ScriptRunConfig Osztály

A betanítás Azure Machine Learningban való elküldéséhez szükséges konfigurációs adatokat jelöli.

A ScriptRunConfig a Futtatás Azure ML-ben való elküldéséhez szükséges konfigurációs adatokat, például a parancsfájlt, a számítási célt, a környezetet és az elosztott feladatra vonatkozó konfigurációkat.

Ha a parancsfájl futtatása be van állítva, és a következővel van elküldve submit , a ScriptRun visszaadja a értéket.

Öröklődés
azureml._logging.chained_identity.ChainedIdentity
ScriptRunConfig

Konstruktor

ScriptRunConfig(source_directory, script=None, arguments=None, run_config=None, _telemetry_values=None, compute_target=None, environment=None, distributed_job_config=None, resume_from=None, max_run_duration_seconds=2592000, command=None, docker_runtime_config=None)

Paraméterek

source_directory
str

Egy helyi könyvtár, amely egy futtatáshoz szükséges programkódokat tartalmaz.

script
str

A fájl elérési útja a futtatandó parancsfájl source_directory viszonyítva.

arguments
list vagy str

Nem kötelező parancssori argumentumok, amelyek átadhatók a betanítási parancsfájlnak. Az argumentumok párokban lesznek átadva, például: ['--arg1 ', arg1_val, '--Arg2 ', arg2_val].

run_config
RunConfiguration

A használható futtatási konfiguráció nem kötelező.

_telemetry_values
dict

Csak belső használatra.

compute_target
AbstractComputeTarget vagy str

Az a számítási cél, amelyben a képzés történik. Ez lehet egy ComputeTarget objektum, egy meglévő ComputeTarget neve vagy a "local" karakterlánc. Ha nincs megadva számítási cél, a rendszer a helyi gépet fogja használni.

environment
Környezet

A futtatáshoz használandó környezet. Ha nincs megadva környezet, azureml.core.runconfig.DEFAULT_CPU_IMAGE a rendszer Docker-rendszerképként fogja használni a futtatáshoz.

distributed_job_config
<xref:azureml.core.runconfig.TensorflowConfiguration,azureml.core.runconfig.MpiConfiguration,> vagy PyTorchConfiguration

További elosztott, feladat-specifikus konfigurációkat igénylő feladatok esetén.

resume_from
DataPath

Az ellenőrzőpontot vagy a DataPath tartalmazó fájl, amelyből a kísérletet folytatni kívánja.

max_run_duration_seconds

A futtatáshoz engedélyezett maximális idő. A rendszer megkísérli automatikusan megszakítani a futtatást, ha az adott értéknél hosszabb időt vett igénybe. : típus max_run_duration_seconds: int

command
list[str] vagy str

A futtatáshoz elküldeni kívánt parancs. Parancsfájl/argumentumok helyett a Command tulajdonság is használható. A parancs és a parancsfájl/argumentum tulajdonságok nem használhatók együtt a Futtatás elküldéséhez. Parancsfájl küldése a (z) [' Python ', ' train.py ', '--arg1 ', arg1_val] parancs használatával a tényleges parancs futtatásához – ["ls"]

docker_runtime_config
DockerConfiguration

A Docker futtatókörnyezet-specifikus konfigurációit igénylő feladatok esetén.

Megjegyzések

A Azure Machine Learning SDK több összekapcsolt osztályt biztosít, amelyek célja, hogy segítséget nyújtson az olyan gépi tanulási modellek betanításához és összehasonlításához, amelyek a megoldásban érintett megosztott problémákkal kapcsolatosak.

A Experiment betanítási folyamatokban logikai tárolóként működik. A ScriptRunConfig objektum használatával konfigurálhatja a betanítási futtatáshoz szükséges információkat a kísérlet részeként. Ha egy ScriptRunConfig objektummal küldi el a futtatást, a Submit metódus egy típusú objektumot ad vissza ScriptRun . Ezután a visszaadott ScriptRun objektum programozott hozzáférést biztosít a betanítási futtatással kapcsolatos információkhoz. A ScriptRun a gyermek osztálya Run .

A legfontosabb elképzelés az, hogy a kísérlet elküldéséhez különböző konfigurációs objektumok vannak használatban, amelyek alapján az elindítható futtatási típust kell használni. A konfigurációs objektum típusa ezután tájékoztatja arról, hogy a futtatási módszerből milyen gyermek osztály fut vissza. Ha egy ScriptRunConfig-objektumot ad át a kísérlet beküldési metódusának hívását, egy ScriptRun objektumot kap vissza. Példák a visszaadott más futtatási objektumokra AutoMLRun (AutoML-futtatásra visszaadott) és PipelineRun (a folyamat futtatásához visszaadott).

Az alábbi példa bemutatja, hogyan küldhet be egy képzési parancsfájlt a helyi gépre.


   from azureml.core import ScriptRunConfig, Experiment

   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            script='train.py',
                            arguments=['--arg1', arg1_val, '--arg2', arg2_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Az alábbi példa azt mutatja be, hogyan küldhet be egy betanítási parancsfájlt a fürtön a parancsfájl és argumentumok helyett a Command tulajdonság használatával.


   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['python', 'train.py', '--arg1', arg1_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Az alábbi példa bemutatja, hogyan futtathat parancsokat a fürtön.


   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['ls', '-l'],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

További példákat a ScriptRunConfig használatáról a következő témakörben talál:

Attribútumok

MAX_DURATION_SECONDS_DEFAULT

MAX_DURATION_SECONDS_DEFAULT = 2592000