Run Klass

Lägg till oföränderliga egenskaper i körningen.

Taggar och egenskaper (båda dict[str, str]) skiljer sig åt i deras föränderlighet. Egenskaper är oföränderliga, så de skapar en permanent post i granskningssyfte. Taggar kan ändras. Mer information om hur du arbetar med taggar och egenskaper finns i Tagga och hitta körningar.

add_properties(properties)

Parametrar

Utökningsbarhetskrok för anpassade körningstyper som lagras i Körningshistorik.

static add_type_provider(runtype, run_factory)

Parametrar

Markera körningen som avbruten.

Om det finns ett associerat jobb med en uppsättning cancel_uri fält avslutar du även det jobbet.

cancel()

Skapa en underordnad körning.

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

Parametrar

Returer

Kommentarer

Detta används för att isolera en del av en körning till en underavsnitt. Detta kan göras för identifierbara "delar" av en körning som är intressant att separera, eller för att samla in oberoende mått över en interation av en underprocess.

Om en utdatakatalog har angetts för den underordnade körningen laddas innehållet i katalogen upp till den underordnade körningsposten när det underordnade objektet har slutförts.

Ta bort filerna som motsvarar den aktuella körningen på det mål som anges i körningskonfigurationen.

clean()

Returer

Vänta tills aktivitetskö ska bearbetas.

Sedan markeras körningen som slutförd. Detta används vanligtvis i scenarier med interaktiva notebook-filer.

complete(_set_status=True)

Parametrar

Skapa en eller flera underordnade körningar.

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

Parametrar

Returer

Kommentarer

Antingen parametern count ELLER parametrarNA tag_key AND tag_values måste anges.

Ladda ned en associerad fil från lagringen.

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

Parametrar

Ladda ned filer från ett angivet lagringsprefix (mappnamn) eller hela containern om prefixet är ospecificerat.

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

Parametrar

Markera körningen som misslyckad.

Du kan också ange egenskapen Fel för körningen med ett meddelande eller ett undantag som skickas till error_details.

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

Parametrar

Vänta tills aktivitetskö ska bearbetas.

flush(timeout_seconds=300)

Parametrar

Hämta körningen för den här arbetsytan med dess körnings-ID.

static get(workspace, run_id)

Parametrar

Returer

Ladda ned alla loggar för körningen till en katalog.

get_all_logs(destination=None)

Parametrar

Returer

Hämta alla underordnade för den aktuella körningen som valts av angivna filter.

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

Parametrar

Returer

Returnera aktuell tjänstkontext.

Använd den här metoden för att hämta den aktuella tjänstkontexten för att logga mått och ladda upp filer. Om allow_offline är Sant (standard) skrivs åtgärder mot Kör-objektet ut till standardutdata.

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

Parametrar

Returer

Kommentarer

Den här funktionen används ofta för att hämta det autentiserade Körningsobjektet i ett skript som ska skickas för körning via experiment.submit(). Det här körningsobjektet är både en autentiserad kontext för att kommunicera med Azure Machine Learning-tjänster och en konceptuell container inom vilken mått, filer (artefakter) och modeller finns.

   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)

Hämta den senaste statusen för körningen. Om statusen för körningen är "Queued" visas informationen.

get_detailed_status()

Returer

Kommentarer

• status: Körningens aktuella status. Samma värde som det som returnerades från get_status().

• information: Detaljerad information för aktuell status.

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

Hämta definition, statusinformation, aktuella loggfiler och annan information om körningen.

get_details()

Returer

Kommentarer

Den returnerade ordlistan innehåller följande nyckel/värde-par:

• runId: ID för den här körningen.

• mål

• status: Körningens aktuella status. Samma värde som det som returnerades från get_status().

• startTimeUtc: UTC-tid då den här körningen startades i ISO8601.

• endTimeUtc: UTC-tid då den här körningen slutfördes (antingen Slutförd eller Misslyckades) i ISO8601.

  Den här nyckeln finns inte om körningen fortfarande pågår.

• egenskaper: Oföränderliga nyckel/värde-par som är associerade med körningen. Standardegenskaperna inkluderar körningens ögonblicksbilds-ID och information om git-lagringsplatsen som körningen skapades från (om någon). Ytterligare egenskaper kan läggas till i en körning med hjälp av add_properties.

• inputDatasets: Indatauppsättningar som är associerade med körningen.

• outputDatasets: Utdatauppsättningar som är associerade med körningen.

• 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'
   # }

Returnera körningsstatus inklusive loggfilinnehåll.

get_details_with_logs()

Returer

Hämta den miljödefinition som användes av den här körningen.

get_environment()

Returer

Visa en lista över de filer som lagras i samband med körningen.

get_file_names()

Returer

Hämta måtten som loggats till körningen.

