ScriptRunConfig Klas

Vertegenwoordigt configuratiegegevens voor het verzenden van een trainingsuitvoering in Azure Machine Learning.

Een ScriptRunConfig-pakket bevat de configuratiegegevens die nodig zijn voor het verzenden van een uitvoering in Azure ML, met inbegrip van het script, het rekendoel, de omgeving en eventuele gedistribueerde taakspecifieke configuraties.

Zodra een script is geconfigureerd en verzonden met de submitscriptuitvoering, wordt er een ScriptRun geretourneerd.

Klasse ScriptRunConfig-constructor.

Constructor

ScriptRunConfig(source_directory, script=None, arguments=None, run_config=None, _telemetry_values=None, compute_target=None, environment=None, distributed_job_config=None, resume_from=None, max_run_duration_seconds=2592000, command=None, docker_runtime_config=None)

Parameters

Name	Description
source_directory Vereist	str Een lokale map met codebestanden die nodig zijn voor een uitvoering.
script Vereist	str Het bestandspad ten opzichte van de source_directory van het script dat moet worden uitgevoerd.
arguments Vereist	list of str Optionele opdrachtregelargumenten om door te geven aan het trainingsscript. Argumenten worden doorgegeven in paren, bijvoorbeeld ['–arg1', arg1_val, '–arg2', arg2_val].
run_config Vereist	RunConfiguration Optionele uitvoeringsconfiguratie die moet worden gebruikt.
_telemetry_values Vereist	dict Alleen intern gebruik.
compute_target Vereist	AbstractComputeTarget of str Het rekendoel waar de training plaatsvindt. Dit kan een ComputeTarget-object zijn, de naam van een bestaande ComputeTarget of de tekenreeks 'lokaal'. Als er geen rekendoel is opgegeven, wordt uw lokale computer gebruikt.
environment Vereist	Environment De omgeving die moet worden gebruikt voor de uitvoering. Als er geen omgeving is opgegeven, wordt azureml.core.runconfig.DEFAULT_CPU_IMAGE gebruikt als docker-installatiekopieën voor de uitvoering.
distributed_job_config Vereist	TensorflowConfiguration, MpiConfiguration of PyTorchConfiguration Voor taken waarvoor aanvullende gedistribueerde taakspecifieke configuraties zijn vereist.
resume_from Vereist	DataPath Het DataPath met de controlepunt- of modelbestanden van waaruit het experiment moet worden hervat.
max_run_duration_seconds Vereist	De maximale tijd die is toegestaan voor de uitvoering. Het systeem probeert de uitvoering automatisch te annuleren als het langer duurde dan deze waarde. :type max_run_duration_seconds: int
command Vereist	list[str] of str De opdracht die moet worden verzonden voor de uitvoering. De opdrachteigenschap kan ook worden gebruikt in plaats van script/argumenten. Eigenschappen van zowel opdrachten als scripts/argumenten kunnen niet samen worden gebruikt om een uitvoering te verzenden. Een scriptbestand verzenden met behulp van de opdrachteigenschap ['python', 'train.py', '–arg1', arg1_val] Een werkelijke opdracht uitvoeren - ['ls']
docker_runtime_config Vereist	DockerConfiguration Voor taken waarvoor docker runtime-specifieke configuraties zijn vereist.
source_directory Vereist	str Een lokale map met codebestanden die nodig zijn voor een uitvoering.
script Vereist	str Het bestandspad ten opzichte van de source_directory van het script dat moet worden uitgevoerd.
arguments Vereist	list[str] Optionele opdrachtregelargumenten om door te geven aan het trainingsscript. Argumenten worden doorgegeven in paren, bijvoorbeeld ['–arg1', arg1_val, '–arg2', arg2_val].
run_config Vereist	RunConfiguration Optionele uitvoeringsconfiguratie die moet worden gebruikt.
_telemetry_values Vereist	dict Alleen intern gebruik.
compute_target Vereist	AbstractComputeTarget of str Het rekendoel waar de training plaatsvindt. Dit kan een ComputeTarget-object zijn, de naam van een bestaande ComputeTarget of de tekenreeks 'lokaal'. Als er geen rekendoel is opgegeven, wordt uw lokale computer gebruikt.
environment Vereist	Environment De omgeving die moet worden gebruikt voor de uitvoering. Als er geen omgeving is opgegeven, wordt azureml.core.runconfig.DEFAULT_CPU_IMAGE gebruikt als docker-installatiekopieën voor de uitvoering.
distributed_job_config Vereist	TensorflowConfiguration of MpiConfiguration of PyTorchConfiguration Voor taken waarvoor aanvullende gedistribueerde taakspecifieke configuraties zijn vereist.
resume_from Vereist	DataPath Het DataPath met de controlepunt- of modelbestanden van waaruit het experiment moet worden hervat.
max_run_duration_seconds Vereist	int De maximale tijd die is toegestaan voor de uitvoering. Het systeem probeert de uitvoering automatisch te annuleren als het langer duurde dan deze waarde.
command Vereist	list[str] of str De opdracht die moet worden verzonden voor de uitvoering. De opdrachteigenschap kan ook worden gebruikt in plaats van script/argumenten. Eigenschappen van zowel opdrachten als scripts/argumenten kunnen niet samen worden gebruikt om een uitvoering te verzenden. Een scriptbestand verzenden met behulp van de opdrachteigenschap ['python', 'train.py', '–arg1', arg1_val] Een werkelijke opdracht uitvoeren - ['ls']
docker_runtime_config Vereist	DockerConfiguration Voor taken waarvoor docker runtime-specifieke configuraties zijn vereist.

