dnn Paquet

Contient les estimateurs utilisés dans l’apprentissage DNN (Deep Neural Network).

Classes

Chainer	Représente un estimateur pour la formation dans le cadre des expériences Chainer. DÉPRÉCIÉ. Utilisez l’objet ScriptRunConfig avec votre propre environnement défini ou l’un des environnements organisés par Azure ML Chainer. Pour une introduction à la configuration des exécutions d’expériences avec ScriptRunConfig, consultez Configurer et envoyer des exécutions de formation. Versions prises en charge . 5.1.0, 7.0.0 Initialiser un estimateur Chainer.
Gloo	Gère les paramètres de Gloo pour les tâches de formation distribuées. DÉPRÉCIÉ. Utilise la classe PyTorchConfiguration. Gloo peut être spécifié pour une tâche de formation avec le paramètre distributed_training de l’estimateur PyTorch préconfiguré ou n’importe quel Gloo de prise en charge générique Estimator. Classe pour la gestion des paramètres Gloo pour les travaux.
Mpi	Gère les paramètres de l’interface de passage de messages (MPI) pour les travaux de formation distribués. DÉPRÉCIÉ. Utilise la classe MpiConfiguration. MPI peut être spécifié pour un travail avec le paramètre distributed_training d’estimateurs préconfigurés Chainer, PyTorch et TensorFlow, ou avec un élément générique Estimator. Classe pour la gestion des paramètres MPI pour les travaux.
Nccl	Gère les paramètres NCCL pour les tâches de formation distribuées. DÉPRÉCIÉ. Utilise la classe PyTorchConfiguration. NCCL peut être spécifié pour une tâche de formation avec le paramètre distributed_training de l’estimateur PyTorch préconfiguré ou n’importe quel Estimator générique prenant en charge NCCL. Classe de gestion des paramètres Nccl pour les travaux.
ParameterServer	Gère les paramètres du serveur de paramètres pour les travaux de formation. DÉPRÉCIÉ. Utilise la classe TensorflowConfiguration. Classe permettant de gérer les paramètres du serveur de paramètres pour les travaux. DÉPRÉCIÉ. Utilise la classe TensorflowConfiguration.
PyTorch	Représente un estimateur pour l’apprentissage dans les expériences PyTorch. DÉPRÉCIÉ. Utilisez l’objet ScriptRunConfig avec votre propre environnement défini ou l’un des environnements organisés Azure ML PyTorch. Pour une présentation de la configuration de l’expérience PyTorch avec ScriptRunConfig, consultez Former des modèles PyTorch à grande échelle avec Azure Machine Learning. Versions prises en charge . 1.0, 1.1, 1.2, 1.3, 1.4, 1.5, 1.6 Initialiser un estimateur PyTorch. Référence d’exécution Docker. :type shm_size: str :p aram resume_from : chemin d’accès aux données contenant les fichiers de point de contrôle ou de modèle à partir desquels reprendre l’expérience. :type resume_from : azureml.data.datapath.DataPath :p aram max_run_duration_seconds : durée maximale autorisée pour l’exécution. Azure ML tente automatiquement annuler l’exécution si elle prend plus de temps que cette valeur.
TensorFlow	Représente un estimateur pour la formation dans les expériences TensorFlow. DÉPRÉCIÉ. Utilisez l’objet ScriptRunConfig avec votre propre environnement défini ou l’un des environnements organisés Azure ML TensorFlow. Pour une présentation de la configuration de l’expérience TensorFlow avec ScriptRunConfig, consultez Former des modèles TensorFlow à grande échelle avec Azure Machine Learning. Versions prises en charge . 1.10, 1.12, 1.13, 2.0, 2.1, 2.2 Initialiser un estimateur TensorFlow. Référence d’exécution Docker. :type shm_size: str :p aram resume_from : chemin d’accès aux données contenant les fichiers de point de contrôle ou de modèle à partir desquels reprendre l’expérience. :type resume_from : azureml.data.datapath.DataPath :p aram max_run_duration_seconds : durée maximale autorisée pour l’exécution. Azure ML tente automatiquement annuler l’exécution si elle prend plus de temps que cette valeur.