Estimator Klass

Representerar en allmän skattningsfaktor för att träna data med hjälp av ett angivet ramverk.

DEPRECATED. Använd objektet ScriptRunConfig med din egen definierade miljö eller en Azure ML-kurerad miljö. En introduktion till hur du konfigurerar experimentkörningar med ScriptRunConfig finns i Konfigurera och skicka träningskörningar.

Den här klassen är utformad för användning med maskininlärningsramverk som inte redan har en förkonfigurerad estimator för Azure Machine Learning. Förkonfigurerade skattningar finns för Chainer, PyTorch, TensorFlowoch SKLearn. Information om hur du skapar en uppskattning som inte är förkonfigurerad finns i Träna modeller med Azure Machine Learning med hjälp av estimator.

Estimator-klassen omsluter kör konfigurationsinformation för att förenkla uppgifterna för att ange hur ett skript ska köras. Den stöder både ennodskörning och körning med flera noder. När du kör uppskattningen skapas en modell i utdatakatalogen som anges i träningsskriptet.

Initiera uppskattningen.

azureml.core.environment._DEFAULT_SHM_SIZE används. Mer information finns i Docker-körningsreferens. :type shm_size: str :p aram resume_from: Datasökvägen som innehåller kontrollpunkten eller modellfilerna som experimentet ska återupptas från. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: Den maximala tillåtna tiden för körningen. Azure ML försöker automatiskt

avbryt körningen om det tar längre tid än det här värdet.

Konstruktor

Estimator(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, node_count=1, process_count_per_node=1, distributed_backend=None, distributed_training=None, use_gpu=False, use_docker=True, custom_docker_base_image=None, custom_docker_image=None, image_registry_details=None, user_managed=False, conda_packages=None, pip_packages=None, conda_dependencies_file_path=None, pip_requirements_file_path=None, conda_dependencies_file=None, pip_requirements_file=None, environment_variables=None, environment_definition=None, inputs=None, source_directory_data_store=None, shm_size=None, resume_from=None, max_run_duration_seconds=None, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)

