Estimator Klasse
Stellt einen generischen Schätzer zum Trainieren von Daten mit einem beliebigen angegebenen Framework dar.
VERALTET. Verwenden Sie das ScriptRunConfig-Objekt mit Ihrer eigenen definierten Umgebung oder einer zusammengestellten Azure ML-Umgebung. Eine Einführung in das Konfigurieren von Experimentausführungen mit „ScriptRunConfig“ finden Sie unter Konfigurieren und Übermitteln von Trainingsausführungen.
Diese Klasse ist zur Verwendung mit Machine Learning-Frameworks konzipiert, die noch nicht über einen vorkonfigurierten Azure Machine Learning-Schätzer verfügen. Vorkonfigurierte Schätzer sind für Chainer, PyTorch, TensorFlow und SKLearn vorhanden. Weitere Informationen zum Erstellen eines nicht vorkonfigurierten Schätzers finden Sie im Abschnitt zum Trainieren von Modellen mit Azure Machine Learning mithilfe eines Schätzers.
Die Schätzer-Klasse umschließt Information zur Laufzeitkonfiguration, um die Aufgaben zu vereinfachen, die sich auf das Angeben der Ausführung eines Skripts beziehen. Sie unterstützt die Ausführung mit einem und mit mehreren Knoten. Wenn Sie den Schätzer ausführen, wird ein Modell im Ausgabeverzeichnis erstellt, das in Ihrem Trainingsskript angegeben ist.
Initialisieren Sie den Schätzer.
azureml.core.environment._DEFAULT_SHM_SIZE wird verwendet. Weitere Informationen finden Sie in der Referenz zur Docker-Ausführung. :type shm_size: str :p aram resume_from: Der Datenpfad, der die Prüfpunkt- oder Modelldateien enthält, von denen aus das Experiment fortgesetzt werden soll. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: Die maximal zulässige Ausführungszeit. Azure ML versucht automatisch
Brechen Sie die Ausführung ab, wenn sie länger als dieser Wert dauert.
- Vererbung
-
azureml.train.estimator._mml_base_estimator.MMLBaseEstimatorEstimator
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)Parameter
- source_directory
- str
Ein lokales Verzeichnis mit Experimentkonfiguration und Codedateien, die für einen Trainingsauftrag erforderlich sind
- compute_target
- AbstractComputeTarget oder str
Das Computeziel für das Training. Dies kann entweder ein Objekt oder die Zeichenfolge „local“ sein.
- vm_size
- str
Die VM-Größe des Computeziels, das für das Training erstellt wird. Unterstützte Werte: beliebige Azure-VM-Größen.
- vm_priority
- str
Die VM-Priorität des Computeziels, das für das Training erstellt wird. Wenn keine Angabe erfolgt, wird „dedicated“ verwendet.
Unterstützte Werte: 'dedicated' und 'lowpriority'.
Dies geschieht nur, wenn der Parameter vm_size in der Eingabe angegeben wird.
- entry_script
- str
Der relative Pfad zu der Datei, die zum Starten des Trainings verwendet wird
- script_params
- dict
Ein Wörterbuch mit Befehlszeilenargumenten, die an das in entry_script angegebene Trainingsskript übergeben werden
- node_count
- int
Die Anzahl der Knoten am Computeziel, die für das Training verwendet werden. Wenn der Wert größer als 1 ist, wird ein verteilter MPI-Auftrag ausgeführt.
- process_count_per_node
- int
Die Anzahl der Prozesse (oder „Worker“), die auf jedem Knoten ausgeführt werden sollen. Wenn der Wert größer als 1 ist, wird ein verteilter MPI-Auftrag ausgeführt. Für verteilte Aufträge wird nur das Ziel AmlCompute unterstützt.
- distributed_backend
- str
Das Kommunikations-Back-End für das verteilte Training
VERALTET. Verwenden Sie den Parameter distributed_training.
Unterstützte Werte: 'mpi'. 'mpi' stellt MPI/Horovod dar.
Dieser Parameter ist erforderlich, wenn node_count oder process_count_per_node> 1 ist.