Om recursive är Sant (falskt som standard) hämtar du mått för körningar i den angivna körningens underträd.

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

Parametrar

Returer

Kommentarer

   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

Hämta de senaste egenskaperna för körningen från tjänsten.

get_properties()

Returer

Kommentarer

Egenskaper är oföränderlig systemgenererad information, till exempel varaktighet, körningsdatum, användare och anpassade egenskaper som lagts add_properties till med metoden. Mer information finns i Tagga och hitta körningar.

När du skickar ett jobb till Azure Machine Learning, om källfiler lagras på en lokal git-lagringsplats, lagras information om lagringsplatsen som egenskaper. Dessa git-egenskaper läggs till när du skapar en körning eller anropar Experiment.submit. Mer information om git-egenskaper finns i Git-integrering för Azure Machine Learning.

Hämta det hemliga värdet från kontexten för en körning.

Hämta det hemliga värdet för det angivna namnet. Det hemliga namnet refererar till ett värde som lagras i Azure Key Vault som är associerat med din arbetsyta. Ett exempel på hur du arbetar med hemligheter finns i Använda hemligheter i träningskörningar.

get_secret(name)

Parametrar

Returer

Hämta de hemliga värdena för en viss lista med hemliga namn.

Hämta en ordlista över hittade och hittade inte hemligheter för listan med angivna namn. Varje hemligt namn refererar till ett värde som lagras i Azure Key Vault som är associerat med din arbetsyta. Ett exempel på hur du arbetar med hemligheter finns i Använda hemligheter i träningskörningar.

get_secrets(secrets)

Parametrar

Returer

Hämta det senaste ögonblicksbilds-ID:t.

get_snapshot_id()

Returer

Hämta den senaste statusen för körningen.

Vanliga värden som returneras är "Running", "Completed" och "Failed".

get_status()

Returer

Kommentarer

• NotStarted – det här är ett tillfälligt tillstånd för körningsobjekt på klientsidan innan molnöverföring.

• Start – Körningen har börjat bearbetas i molnet. Anroparen har ett körnings-ID just nu.

• Etablering – returneras när beräkningen på begäran skapas för en viss jobböverföring.

• Förbereder – Körningsmiljön förbereds:

  • docker-avbildningsversion

  • konfiguration av conda-miljö

• I kö – Jobbet placeras i kö i beräkningsmålet. I BatchAI är jobbet till exempel i kötillstånd

  i väntan på att alla begärda noder ska vara klara.

• Körs – Jobbet började köras i beräkningsmålet.

• Slutför – Användarkoden har slutförts och körningen är i efterbearbetningssteg.

• CancelRequested – Annullering har begärts för jobbet.

• Slutförd – körningen har slutförts. Detta omfattar både användarkoden och körningen

  efterbearbetningssteg.

• Misslyckades – körningen misslyckades. Vanligtvis innehåller egenskapen Error på en körning information om varför.

• Avbröts – följer en begäran om annullering och anger att körningen nu har avbrutits.

• Svarar inte – För körningar som har Pulsslag aktiverat har inga pulsslag nyligen skickats.

   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)

DEPRECATED. Använd get_context.

Hämta den skickade körningen för det här experimentet.

get_submitted_run(**kwargs)

Returer

Hämta den senaste uppsättningen av föränderliga taggar på körningen från tjänsten.

get_tags()

Returer

Hämta en lista över körningar i ett experiment som anges av valfria filter.

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

Parametrar

Returer

Kommentarer

I följande kodexempel visas vissa användningsområden för list metoden.

   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)

Hämta en lista över körningar i en beräkning som anges av valfria filter.

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

Parametrar

Returer

Logga ett måttvärde till körningen med det angivna namnet.

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

Parametrar

Kommentarer

Om du loggar ett mått till en körning lagras måttet i körningsposten i experimentet. Du kan logga samma mått flera gånger inom en körning, vilket innebär att resultatet betraktas som en vektor för det måttet. Om steg anges för ett mått måste det anges för alla värden.

Logga en noggrannhetstabell till artefaktarkivet.

Precisionstabellmåttet är ett icke-skalärt mått med flera användningsområden som kan användas för att skapa flera typer av linjediagram som varierar kontinuerligt över utrymmet för förutsagda sannolikheter. Exempel på dessa diagram är ROC, precisionsåterkallning och lyftkurvor.

Beräkningen av noggrannhetstabellen liknar beräkningen av en ROC-kurva. En ROC-kurva lagrar sanna positiva priser och falska positiva frekvenser vid många olika sannolikhetströsklar. Precisionstabellen lagrar det råa antalet sanna positiva identifieringar, falska positiva identifieringar, sanna negativa och falska negativa värden vid många sannolikhetströskelvärden.