Parametrar

Name	Description
source_directory Obligatorisk	str En lokal katalog som innehåller experimentkonfiguration och kodfiler som behövs för ett träningsjobb.
compute_target Obligatorisk	AbstractComputeTarget eller str Beräkningsmålet där träningen ska ske. Detta kan antingen vara ett objekt eller strängen "lokal".
vm_size Obligatorisk	str Vm-storleken på beräkningsmålet som ska skapas för träningen. Värden som stöds: Valfri storlek på virtuella Azure-datorer.
vm_priority Obligatorisk	str Den virtuella datorns prioritet för det beräkningsmål som ska skapas för träningen. Om det inte anges används "dedikerad". Värden som stöds: "dedikerad" och "lågprioritet". Detta träder endast i kraft när parametern `vm_size` anges i indata.
entry_script Obligatorisk	str Den relativa sökvägen till filen som används för att starta träningen.
script_params Obligatorisk	dict En ordlista med kommandoradsargument som ska skickas till träningsskriptet som anges i `entry_script`.
node_count Obligatorisk	int Antalet noder i beräkningsmålet som används för träning. Om större än 1 körs ett MPI-distribuerat jobb.
process_count_per_node Obligatorisk	int Antalet processer (eller "arbetare") som ska köras på varje nod. Om större än 1 körs ett MPI-distribuerat jobb. Endast målet AmlCompute stöds för distribuerade jobb.
distributed_backend Obligatorisk	str Kommunikationsserverdelen för distribuerad träning. DEPRECATED. Använd parametern `distributed_training` . Värden som stöds: "mpi". "mpi" representerar MPI/Horovod. Den här parametern krävs när `node_count` eller `process_count_per_node`> 1. När `node_count` == 1 och `process_count_per_node` == 1 används ingen serverdel om inte serverdelen uttryckligen anges. AmlCompute Endast målet stöds för distribuerad träning.
distributed_training Obligatorisk	Mpi Parametrar för att köra ett distribuerat träningsjobb. För att köra ett distribuerat jobb med MPI-serverdelen använder du Mpi objektet för att ange `process_count_per_node`.
use_gpu Obligatorisk	bool Anger om miljön som ska köra experimentet ska ha stöd för GPU:er. Om det är sant används en GPU-baserad Docker-standardbild i miljön. Om det är falskt används en CPU-baserad avbildning. Docker-standardbilder (CPU eller GPU) används endast om parametern `custom_docker_image` inte har angetts. Den här inställningen används endast i Docker-aktiverade beräkningsmål.
use_docker Obligatorisk	bool Anger om miljön som ska köra experimentet ska vara Docker-baserad.
custom_docker_base_image Obligatorisk	str Namnet på Docker-avbildningen som avbildningen ska använda för träning skapas från. DEPRECATED. Använd parametern `custom_docker_image` . Om den inte har angetts används en cpu-baserad standardavbildning som basavbildning.
custom_docker_image Obligatorisk	str Namnet på Docker-avbildningen som avbildningen ska använda för träning skapas från. Om den inte har angetts används en cpu-baserad standardavbildning som basavbildning. Ange endast avbildningar som är tillgängliga i offentliga docker-lagringsplatser (Docker Hub). Om du vill använda en avbildning från en privat docker-lagringsplats använder du konstruktorns `environment_definition` parameter i stället.
image_registry_details Obligatorisk	ContainerRegistry Information om Docker-avbildningsregistret.
user_managed Obligatorisk	bool Anger om Azure ML återanvänder en befintlig Python-miljö. Om det är falskt skapas en Python-miljö baserat på conda-beroendespecifikationen.
conda_packages Obligatorisk	list En lista över strängar som representerar conda-paket som ska läggas till i Python-miljön för experimentet.
pip_packages Obligatorisk	list En lista över strängar som representerar pip-paket som ska läggas till i Python-miljön för experimentet.
conda_dependencies_file_path Obligatorisk	str Den relativa sökvägen till yaml-filen conda-beroenden. Om det anges kommer Azure ML inte att installera några ramverksrelaterade paket. DEPRECATED. `conda_dependencies_file` Använd paramentern. Ange antingen `conda_dependencies_file_path` eller `conda_dependencies_file`. Om båda anges `conda_dependencies_file` används.
pip_requirements_file_path Obligatorisk	str Den relativa sökvägen till textfilen pip-krav. DEPRECATED. Använd parametern `pip_requirements_file` . Den här parametern kan anges i kombination med parametern `pip_packages` . Ange antingen `pip_requirements_file_path` eller `pip_requirements_file`. Om båda anges `pip_requirements_file` används.
conda_dependencies_file Obligatorisk	str Den relativa sökvägen till yaml-filen conda-beroenden. Om det anges kommer Azure ML inte att installera några ramverksrelaterade paket.
pip_requirements_file Obligatorisk	str Den relativa sökvägen till textfilen pip-krav. Den här parametern kan anges i kombination med parametern `pip_packages` .
environment_variables Obligatorisk	dict En ordlista med miljövariablers namn och värden. Dessa miljövariabler anges i den process där användarskript körs.
environment_definition Obligatorisk	Environment Miljödefinitionen för experimentet. Den innehåller variablerna PythonSection, DockerSection och miljö. Alla miljöalternativ som inte exponeras direkt via andra parametrar för beräkningskonstruktionen kan anges med den här parametern. Om den här parametern anges har den företräde framför andra miljörelaterade parametrar som `use_gpu`, `custom_docker_image`, `conda_packages`eller `pip_packages`. Fel rapporteras för ogiltiga kombinationer.
inputs Obligatorisk	list En lista över DataReference eller DatasetConsumptionConfig objekt som ska användas som indata.
source_directory_data_store Obligatorisk	Datastore Det säkerhetskopierade datalagret för projektresursen.
shm_size Obligatorisk	str Storleken på Docker-containerns delade minnesblock. Om den inte har angetts används standard azureml.core.environment._DEFAULT_SHM_SIZE. Mer information finns i Docker-körningsreferens.
resume_from Obligatorisk	DataPath Datasökvägen som innehåller kontrollpunkten eller modellfilerna som experimentet ska återupptas från.