Wenn node_count == 1 und process_count_per_node == 1 ist, wird nur dann ein Back-End verwendet, wenn es explizit festgelegt wird. Für das verteilte Training wird nur das Ziel AmlCompute unterstützt.
- distributed_training
- Mpi
Parameter zum Ausführen eines verteilten Trainingsauftrags.
Verwenden Sie zum Ausführen eines verteilten Auftrags mit MPI-Back-End das Mpi-Objekt, um process_count_per_node anzugeben.
- use_gpu
- bool
Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, GPUs unterstützen soll
„True“ gibt an, dass ein GPU-basiertes Docker-Standardimage in der Umgebung verwendet wird. Bei „False“ wird ein CPU-basiertes Image verwendet. Docker-Standardimages (CPU oder GPU) werden nur verwendet, wenn der Parameter custom_docker_image nicht festgelegt ist. Diese Einstellung wird nur bei Docker-fähigen Computezielen verwendet.
- use_docker
- bool
Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, Docker-basiert sein soll
- custom_docker_base_image
- str
Der Name des Docker-Images, mit dem das für das Training zu verwendende Image erstellt wird.
VERALTET. Verwenden Sie den Parameter custom_docker_image.
Wenn diese Einstellung nicht festgelegt ist, wird als Basisimage ein CPU-basiertes Standardimage verwendet.
- custom_docker_image
- str
Der Name des Docker-Images, mit dem das für das Training zu verwendende Image erstellt wird. Wenn diese Einstellung nicht festgelegt ist, wird als Basisimage ein CPU-basiertes Standardimage verwendet. Geben Sie nur Images an, die in öffentlichen Docker-Repositorys verfügbar sind (Docker Hub). Um ein Image aus einem privaten Docker-Repository zu verwenden, verwenden Sie stattdessen den environment_definition-Parameter des Konstruktors.
- user_managed
- bool
Gibt an, ob Azure Machine Learning eine vorhandene Python-Umgebung wiederverwendet „False“ gibt an, dass eine Python-Umgebung basierend auf der Conda-Abhängigkeitsspezifikation erstellt wird.
- conda_packages
- list
Eine Liste von Zeichenfolgen, die Conda-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
- pip_packages
- list
Eine Liste von Zeichenfolgen, die pip-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
- conda_dependencies_file_path
- str
Der relative Pfad zur YAML-Datei mit den Conda-Abhängigkeiten. Falls angegeben, installiert Azure Machine Learning keine frameworkbezogenen Pakete.
VERALTET. Verwenden Sie den Parameter conda_dependencies_file.
Geben Sie entweder conda_dependencies_file_path oder conda_dependencies_file an. Wenn beide angegeben werden, wird conda_dependencies_file verwendet.
- pip_requirements_file_path
- str
Der relative Pfad zur Textdatei mit den pip-Anforderungen.
VERALTET. Verwenden Sie den Parameter pip_requirements_file.
Der Parameter kann in Kombination mit dem Parameter pip_packages angegeben werden. Geben Sie entweder pip_requirements_file_path oder pip_requirements_file an. Wenn beide angegeben werden, wird pip_requirements_file verwendet.
- conda_dependencies_file
- str
Der relative Pfad zur YAML-Datei mit den Conda-Abhängigkeiten Falls angegeben, installiert Azure Machine Learning keine frameworkbezogenen Pakete.
- pip_requirements_file
- str
Der relative Pfad zur Textdatei mit den pip-Anforderungen.
Der Parameter kann in Kombination mit dem Parameter pip_packages angegeben werden.
- environment_variables
- dict
Ein Wörterbuch mit Umgebungsvariablennamen und Werten Diese Umgebungsvariablen werden für den Prozess festgelegt, in dem das Benutzerskript ausgeführt wird.
- environment_definition
- Environment
Die Umgebungsdefinition für das Experiment Sie enthält PythonSection, DockerSection und Umgebungsvariablen. Jede Umgebungsoption, die nicht direkt über andere Parameter für die Erstellung des Schätzers verfügbar gemacht wird, kann mit diesem Parameter festgelegt werden. Wenn dieser Parameter angegeben wird, hat er Vorrang vor anderen umgebungsbezogenen Parametern wie use_gpu, custom_docker_image, conda_packages oder pip_packages.
