AutoMLStep Osztály

Létrehoz egy Azure ML Pipeline-lépést, amely magában foglal egy automatizált ML-futtatásokat.

Az AutoMLStep használatára példát a jegyzetfüzetben https://aka.ms/pl-automltalál.

AutoMLStep inicializálása.

Öröklődés

PipelineStep

AutoMLStep

Konstruktor

AutoMLStep(name, automl_config, inputs=None, outputs=None, script_repl_params=None, allow_reuse=True, version=None, hash_paths=None, enable_default_model_output=True, enable_default_metrics_output=True, **kwargs)

Paraméterek

Name	Description
name Kötelező	str A lépés neve.
automl_config Kötelező	AutoMLConfig AutoMLConfig-objektum, amely meghatározza az AutoML-futtatás konfigurációját.
inputs	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] A bemenetiport-kötések listája. alapértelmezett érték: None
outputs	list[Union[PipelineData, OutputPortBinding]] A kimeneti portkötések listája. alapértelmezett érték: None
script_repl_params	dict A szkriptekben lecserélendő választható paraméterek, például {'param1': 'value1', 'param2': 'value2'}. alapértelmezett érték: None
allow_reuse	bool Azt jelzi, hogy a lépés újra felhasználja-e a korábbi eredményeket, amikor ugyanazokat a beállításokat használja újra. Az újrafelhasználás alapértelmezés szerint engedélyezve van. Ha a lépés tartalma (szkriptek/függőségek), valamint a bemenetek és paraméterek változatlanok maradnak, a lépés előző futtatásából származó kimenet újra felhasználva lesz. A lépés újbóli használata esetén a feladat számítási feladatként való elküldése helyett az előző futtatás eredményei azonnal elérhetővé válnak a további lépésekhez. Ha az Azure Machine Learning-adathalmazokat használja bemenetként, az újrafelhasználást az határozza meg, hogy az adathalmaz definíciója megváltozott-e, nem pedig az, hogy a mögöttes adatok megváltoztak-e. alapértelmezett érték: True
version	str A lépéshez hozzárendelendő verzió. alapértelmezett érték: None
hash_paths	list ELAVULT. A folyamatlépés tartalmának módosításakor a kivonathoz szükséges elérési utak listája. Alapértelmezés szerint a paraméter AutoMLConfig alatt lévő összes fájl kivonatolva van, kivéve az path .amlignore vagy .gitignore fájlokat a alattpath. Ha nem észlelhető változás, a folyamat újra felhasználja a lépés tartalmát egy korábbi futtatásból. alapértelmezett érték: None
enable_default_model_output	bool Azt jelzi, hogy a legjobb modell lesz-e hozzáadva alapértelmezett kimenetként. Ezzel lekérheti a legjobb modellt, miután a futtatás befejeződött az AutoMLStepRun osztály használatával. Vegye figyelembe, hogy ha az alapértelmezett modellkimenet nem szükséges, javasoljuk, hogy állítsa ezt a paramétert a értékre False. alapértelmezett érték: True
enable_default_metrics_output	bool Azt jelzi, hogy az összes gyermekfuttatási metrika alapértelmezett kimenetként lesz-e hozzáadva. Ezzel lekérheti a gyermekfuttatási metrikákat, miután a futtatás befejeződött az AutoMLStepRun osztály használatával. Vegye figyelembe, hogy ha az alapértelmezett metrikák kimenete nem szükséges, ajánlott ezt a paramétert a értékre Falseállítani. alapértelmezett érték: True
name Kötelező	str A lépés neve.
automl_config Kötelező	AutoMLConfig Az AutoML-futtatás konfigurációját meghatározó AutoMLConfig.
inputs Kötelező	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] A bemenetiport-kötések listája.
outputs Kötelező	list[Union[PipelineData, OutputPortBinding]] A kimeneti portkötések listája.
script_repl_params Kötelező	dict A szkriptekben lecserélendő választható paraméterek, például {'param1': 'value1', 'param2': 'value2'}.
script_repl_params Kötelező	A szkriptekben lecserélendő választható paraméterek.
allow_reuse Kötelező	bool Azt jelzi, hogy a lépés újra felhasználja-e a korábbi eredményeket, amikor ugyanazokat a beállításokat használja újra. Az újrafelhasználás alapértelmezés szerint engedélyezve van. Ha a lépés tartalma (szkriptek/függőségek), valamint a bemenetek és paraméterek változatlanok maradnak, a lépés előző futtatásából származó kimenet újra felhasználva lesz. A lépés újbóli használata esetén a feladat számítási feladatként való elküldése helyett az előző futtatás eredményei azonnal elérhetővé válnak a további lépésekhez. Ha az Azure Machine Learning-adathalmazokat használja bemenetként, az újrafelhasználást az határozza meg, hogy az adathalmaz definíciója megváltozott-e, nem pedig az, hogy a mögöttes adatok megváltoztak-e.
version Kötelező	str A lépéshez hozzárendelendő verzió.
hash_paths Kötelező	list ELAVULT. A folyamatlépés tartalmának módosításakor a kivonathoz szükséges elérési utak listája. Alapértelmezés szerint a paraméter AutoMLConfig alatt lévő összes fájl kivonatolva van, kivéve az path .amlignore vagy .gitignore fájlokat a alattpath. Ha nem észlelhető változás, a folyamat újra felhasználja a lépés tartalmát egy korábbi futtatásból.
enable_default_model_output Kötelező	bool Azt jelzi, hogy a legjobb modell lesz-e hozzáadva alapértelmezett kimenetként. Ezzel lekérheti a legjobb modellt, miután a futtatás befejeződött az AutoMLStepRun osztály használatával. Vegye figyelembe, hogy ha az alapértelmezett modellkimenet nem szükséges, javasoljuk, hogy állítsa ezt a paramétert a értékre False.
enable_default_metrics_output Kötelező	bool Azt jelzi, hogy az összes gyermekfuttatási metrika alapértelmezett kimenetként lesz-e hozzáadva. Ezzel lekérheti a gyermekfuttatási metrikákat, miután a futtatás befejeződött az AutoMLStepRun osztály használatával. Vegye figyelembe, hogy ha az alapértelmezett metrikák kimenete nem szükséges, ajánlott ezt a paramétert a értékre Falseállítani.