max_run_duration_seconds Obligatorisk	int Den maximala tillåtna tiden för körningen. Azure ML försöker automatiskt avbryta körningen om det tar längre tid än det här värdet.
source_directory Obligatorisk	str En lokal katalog som innehåller experimentkonfiguration och kodfiler som behövs för ett träningsjobb.
compute_target Obligatorisk	AbstractComputeTarget eller str Beräkningsmålet där träningen ska ske. Detta kan antingen vara ett objekt eller strängen "lokal".
vm_size Obligatorisk	str Vm-storleken på beräkningsmålet som ska skapas för träningen. Värden som stöds: Valfri storlek på virtuella Azure-datorer.
vm_priority Obligatorisk	str Den virtuella datorns prioritet för det beräkningsmål som ska skapas för träningen. Om det inte anges används "dedikerad". Värden som stöds: "dedikerad" och "lågprioritet". Detta träder endast i kraft när parametern `vm_size` anges i indata.
entry_script Obligatorisk	str Den relativa sökvägen till filen som används för att starta träningen.
script_params Obligatorisk	dict En ordlista med kommandoradsargument som ska skickas till träningsskriptet som anges i `entry_script`.
node_count Obligatorisk	int Antalet noder i beräkningsmålet som används för träning. Om större än 1 körs ett MPI-distribuerat jobb. Endast målet AmlCompute stöds för distribuerade jobb.
process_count_per_node Obligatorisk	int Antalet processer per nod. Om större än 1 körs ett MPI-distribuerat jobb. Endast målet AmlCompute stöds för distribuerade jobb.
distributed_backend Obligatorisk	str Kommunikationsserverdelen för distribuerad träning. DEPRECATED. Använd parametern `distributed_training` . Värden som stöds: "mpi". "mpi" representerar MPI/Horovod. Den här parametern krävs när `node_count` eller `process_count_per_node`> 1. När `node_count` == 1 och `process_count_per_node` == 1 används ingen serverdel om inte serverdelen uttryckligen anges. AmlCompute Endast målet stöds för distribuerad träning.
distributed_training Obligatorisk	Mpi Parametrar för att köra ett distribuerat träningsjobb. För att köra ett distribuerat jobb med MPI-serverdelen använder du Mpi objektet för att ange `process_count_per_node`.
use_gpu Obligatorisk	bool Anger om miljön som ska köra experimentet ska ha stöd för GPU:er. Om det är sant används en GPU-baserad Docker-standardbild i miljön. Om det är falskt används en CPU-baserad avbildning. Docker-standardbilder (CPU eller GPU) används endast om parametern `custom_docker_image` inte har angetts. Den här inställningen används endast i Docker-aktiverade beräkningsmål.
use_docker Obligatorisk	bool Anger om miljön som ska köra experimentet ska vara Docker-baserad.
custom_docker_base_image Obligatorisk	str Namnet på Docker-avbildningen som avbildningen ska använda för träning skapas från. DEPRECATED. Använd parametern `custom_docker_image` . Om den inte har angetts används en cpu-baserad standardavbildning som basavbildning.
custom_docker_image Obligatorisk	str Namnet på Docker-avbildningen som avbildningen ska använda för träning skapas från. Om den inte har angetts används en cpu-baserad standardavbildning som basavbildning. Ange endast avbildningar som är tillgängliga i offentliga docker-lagringsplatser (Docker Hub). Om du vill använda en avbildning från en privat docker-lagringsplats använder du konstruktorns `environment_definition` parameter i stället.
image_registry_details Obligatorisk	ContainerRegistry Information om Docker-avbildningsregistret.
user_managed Obligatorisk	bool Anger om Azure ML återanvänder en befintlig Python-miljö. Om det är falskt skapas en Python-miljö baserat på conda-beroendespecifikationen.
conda_packages Obligatorisk	list En lista över strängar som representerar conda-paket som ska läggas till i Python-miljön för experimentet.
pip_packages Obligatorisk	list En lista över strängar som representerar pip-paket som ska läggas till i Python-miljön för experimentet.
conda_dependencies_file_path Obligatorisk	Den relativa sökvägen till yaml-filen conda-beroenden. Om det anges kommer Azure ML inte att installera några ramverksrelaterade paket. DEPRECATED. `conda_dependencies_file` Använd paramentern. Ange antingen `conda_dependencies_file_path` eller `conda_dependencies_file`. Om båda anges `conda_dependencies_file` används.
pip_requirements_file_path Obligatorisk	Den relativa sökvägen till textfilen pip-krav. DEPRECATED. Använd parametern `pip_requirements_file` . Detta kan anges i kombination med parametern `pip_packages` . Ange antingen `pip_requirements_file_path` eller `pip_requirements_file`. Om båda anges `pip_requirements_file` används.
pip_requirements_file Obligatorisk	str Den relativa sökvägen till textfilen pip-krav. Detta kan anges i kombination med parametern `pip_packages` .
environment_variables Obligatorisk	dict En ordlista med miljövariablers namn och värden. Dessa miljövariabler anges i den process där användarskript körs.
environment_definition Obligatorisk	Environment Miljödefinitionen för experimentet. Den innehåller variablerna PythonSection, DockerSection och miljö. Alla miljöalternativ som inte exponeras direkt via andra parametrar för beräkningskonstruktionen kan anges med den här parametern. Om den här parametern anges har den företräde framför andra miljörelaterade parametrar som `use_gpu`, `custom_docker_image`, `conda_packages`eller `pip_packages`. Fel rapporteras för ogiltiga kombinationer.
inputs Obligatorisk	list En lista över DataReference eller DatasetConsumptionConfig objekt som ska användas som indata.
source_directory_data_store Obligatorisk	Datastore Det säkerhetskopierade datalagret för projektresursen.
shm_size Obligatorisk	Storleken på Docker-containerns delade minnesblock. Om den inte har angetts är standardinställningen
_disable_validation Obligatorisk	bool Inaktivera skriptverifiering innan du kör sändningen. Standardvärdet är Sant.
_show_lint_warnings Obligatorisk	bool Visa varningar för skriptlintning. Standardvärdet är False.
_show_package_warnings Obligatorisk	bool Visa paketverifieringsvarningar. Standardvärdet är False.

Feedback

Var den här sidan till hjälp?

Dela via

Estimator Klass

Konstruktor

Parametrar

Feedback