Det finns två metoder som används för att välja tröskelvärden: "sannolikhet" och "percentil". De skiljer sig åt i hur de samplas från utrymmet för förutsagda sannolikheter.

Sannolikhetströsklar är jämnt fördelade tröskelvärden mellan 0 och 1. Om NUM_POINTS är 5 är sannolikhetströskelvärdena [0,0, 0,25, 0,5, 0,75, 1,0].

Percentiltrösklar är fördelade enligt fördelningen av förutsagda sannolikheter. Varje tröskelvärde motsvarar percentilen av data vid ett sannolikhetströskelvärde. Om NUM_POINTS till exempel är 5 är det första tröskelvärdet den 0:e percentilen, den andra vid den 25:e percentilen, den tredje på den 50:e och så vidare.

Sannolikhetstabellerna och percentiltabellerna är båda 3D-listor där den första dimensionen representerar klassetiketten, den andra dimensionen representerar exemplet vid ett tröskelvärde (skalar med NUM_POINTS) och den tredje dimensionen har alltid 4 värden: TP, FP, TN, FN och alltid i den ordningen.

Förvirringsvärdena (TP, FP, TN, FN) beräknas med en strategi jämfört med vilostrategin. Mer information finns på följande länk: https://en.wikipedia.org/wiki/Multiclass_classification

N = antal exempel i valideringsdatamängden (200 i exempel) M = # tröskelvärden = #-exempel tagna från sannolikhetsutrymmet (5 i exempel) C = # klasser i fullständig datamängd (3 i exempel)

Några invarianter i precisionstabellen:

• TP + FP + TN + FN = N för alla tröskelvärden för alla klasser
• TP + FN är samma vid alla tröskelvärden för alla klasser
• TN + FP är samma vid alla tröskelvärden för alla klasser
• Sannolikhetstabeller och percentiltabeller har form [C, M, 4]

Obs! M kan vara valfritt värde och styr diagrammens upplösning Detta är oberoende av datauppsättningen, definieras vid beräkning av mått och avväger lagringsutrymme, beräkningstid och lösning.

Klassetiketter ska vara strängar, förvirringsvärden ska vara heltal och tröskelvärden ska vara flyttal.

log_accuracy_table(name, value, description='')

Parametrar

Kommentarer

Exempel på ett giltigt JSON-värde:

   {
       "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"]
       }
   }

Logga en förvirringsmatris till artefaktarkivet.

Detta loggar en omslutning runt sklearn-förvirringsmatrisen. Måttdata innehåller klassetiketterna och en 2D-lista för själva matrisen. Se följande länk för mer information om hur måttet beräknas: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

Parametrar

Kommentarer

Exempel på ett giltigt JSON-värde:

   {
       "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]
           ]
       }
   }

Logga ett bildmått till körningsposten.

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

Parametrar

Kommentarer

Använd den här metoden för att logga en bildfil eller ett matplotlib-diagram till körningen. Dessa avbildningar kommer att vara synliga och jämförbara i körningsposten.

Logga en lista med måttvärden till körningen med det angivna namnet.

log_list(name, value, description='')

Parametrar

Logga förutsägelser till artefaktarkivet.

Detta loggar en måttpoäng som kan användas för att jämföra fördelningen av sanna målvärden med fördelningen av förutsagda värden för en regressionsaktivitet.

Förutsägelserna är indelade och standardavvikelserna beräknas för felstaplar i ett linjediagram.

log_predictions(name, value, description='')

Parametrar

Kommentarer

Exempel på ett giltigt JSON-värde:

   {
       "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]
       }
   }

Logga residualer till artefaktarkivet.

Detta loggar de data som behövs för att visa ett histogram med residualer för en regressionsuppgift. Residualerna förutsägs - faktiska.

Det bör finnas en mer kant än antalet antal. Se dokumentationen för numpy histogram för exempel på hur du använder antal och kanter för att representera ett histogram. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

Parametrar

Kommentarer

Exempel på ett giltigt JSON-värde:

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

Logga ett radmått till körningen med det angivna namnet.

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

Parametrar

Kommentarer

Genom att använda log_row skapas ett tabellmått med kolumner enligt beskrivningen i kwargs. Varje namngiven parameter genererar en kolumn med det angivna värdet. log_row kan anropas en gång för att logga en godtycklig tuppeln eller flera gånger i en loop för att generera en fullständig tabell.

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

Logga ett tabellmått till körningen med det angivna namnet.

log_table(name, value, description='')

Parametrar

Registrera en modell för driftsättning.

