estimator Paquet
Contient les classes d’estimateur de base et la classe d’estimateur générique dans Azure Machine Learning.
Classes
Estimator |
Représente un estimateur générique pour la formation des données à l’aide de n’importe quelle infrastructure fournie. DÉPRÉCIÉ. Utilisez l’objet ScriptRunConfig avec votre propre environnement défini ou un environnement Azure ML organisé. Pour une introduction à la configuration des exécutions d’expérimentation avec ScriptRunConfig, consultez Configurer et envoyer des exécutions de formation. Cette classe est conçue pour être utilisée avec les infrastructures Machine Learning qui ne disposent pas déjà d’un estimateur préconfiguré Azure Machine Learning. Il existe des estimateurs préconfigurés pour Chainer, PyTorch, TensorFlow et SKLearn. Pour créer un estimateur qui n’est pas préconfiguré, consultez Former des modèles avec Azure Machine Learning à l’aide d’un estimateur. La classe Estimateur enveloppe les informations de configuration de l’exécution pour simplifier les tâches de spécification du mode d’exécution d’un script. Elle prend en charge l’exécution à nœud unique et à plusieurs nœuds. L’exécution de l’estimateur produit un modèle dans le répertoire de sortie spécifié dans votre script de formation. Initialisez l’estimateur. azureml.core.environment._DEFAULT_SHM_SIZE est utilisé. Pour plus d’informations, consultez Informations de référence sur l’exécution de 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. |
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 Classe pour la gestion des paramètres Gloo pour les travaux. |
MMLBaseEstimator |
Classe de base abstraite pour tous les estimateurs. DÉPRÉCIÉ. Utilisez l’objet ScriptRunConfig avec votre propre environnement défini ou un environnement Azure ML organisé. Initialiser les propriétés communes à tous les estimateurs. |
MMLBaseEstimatorRunConfig |
Classe de base abstraite pour toutes les configurations d’exécution de l’estimateur. DÉPRÉCIÉ. Utilise la classe RunConfiguration. Initialisez le MMLBaseEstimatorRunConfig. |
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 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 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. |
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