azureml-train-core Paquet
Paquets
dnn |
Contient les estimateurs utilisés dans l’entraînement de DNN (Deep Neural Network). |
estimator |
Contient les classes d’estimateur de base et la classe d’estimateur générique dans Azure Machine Learning. |
hyperdrive |
Contient des modules et des classes qui prennent en charge le réglage des hyperparamètres. Les hyperparamètres sont des paramètres réglables que vous choisissez pour la formation du modèle qui guident le processus de formation. Le package HyperDrive vous permet d’automatiser le choix de ces paramètres. Par exemple, vous pouvez définir l’espace de recherche des paramètres comme discret ou continu, et une méthode d’échantillonnage sur l’espace de recherche comme aléatoire, grille ou Bayésien. En outre, vous pouvez spécifier une métrique principale à optimiser dans l’expérience de réglage hyperparamètre et s’il faut réduire ou agrandir cette mesure. Vous pouvez également définir des stratégies d’arrêt anticipé dans lesquelles les exécutions de tests aux performances mauvaises sont annulées et les nouvelles sont lancées. Pour définir un flux de travail d’apprentissage automatique réutilisable pour HyperDrive, utilisez hyper_drive_step pour créer un Pipeline. |
Modules
error_definition |
Définitions du code d’erreur pour le kit de développement logiciel (SDK) HyperDrive. |
error_strings |
Collection de chaînes d’erreur utilisées dans le SDK HyperDrive. |
exceptions |
Exceptions levées par HyperDrive. |
parameter_expressions |
Définit des fonctions qui peuvent être utilisées dans Hyperdrive pour décrire un espace de recherche hyperparamétrique. Ces fonctions sont utilisées pour spécifier différents types de distributions d’hyperparamètres. Les distributions sont définies lorsque vous configurez l’échantillonnage pour un balayage hyperparamétrique. Par exemple, lorsque vous utilisez la classe RandomParameterSampling, vous pouvez choisir d’échantillonner à partir d’un ensemble de valeurs discrètes ou d’une distribution de valeurs continues. Dans ce cas, vous pouvez utiliser la fonction choice pour générer un ensemble discret de valeurs et la fonction uniform pour générer une distribution de valeurs continues. Pour obtenir des exemples d’utilisation de ces fonctions, consultez le didacticiel : https://docs.microsoft.com/azure/machine-learning/how-to-tune-hyperparameters . |
sklearn |
Contient un estimateur pour l’entraînement avec Scikit-Learn. |
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