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)

Parametrar

Returer

Kommentarer

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

Ta bort listan över föränderliga taggar på den här körningen.

remove_tags(tags)

Parametrar

Returer

Återställa en ögonblicksbild som en ZIP-fil. Returnerar sökvägen till ZIP-filen.

restore_snapshot(snapshot_id=None, path=None)

Parametrar

Returer

Lägg till eller ändra en uppsättning taggar på körningen. Taggar som inte skickas i ordlistan lämnas orörda.

Du kan också lägga till enkla strängtaggar. När dessa taggar visas i taggordlistan som nycklar har de värdet Ingen. Mer information finns i Tagga och hitta körningar.

set_tags(tags)

Parametrar

Markera körningen som startad.

Detta används vanligtvis i avancerade scenarier när körningen har skapats av en annan aktör.

start()

Skicka ett experiment och returnera den aktiva underordnade körningen.

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

Parametrar

Returer

Kommentarer

Submit är ett asynkront anrop till Azure Machine Learning-plattformen för att köra en utvärderingsversion av lokal maskinvara eller fjärrmaskinvara. Beroende på konfigurationen förbereder submit automatiskt körningsmiljöerna, kör koden och samlar in källkoden och resultaten i experimentets körningshistorik.

Om du vill skicka ett experiment måste du först skapa ett konfigurationsobjekt som beskriver hur experimentet ska köras. Konfigurationen beror på vilken typ av utvärdering som krävs.

Ett exempel på hur du skickar ett underordnat experiment från din lokala dator med är ScriptRunConfig följande:

   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()

Mer information om hur du konfigurerar en körning finns i submit.

Tagga körningen med en strängnyckel och valfritt strängvärde.

tag(key, value=None)

Parametrar

Kommentarer

Taggar och egenskaper på en körning är båda ordlistor för sträng –> sträng. Skillnaden mellan dem är föränderlighet: Taggar kan anges, uppdateras och tas bort medan egenskaper bara kan läggas till. Detta gör egenskaper mer lämpliga för system-/arbetsflödesrelaterade beteendeutlösare, medan Taggar vanligtvis är användarinriktade och meningsfulla för användarna av experimentet.

   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' }

Spara en ögonblicksbild av indatafilen eller mappen.

take_snapshot(file_or_folder_path)

Parametrar

Returer

Kommentarer

Ögonblicksbilder är avsedda att vara den källkod som används för att köra experimentkörningen. Dessa lagras med körningen så att körningsutvärderingen kan replikeras i framtiden.

Ladda upp en fil till körningsposten.

upload_file(name, path_or_stream, datastore_name=None)

Parametrar

Returer

Kommentarer

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

Ladda upp filer till körningsposten.

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

Parametrar

Kommentarer

upload_files har samma effekt som upload_file för separata filer, men det finns prestanda- och resursanvändningsfördelar när du använder 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')

Ladda upp den angivna mappen till det angivna prefixnamnet.

upload_folder(name, path, datastore_name=None)

Parametrar

Kommentarer

   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')

Vänta tills den här körningen har slutförts. Returnerar statusobjektet efter väntan.

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

Parametrar

Returer

Returnera körningsbeskrivningen.

Den valfria beskrivningen av körningen är en användardefinerad sträng som är användbar för att beskriva en körning.

Returer

Returnera körningsvisningsnamnet.

Det valfria visningsnamnet för körningen är en användardefinerad sträng som är användbar för senare identifiering av körningen.

Returer

Hämta experiment som innehåller körningen.

Returer

Hämta körnings-ID.

Körningens ID är en identifierare som är unik för det innehållande experimentet.

Returer

DEPRECATED. Använd display_name.

Det valfria namnet på körningen är en användardefinerad sträng som är användbar för senare identifiering av körningen.

Returer

Hämta körningsnummer.

Ett monotont ökande tal som representerar ordningen på körningar i ett experiment.

Returer

Hämta den överordnade körningen för den här körningen från tjänsten.

Körningar kan ha en valfri överordnad, vilket resulterar i en potentiell trädhierarki med körningar. Om du vill logga mått till en överordnad log körning använder du metoden för det överordnade objektet, till exempel run.parent.log().

Returer

Returnera de oföränderliga egenskaperna för den här körningen.

Returer

Kommentarer

Egenskaperna omfattar oföränderlig systemgenererad information, till exempel varaktighet, körningsdatum, användare osv.

Returnera körningsobjektets status.

Returnera uppsättningen med föränderliga taggar på den här körningen.

Returer

Hämta körningstyp.

Anger hur körningen skapades eller konfigurerades.

Returer