TrainingOutput Classe
Définit une sortie spécialisée de certaines étapes de pipeline à utiliser dans un pipeline.
TrainingOutput permet la mise à disposition d’une métrique ou d’un modèle de Machine Learning automatisé comme sortie d’étape à consommer dans un pipeline Azure Machine Learning. Ne peut pas être utilisé avec AutoMLStep ou HyperDriveStep.
Initialiser TrainingOutput.
param model_file : fichier de modèle spécifique à inclure dans la sortie. Pour HyperDriveStep uniquement.
- Héritage
-
builtins.objectTrainingOutput
Constructeur
TrainingOutput(type, iteration=None, metric=None, model_file=None)
Paramètres
- type
- str
Type de sortie de formation. Les valeurs possibles sont les suivantes : « Metrics », « Model ».
- iteration
- int
Numéro d’itération du modèle de formation correspondant.
Ce numéro d’itération ne peut être fourni qu’avec le type « Model ».
Fournit le paramètre iteration
ou metric
, mais pas les deux.
- metric
- str
Métrique à utiliser pour renvoyer le meilleur modèle de formation.
La métrique ne peut être fournie qu’avec le type « Model ».
Fournit le paramètre iteration
ou metric
, mais pas les deux.
- model_file
- str
Fichier de modèle spécifique à inclure dans la sortie. Pour HyperDriveStep uniquement.
- type
- str
Type de sortie de formation. Les valeurs possibles sont les suivantes : « Metrics », « Model ».
- iteration
- int
Numéro d’itération du modèle de formation correspondant.
Ce numéro d’itération ne peut être fourni qu’avec le type « Model ».
Fournit le paramètre iteration
ou metric
, mais pas les deux.
- metric
- str
Métrique à utiliser pour renvoyer le meilleur modèle de formation.
La métrique ne peut être fournie qu’avec le type « Model ».
Fournit le paramètre iteration
ou metric
, mais pas les deux.
Remarques
TrainingOutput est utilisé avec PipelineData lors de la construction d’un Pipeline pour permettre à d’autres étapes de consommer les métriques ou modèles générés par une étape AutoMLStep ou HyperDriveStep.
Utilisez TrainingOutput lors de la définition d’une étape AutoMLStep comme suit :
from azureml.pipeline.core import PipelineData, TrainingOutput
metrics_data = PipelineData(name='metrics_data', datastore=ds,
pipeline_output_name='metrics_output',
training_output=TrainingOutput(type='Metrics'))
model_data = PipelineData(name='model_data', datastore=ds,
pipeline_output_name='best_model_output',
training_output=TrainingOutput(type='Model'))
automl_step = AutoMLStep(name='automl_step',
automl_config=automl_config,
inputs=[input_data],
outputs=[metrics_data, model_data])
Consultez un exemple d’utilisation de TrainingOutput et d’une étape AutoMlStep dans le notebook https://aka.ms/pl-automl.
Attributs
iteration
Obtient le numéro d’itération du modèle de formation correspondant.
Retours
Numéro d’itération du modèle de formation.
Type de retour
metric
Obtient la métrique du meilleur modèle de formation.
Retours
Nom de la métrique du meilleur modèle de formation.
Type de retour
model_file
Obtient un modèle à inclure dans la sortie du meilleur modèle de formation.
Retours
Fichier particulier à inclure dans la sortie du meilleur modèle de formation.
Type de retour
type
Obtient le type de sortie de formation.
Retours
Type de sortie de formation. Les valeurs possibles sont les suivantes : « Metrics », « Model ».
Type de retour
Commentaires
https://aka.ms/ContentUserFeedback.
Bientôt disponible : Tout au long de 2024, nous allons supprimer progressivement GitHub Issues comme mécanisme de commentaires pour le contenu et le remplacer par un nouveau système de commentaires. Pour plus d’informations, consultezEnvoyer et afficher des commentaires pour