Megjegyzések

Az AutoMLStep osztályban futtathatja az automatizált gépi tanulási munkafolyamatot egy Azure Machine Learning-folyamatban. A folyamatok olyan előnyöket biztosítanak, mint az megismételhetőség, a felügyelet nélküli futtatások, a verziószámozás és a nyomon követés, valamint a modularitás az automatizált ml-munkafolyamat számára. További információ: Mik azok az Azure Machine Learning-folyamatok?.

Ha az automatizált gépi tanulási munkafolyamat folyamatban van, ütemezheti, hogy a folyamat időalapú vagy változásalapú ütemezés szerint fusson. Az időalapú ütemezések olyan rutinfeladatok esetén hasznosak, mint az adateltolódás figyelése, míg a változásalapú ütemezések hasznosak a szabálytalan vagy kiszámíthatatlan változásokhoz, például az adatváltozásokhoz. Előfordulhat például, hogy az ütemezés lekérdez egy blobtárolót, ahol az adatok feltöltése történik, majd az adatok változása esetén futtassa újra a folyamatot, majd a futtatás befejezése után regisztrálja a modell új verzióját. További információ: Gépi tanulási folyamatok ütemezése és Machine Learning-folyamat futtatásának aktiválása logikai alkalmazásból.

Az alábbi példa bemutatja, hogyan hozhat létre AutoMLStepet.

   automl_step = AutoMLStep(
       name='automl_module',
       automl_config=automl_config,
       outputs=[metrics_data, model_data],
       allow_reuse=True)

A teljes minta a következő forrásból érhető el: https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb

Az alábbi példa bemutatja, hogyan használhatja az AutoMLStep objektumot egy Pipelinealkalmazásban.

   from azureml.pipeline.core import Pipeline
   pipeline = Pipeline(
       description="pipeline_with_automlstep",
       workspace=ws,
       steps=[automl_step])

A teljes minta a következő forrásból érhető el: https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb

A fenti példa a folyamat egy lépését mutatja be. Ha azonban az AutoMLStep-et egy valós, automatizált ml-munkafolyamatban használja, legalább egy folyamatlépéssel rendelkezik, amely elvégzi az adatok előkészítését az AutoMLStep előtt, és egy másik folyamatlépéssel, miután regisztrálja a modellt. Ilyen típusú munkafolyamatot például a jegyzetfüzetben https://aka.ms/automl-retrain-pipelinetalál.

Az osztály használatával kezelheti, ellenőrizheti az állapotot, és lekérheti a futtatási adatokat a AutoMLStepRun folyamatfuttatásból.

Az azure-beli automatizált gépi tanulásról további információt az Mi az automatizált gépi tanulás? című cikkben talál. Az automatizált gépi tanulási kísérletek folyamat nélküli beállításáról további információt az Automatizált gépi tanulási kísérlet konfigurálása Pythonban című cikkben talál.

Metódusok

create_node

Hozzon létre egy csomópontot ebből az AutoML-lépésből, és adja hozzá az adott gráfhoz. Ez a módszer nem használható közvetlenül. Ha ezzel a lépéssel példányosít egy folyamatot, az Azure ML automatikusan átadja a szükséges paramétereket ezen a módszeren keresztül, így a lépés hozzáadható a munkafolyamatot képviselő folyamatgráfhoz.

create_node

Hozzon létre egy csomópontot ebből az AutoML-lépésből, és adja hozzá az adott gráfhoz.

Ez a módszer nem használható közvetlenül. Ha ezzel a lépéssel példányosít egy folyamatot, az Azure ML automatikusan átadja a szükséges paramétereket ezen a módszeren keresztül, így a lépés hozzáadható a munkafolyamatot képviselő folyamatgráfhoz.

create_node(graph, default_datastore, context)

Paraméterek

Name	Description
graph Kötelező	Graph A csomópont hozzáadásához a gráfobjektum.
default_datastore Kötelező	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Az alapértelmezett adattár.
context Kötelező	<xref:azureml.pipeline.core._GraphContext> A gráfkörnyezet.

Válaszok

Típus	Description
Node	A létrehozott csomópont.

Attribútumok

AUTOML_CONFIG_PARAM_NAME

AUTOML_CONFIG_PARAM_NAME = 'AutoMLConfig'

DEFAULT_METRIC_PREFIX

DEFAULT_METRIC_PREFIX = 'default_metrics_'

DEFAULT_MODEL_PREFIX

DEFAULT_MODEL_PREFIX = 'default_model_'