Opmerkingen

De Azure Machine Learning SDK biedt u een reeks onderling verbonden klassen die zijn ontworpen om u te helpen machine learning-modellen te trainen en te vergelijken die zijn gerelateerd aan het gedeelde probleem dat ze oplossen.

Een Experiment fungeert als een logische container voor deze trainingsuitvoeringen. Een ScriptRunConfig-object wordt gebruikt om de informatie te configureren die nodig is voor het verzenden van een trainingsuitvoering als onderdeel van een experiment. Wanneer een uitvoering wordt verzonden met behulp van een ScriptRunConfig-object, retourneert de verzendmethode een object van het type ScriptRun. Vervolgens geeft het geretourneerde ScriptRun-object u programmatische toegang tot informatie over de trainingsuitvoering. ScriptRun is een onderliggende klasse van Run.

Het belangrijkste concept om te onthouden is dat er verschillende configuratieobjecten zijn die worden gebruikt om een experiment in te dienen, op basis van het type uitvoering dat u wilt activeren. Het type van het configuratieobject informeert vervolgens welke onderliggende klasse Run u krijgt van de verzendmethode. Wanneer u een ScriptRunConfig-object doorgeeft in een aanroep naar de verzendmethode van Experiment, krijgt u een ScriptRun-object terug. Voorbeelden van andere geretourneerde uitvoeringsobjecten zijn AutoMLRun (geretourneerd voor een AutoML-uitvoering) en PipelineRun (geretourneerd voor een pijplijnuitvoering).

In het volgende voorbeeld ziet u hoe u een trainingsscript verzendt op uw lokale computer.


   from azureml.core import ScriptRunConfig, Experiment

   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            script='train.py',
                            arguments=['--arg1', arg1_val, '--arg2', arg2_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

In het volgende voorbeeld ziet u hoe u een trainingsscript op uw cluster verzendt met behulp van de opdrachteigenschap in plaats van script en argumenten.


   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['python', 'train.py', '--arg1', arg1_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

In het volgende voorbeeld ziet u hoe u een opdracht uitvoert op uw cluster.


   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['ls', '-l'],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Zie voor meer voorbeelden die laten zien hoe u met ScriptRunConfig werkt:

het artikel Een rekendoel selecteren en gebruiken om uw model te trainen
deze trainingsnotitieblokken

Kenmerken

MAX_DURATION_SECONDS_DEFAULT

MAX_DURATION_SECONDS_DEFAULT = 2592000

Feedback

Is deze pagina nuttig?