Chainer Clase
Representa un estimador para el entrenamiento en experimentos de Chainer.
EN DESUSO. Use el objeto ScriptRunConfig con su propio entorno definido o uno de los entornos seleccionados de Chainer de Azure ML. Para obtener una introducción a la configuración de ejecuciones de experimentos con ScriptRunConfig, consulte Configuración y envío de ejecuciones de entrenamiento.
Versiones admitidas: 5.1.0, 7.0.0.
Inicialice un estimador de Chainer.
- Herencia
-
azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimatorChainer
Constructor
Chainer(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, framework_version=None, _enable_optimized_mode=False, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)
Parámetros
- source_directory
- str
Directorio local que contiene los archivos de configuración del experimento.
- compute_target
- AbstractComputeTarget o str
Destino de proceso en el que se realizará el entrenamiento. Puede ser un objeto o la cadena "local".
- vm_size
- str
Tamaño de máquina virtual del destino de proceso que se creará para el entrenamiento. Valores admitidos: cualquier tamaño de máquina virtual de Azure.
- vm_priority
- str
Prioridad de la máquina virtual del destino de proceso que se creará para el entrenamiento. Si no se especifica, se usa "dedicated" (dedicada).
Valores admitidos: "dedicated" (dedicada) y "lowpriority" (prioridad baja).
Esto solo tiene efecto cuando se especifica vm_size param
en la entrada.
- entry_script
- str
Ruta de acceso relativa al archivo que contiene el script de entrenamiento.
- script_params
- dict
Diccionario de argumentos de la línea de comandos que se pasan al script de entrenamiento especificado en entry_script
.
- node_count
- int
Número de nodos del destino de proceso utilizado para el entrenamiento. Si es mayor que 1, se ejecutará un trabajo distribuido de MPI. Solo se admite el destino AmlCompute para los trabajos distribuidos.
- process_count_per_node
- int
número de procesos por nodo. Si es mayor que 1, se ejecutará un trabajo distribuido de MPI. Solo se admite el destino AmlCompute para los trabajos distribuidos.
- distributed_backend
- str
Back-end de comunicación para el entrenamiento distribuido.
EN DESUSO. Use el parámetro distributed_training
.
Valores admitidos: "mpi".
"mpi": MPI/Horovod
Este parámetro es obligatorio cuando node_count
o process_count_per_node
> 1.
Cuando node_count
== 1 y process_count_per_node
== 1, no se usará ningún back-end a menos que se establezca explícitamente el back-end. Solo se admite el destino AmlCompute para el entrenamiento distribuido.
- distributed_training
- Mpi
Parámetros para ejecutar un trabajo de entrenamiento distribuido.
Para ejecutar un trabajo distribuido con el back-end de MPI, use el objeto Mpi para especificar process_count_per_node
.
- use_gpu
- bool
Especifica si el entorno que va a ejecutar el experimento debe admitir GPU.
Si es true, la imagen predeterminada de Docker basada en GPU se usará en el entorno. Si es False, se usará una imagen basada en CPU. Las imágenes predeterminadas de Docker (CPU o GPU) solo se usarán si el parámetro custom_docker_image
no está establecido. Esta configuración solo se usa en destinos de proceso habilitados para Docker.
- use_docker
- bool
Especifica si el entorno para ejecutar el experimento debe basarse en Docker.
- custom_docker_base_image
- str
El nombre de la imagen de Docker a partir de la que se va a crear la imagen que se va a usar para el entrenamiento.
EN DESUSO. Utilice el parámetro custom_docker_image
.
Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.
- custom_docker_image
- str
El nombre de la imagen de Docker a partir de la que se va a crear la imagen que se va a usar para el entrenamiento. Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.
- user_managed
- bool
Especifica si Azure ML reutiliza un entorno de Python existente. Si es False, Azure ML creará un entorno de Python basado en la especificación de dependencias de Conda.
- conda_packages
- list
Lista de cadenas que representan los paquetes de Conda que se van a agregar al entorno de Python para el experimento.
- pip_packages
- list
Lista de cadenas que representan los paquetes de pip que se van a agregar al entorno de Python para el experimento.
- conda_dependencies_file_path
- str
Ruta de acceso relativa al archivo YAML de dependencias de Conda.
Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco.
EN DESUSO. Use el parámetro conda_dependencies_file
.
- pip_requirements_file_path
- str
La ruta de acceso relativa al archivo de texto de requisitos de pip.
Se puede proporcionar en combinación con el parámetro pip_packages
.
EN DESUSO. Use el parámetro pip_requirements_file
.
- conda_dependencies_file
- str
Ruta de acceso relativa al archivo YAML de dependencias de Conda. Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco.
- pip_requirements_file
- str
La ruta de acceso relativa al archivo de texto de requisitos de pip.
Se puede proporcionar en combinación con el parámetro pip_packages
.
- environment_variables
- dict
Diccionario de nombres y valores de variables de entorno. Estas variables de entorno se establecen en el proceso donde se ejecuta el script de usuario.