Bei ungültigen Kombinationen werden Fehler gemeldet.
- inputs
- list
Eine Liste von DataReference- oder DatasetConsumptionConfig-Objekten, die als Eingabe verwendet werden sollen
- source_directory_data_store
- Datastore
Der Sicherungsdatenspeicher für die Projektfreigabe
- shm_size
- str
Größe des freigegebenen Speicherblocks des Docker-Containers. Wenn diese Einstellung nicht festgelegt ist, wird die Standardgröße „azureml.core.environment._DEFAULT_SHM_SIZE“ verwendet. Weitere Informationen finden Sie in der Referenz zur Docker-Ausführung.
- resume_from
- DataPath
Der Datenpfad, der die Prüfpunkt- oder Modelldateien enthält, aus denen das Experiment fortgesetzt werden soll
- max_run_duration_seconds
- int
Die maximal zulässige Zeit für die Ausführung Azure Machine Learning versucht, die Ausführung automatisch abzubrechen, wenn sie länger dauert als dieser Wert angibt.
- source_directory
- str
Ein lokales Verzeichnis mit Experimentkonfiguration und Codedateien, die für einen Trainingsauftrag erforderlich sind
- compute_target
- AbstractComputeTarget oder str
Das Computeziel für das Training. Dies kann entweder ein Objekt oder die Zeichenfolge „local“ sein.
- vm_size
- str
Die VM-Größe des Computeziels, das für das Training erstellt wird. Unterstützte Werte: beliebige Azure-VM-Größen.
- vm_priority
- str
Die VM-Priorität des Computeziels, das für das Training erstellt wird. Wenn keine Angabe erfolgt, wird „dedicated“ verwendet.
Unterstützte Werte: 'dedicated' und 'lowpriority'.
Dies geschieht nur, wenn der Parameter vm_size in der Eingabe angegeben wird.
- entry_script
- str
Der relative Pfad zu der Datei, die zum Starten des Trainings verwendet wird
- script_params
- dict
Ein Wörterbuch mit Befehlszeilenargumenten, die an das in entry_script angegebene Trainingsskript übergeben werden
- node_count
- int
Die Anzahl der Knoten am Computeziel, die für das Training verwendet werden. Wenn größer als 1, wird ein MPI-verteilter Auftrag ausgeführt. Für verteilte Aufträge wird nur das Ziel AmlCompute unterstützt.
- process_count_per_node
- int
Die Anzahl von Prozessen pro Knoten. Wenn größer als 1, wird ein MPI-verteilter Auftrag ausgeführt. Für verteilte Aufträge wird nur das Ziel AmlCompute unterstützt.
- distributed_backend
- str
Das Kommunikations-Back-End für das verteilte Training
VERALTET. Verwenden Sie den Parameter distributed_training.
Unterstützte Werte: 'mpi'. 'mpi' stellt MPI/Horovod dar.
Dieser Parameter ist erforderlich, wenn node_count oder process_count_per_node> 1 ist.
Wenn node_count == 1 und process_count_per_node == 1 ist, wird nur dann ein Back-End verwendet, wenn es explizit festgelegt wird. Für das verteilte Training wird nur das Ziel AmlCompute unterstützt.
- distributed_training
- Mpi
Parameter zum Ausführen eines verteilten Trainingsauftrags.
Verwenden Sie zum Ausführen eines verteilten Auftrags mit MPI-Back-End das Mpi-Objekt, um process_count_per_node anzugeben.
- use_gpu
- bool
Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, GPUs unterstützen soll.
„True“ gibt an, dass ein GPU-basiertes Docker-Standardimage in der Umgebung verwendet wird. Bei „False“ wird ein CPU-basiertes Image verwendet. Docker-Standardimages (CPU oder GPU) werden nur verwendet, wenn der Parameter custom_docker_image nicht festgelegt ist. Diese Einstellung wird nur bei Docker-fähigen Computezielen verwendet.
