitvoering op vanuit de service.

Uitvoeringen kunnen een optioneel bovenliggend item hebben, wat resulteert in een potentiële structuurhiërarchie van uitvoeringen. Als u metrische gegevens wilt vastleggen bij een bovenliggende uitvoering, gebruikt u bijvoorbeeld logde run.parent.log() methode van het bovenliggende object.

Retouren

Retourneer de onveranderbare eigenschappen van deze uitvoering.

Retouren

Opmerkingen

Eigenschappen zijn onveranderbare door het systeem gegenereerde informatie, zoals duur, uitvoeringsdatum, gebruiker, enzovoort.

Retourneert de status van het uitvoeringsobject.

Hiermee wordt de set veranderlijke tags voor deze uitvoering geretourneerd.

Retouren

Voertype op.

Geeft aan hoe de uitvoering is gemaakt of geconfigureerd.

Retouren