- environment_definition
- Environment
La definición de entorno del experimento. Incluye PythonSection, DockerSection y variables de entorno. Cualquier opción del entorno que no se exponga directamente mediante otros parámetros a la construcción del estimador se puede establecer mediante este parámetro. Si se especifica este parámetro, tendrá prioridad sobre otros parámetros relacionados con el entorno, como use_gpu
, custom_docker_image
, conda_packages
o pip_packages
.
Se notificarán los errores sobre estas combinaciones no válidas.
- inputs
- list
Lista de objetos DataReference o DatasetConsumptionConfig que se van a usar como entrada.
- source_directory_data_store
- Datastore
Almacén de datos de respaldo para el recurso compartido del proyecto.
- shm_size
- str
Tamaño del bloque de memoria compartida del contenedor Docker. Si no se establece, se usa el valor de azureml.core.environment._DEFAULT_SHM_SIZE predeterminado. Para más información, consulte Referencia de ejecución de Docker.
- resume_from
- DataPath
Ruta de acceso de datos que contiene el punto de control o los archivos del modelo desde los que se va a reanudar el experimento.
- max_run_duration_seconds
- int
Tiempo máximo permitido para la ejecución. Azure ML intentará cancelar automáticamente la ejecución si tarda más que este valor.
- framework_version
- str
La versión de Chainer que se usará para ejecutar el código de entrenamiento.
Chainer.get_supported_versions()
devuelve una lista de las versiones admitidas por el SDK actual.
- source_directory
- str
Directorio local que contiene los archivos de configuración del experimento.
- compute_target
- AbstractComputeTarget o str
Destino de proceso en el que se realizará el entrenamiento. Puede ser un objeto o la cadena "local".
- vm_size
- str
Tamaño de máquina virtual del destino de proceso que se creará para el entrenamiento. Valores admitidos: cualquier tamaño de máquina virtual de Azure.
- vm_priority
- str
Prioridad de la máquina virtual del destino de proceso que se creará para el entrenamiento. Si no se especifica, el valor predeterminado será "dedicado".
Valores admitidos: "dedicated" (dedicada) y "lowpriority" (prioridad baja).
Esto solo surte efecto cuando se especifica el parámetro vm_size en la entrada.
- entry_script
- str
Ruta de acceso relativa al archivo que contiene el script de entrenamiento.
- script_params
- dict
Diccionario de argumentos de la línea de comandos que se pasan al script de entrenamiento especificado en entry_script
.
- node_count
- int
Número de nodos del destino de proceso utilizado para el entrenamiento. Si es mayor que 1, se ejecutará un trabajo distribuido de MPI. Solo se admite el destino AmlCompute para los trabajos distribuidos.
- process_count_per_node
- int
número de procesos por nodo. Si es mayor que 1, se ejecutará un trabajo distribuido de MPI. Solo AmlCompute se admite el destino de proceso de destino para trabajos distribuidos.
- distributed_backend
- str
Back-end de comunicación para el entrenamiento distribuido.
EN DESUSO. Use el parámetro distributed_training
.
Valores admitidos: "mpi".
"mpi": MPI/Horovod
Este parámetro es obligatorio cuando node_count
o process_count_per_node
> 1.
Cuando node_count
== 1 y process_count_per_node
== 1, no se usará ningún back-end a menos que se establezca explícitamente el back-end. Solo se admite el destino AmlCompute para el entrenamiento distribuido.
- distributed_training
- Mpi
Parámetros para ejecutar un trabajo de entrenamiento distribuido.
Para ejecutar un trabajo distribuido con el back-end de MPI, use el objeto Mpi para especificar process_count_per_node
.
- use_gpu
- bool
Especifica si el entorno que va a ejecutar el experimento debe admitir GPU.
Si es True, se usará en el entorno una imagen predeterminada de Docker basada en GPU. Si es False, se usará una imagen basada en CPU. Las imágenes predeterminadas de Docker (CPU o GPU) solo se usarán si el parámetro custom_docker_image
no está establecido. Esta configuración solo se usa en destinos de proceso habilitados para Docker.
- use_docker
- bool
Especifica si el entorno para ejecutar el experimento debe basarse en Docker.
- custom_docker_base_image
- str
El nombre de la imagen de Docker a partir de la que se va a crear la imagen que se va a usar para el entrenamiento.
EN DESUSO. Utilice el parámetro custom_docker_image
.
Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.
- custom_docker_image
- str
El nombre de la imagen de Docker a partir de la que se va a crear la imagen que se va a usar para el entrenamiento. Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.
- user_managed
- bool
Especifica si Azure ML reutiliza un entorno de Python existente. Si es False, Azure ML creará un entorno de Python basado en la especificación de dependencias de Conda.
- conda_packages
- list
Lista de cadenas que representan los paquetes de Conda que se van a agregar al entorno de Python para el experimento.
- pip_packages
- list
Lista de cadenas que representan los paquetes de pip que se van a agregar al entorno de Python para el experimento.