- use_docker
- bool
Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, Docker-basiert sein soll.
- custom_docker_base_image
- str
Der Name des Docker-Images, mit dem das für das Training zu verwendende Image erstellt wird.
VERALTET. Verwenden Sie den Parameter custom_docker_image.
Wenn diese Einstellung nicht festgelegt ist, wird als Basisimage ein CPU-basiertes Standardimage verwendet.
- custom_docker_image
- str
Der Name des Docker-Images, mit dem das für das Training zu verwendende Image erstellt wird. Wenn diese Einstellung nicht festgelegt ist, wird als Basisimage ein CPU-basiertes Standardimage verwendet. Geben Sie nur Images an, die in öffentlichen Docker-Repositorys verfügbar sind (Docker Hub). Um ein Image aus einem privaten Docker-Repository zu verwenden, verwenden Sie stattdessen den environment_definition-Parameter des Konstruktors.
- user_managed
- bool
Gibt an, ob Azure Machine Learning eine vorhandene Python-Umgebung wiederverwendet „False“ gibt an, dass eine Python-Umgebung basierend auf der Conda-Abhängigkeitsspezifikation erstellt wird.
- conda_packages
- list
Eine Liste von Zeichenfolgen, die Conda-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
- pip_packages
- list
Eine Liste von Zeichenfolgen, die pip-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
- conda_dependencies_file_path
Der relative Pfad zur YAML-Datei mit den Conda-Abhängigkeiten. Falls angegeben, installiert Azure Machine Learning keine frameworkbezogenen Pakete.
VERALTET. Verwenden Sie den Parameter conda_dependencies_file.
Geben Sie entweder conda_dependencies_file_path oder conda_dependencies_file an. Wenn beide angegeben werden, wird conda_dependencies_file verwendet.
- pip_requirements_file_path
Der relative Pfad zur Textdatei mit den pip-Anforderungen.
VERALTET. Verwenden Sie den Parameter pip_requirements_file.
Dieser kann in Kombination mit dem Parameter pip_packages bereitgestellt werden. Geben Sie entweder pip_requirements_file_path oder pip_requirements_file an. Wenn beide angegeben werden, wird pip_requirements_file verwendet.
- pip_requirements_file
- str
Der relative Pfad zur Textdatei mit den pip-Anforderungen.
Dieser kann in Kombination mit dem Parameter pip_packages bereitgestellt werden.
- environment_variables
- dict
Ein Wörterbuch mit Umgebungsvariablennamen und Werten. Diese Umgebungsvariablen werden für den Prozess festgelegt, in dem das Benutzerskript ausgeführt wird.
- environment_definition
- Environment
Die Umgebungsdefinition für das Experiment Sie enthält PythonSection, DockerSection und Umgebungsvariablen. Jede Umgebungsoption, die nicht direkt über andere Parameter für die Erstellung des Schätzers verfügbar gemacht wird, kann mit diesem Parameter festgelegt werden. Wenn dieser Parameter angegeben wird, hat er Vorrang vor anderen umgebungsbezogenen Parametern wie use_gpu, custom_docker_image, conda_packages oder pip_packages.
Bei ungültigen Kombinationen werden Fehler gemeldet.
- inputs
- list
Eine Liste von DataReference- oder DatasetConsumptionConfig-Objekten, die als Eingabe verwendet werden sollen
- source_directory_data_store
- Datastore
Der Sicherungsdatenspeicher für die Projektfreigabe
- shm_size
Größe des freigegebenen Speicherblocks des Docker-Containers. Wenn nicht festgelegt, ist die Standardeinstellung
- _disable_validation
- bool
Deaktivieren Sie die Skriptüberprüfung vor der Übermittlung. Der Standardwert ist True.
- _show_lint_warnings
- bool
Anzeigen von Skript-Lintingwarnungen. Die Standardeinstellung lautet „false“.
- _show_package_warnings
- bool
Paketvalidierungswarnungen anzeigen. Die Standardeinstellung lautet „false“.
Feedback
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unter https://aka.ms/ContentUserFeedback.
Feedback senden und anzeigen für