- conda_dependencies_file_path
- str
Ruta de acceso relativa al archivo YAML de dependencias de Conda. Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco.
EN DESUSO. Use el parámetro conda_dependencies_file
.
- pip_requirements_file_path
- str
La ruta de acceso relativa al archivo de texto de requisitos de pip.
Se puede proporcionar en combinación con el parámetro pip_packages
.
EN DESUSO. Use el parámetro pip_requirements_file
.
- conda_dependencies_file
- str
Ruta de acceso relativa al archivo YAML de dependencias de Conda. Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco.
- pip_requirements_file
- str
La ruta de acceso relativa al archivo de texto de requisitos de pip.
Se puede proporcionar en combinación con el parámetro pip_packages
.
- environment_variables
- dict
Diccionario de nombres y valores de variables de entorno. Estas variables de entorno se establecen en el proceso donde se ejecuta el script de usuario.
- environment_definition
- Environment
La definición de entorno del experimento. Incluye PythonSection, DockerSection y variables de entorno. Cualquier opción del entorno que no se exponga directamente mediante otros parámetros a la construcción del estimador se puede establecer mediante este parámetro. Si se especifica este parámetro, tendrá prioridad sobre otros parámetros relacionados con el entorno, como use_gpu
, custom_docker_image
, conda_packages
o pip_packages
.
Se notificarán los errores sobre estas combinaciones no válidas.
- inputs
- list
Lista de azureml.data.data_reference. Objetos DataReference que se usarán como entrada.
- source_directory_data_store
- Datastore
Almacén de datos de respaldo para el recurso compartido del proyecto.
- shm_size
- str
Tamaño del bloque de memoria compartida del contenedor Docker. Si no se establece, se usa el valor de azureml.core.environment._DEFAULT_SHM_SIZE predeterminado. Para más información, consulte Referencia de ejecución de Docker.
- resume_from
- DataPath
Ruta de acceso de datos que contiene el punto de control o los archivos del modelo desde los que se va a reanudar el experimento.
- max_run_duration_seconds
- int
Tiempo máximo permitido para la ejecución. Azure ML intentará cancelar automáticamente la ejecución si tarda más que este valor.
- framework_version
- str
La versión de Chainer que se usará para ejecutar el código de entrenamiento.
Chainer.get_supported_versions()
devuelve una lista de las versiones admitidas por el SDK actual.
- _enable_optimized_mode
- bool
Habilite la compilación de entorno incremental con imágenes de marco pregeneradas para una preparación más rápida del entorno. Una imagen de marco pregenerada se basa en imágenes base predeterminadas de CPU y GPU de Azure ML con dependencias de marco preinstaladas.
- _disable_validation
- bool
Deshabilite la validación del script antes de ejecutar el envío. El valor predeterminado es True.
- _show_lint_warnings
- bool
Mostrar advertencias de linting de script. El valor predeterminado es False.
- _show_package_warnings
- bool
Mostrar advertencias de validación de paquetes. El valor predeterminado es False.
Comentarios
Al enviar un trabajo de entrenamiento, Azure ML ejecuta el script en un entorno de Conda dentro de un contenedor Docker. Los contenedores de Chainer tienen instaladas las siguientes dependencias.
Dependencias | Chainer 5.1.0 | Chainer 7.0.0 | —————————- | —————– | ————— | Python | 3.6.2 | 3.6.2 | CUDA (solo imagen de GPU) | 9.0 | 9.0 | cuDNN (solo imagen de GPU) | 7.6.3 | 7.6.3 | NCCL (solo imagen de GPU) | 2.4.8 | 2.4.8 | azureml-defaults | Latest | Latest | IntelMpi | 2018.3.222 | 2018.3.222 | horovod | 0.15.2 | 0.15.2 | miniconda | 4.5.11 | 4.5.11 | chainer | 5.1.0 | 7.0.0 | cupy-cuda90 (solo imagen de GPU) | 5.2.0 | 7.0.0 | git | 2.7.4 | 2.7.4 |
Las imágenes de Docker amplían Ubuntu 16.04.
Para instalar dependencias adicionales, puede usar el parámetro pip_packages
o conda_packages
. O bien, puede especificar el parámetro pip_requirements_file
o conda_dependencies_file
.
Como alternativa, puede crear su propia imagen y pasar el parámetro custom_docker_image
al constructor del estimador.
Para más información sobre los contenedores de Docker usados en el entrenamiento de Chainer, consulte https://github.com/Azure/AzureML-Containers.
Atributos
DEFAULT_VERSION
DEFAULT_VERSION = '5.1.0'
FRAMEWORK_NAME
FRAMEWORK_NAME = 'Chainer'
Comentarios
https://aka.ms/ContentUserFeedback.
Próximamente: A lo largo de 2024 iremos eliminando gradualmente GitHub Issues como mecanismo de comentarios sobre el contenido y lo sustituiremos por un nuevo sistema de comentarios. Para más información, vea:Enviar y ver comentarios de