Run Kelas
Menentukan kelas dasar untuk semua eksperimen Azure Machine Learning yang dijalankan.
Eksekusi mewakili satu percobaan sebuah eksperimen. Eksekusi digunakan untuk memantau eksekusi asinkron percobaan, metrik log dan menyimpan output percobaan, dan untuk menganalisis hasil serta mengakses artefak yang dihasilkan oleh percobaan.
Objek eksekusi dibuat saat Anda mengirimkan skrip untuk melatih model dalam berbagai skenario dalam Azure Machine Learning, termasuk eksekusi HyperDrive, eksekusi Alur, dan eksekusi AutoML. Objek Eksekusi juga dibuat saat Anda submit atau start_logging dengan kelas Experiment.
Untuk memulai eksperimen dan eksekusi, lihat
Menginisialisasi objek Jalankan.
- Warisan
-
azureml._run_impl.run_base._RunBaseRun
Konstruktor
Run(experiment, run_id, outputs=None, **kwargs)Parameter
- _run_dto
- <xref:azureml._restclient.models.run_dto.RunDto>
Penggunaan internal saja.
Keterangan
Eksekusi mewakili satu percobaan sebuah eksperimen. Objek Eksekusi digunakan untuk memantau eksekusi asinkron percobaan, metrik log dan menyimpan output percobaan, dan untuk menganalisis hasil dan mengakses artefak yang dihasilkan oleh percobaan.
Run digunakan di dalam kode percobaan Anda untuk mencatat metrik dan artefak ke layanan Riwayat Eksekusi.
Run digunakan di luar percobaan Anda untuk memantau kemajuan dan untuk mengkueri dan menganalisis metrik dan hasil yang dihasilkan.
Fungsionalitas Eksekusi meliputi:
Menyimpan dan mengambil metrik dan data
Mengunggah dan mengunduh file
Menggunakan tag serta hierarki turunan untuk memudahkan pencarian eksekusi di masa lalu
Mendaftarkan file model yang tersimpan sebagai model yang dapat dioperasionalkan
Menyimpan, memodifikasi, dan mengambil properti eksekusi
Memuat eksekusi saat ini dari lingkungan jarak jauh dengan metode get_context
Snapshot file atau direktori secara efisien untuk reproduktivitas
Kelas ini bekerja dengan Experiment dalam skenario ini:
Membuat eksekusi dengan mengeksekusi kode menggunakan submit
Membuat eksekusi secara interaktif di buku catatan menggunakan start_logging
Pengelogan metrik dan mengunggah artefak dalam percobaan Anda, seperti saat menggunakan log
Membaca metrik dan mengunduh artefak saat menganalisis hasil percobaan, seperti saat menggunakan get_metrics
Untuk mengirimkan eksekusi, buat objek konfigurasi yang menjelaskan cara percobaan dijalankan. Berikut adalah contoh dari berbagai objek konfigurasi yang dapat Anda gunakan:
azureml.train.automl.automlconfig.AutoMLConfig
azureml.train.hyperdrive.HyperDriveConfig
azureml.pipeline.core.Pipeline
azureml.pipeline.core.PublishedPipeline
azureml.pipeline.core.PipelineEndpoint
Metrik berikut dapat ditambahkan ke eksekusi saat melatih eksperimen.
Skalar
Catat nilai numerik atau string ke eksekusi dengan nama yang diberikan menggunakan log. Pengelogan metrik ke eksekusi menyebabkan metrik tersebut disimpan ke dalam rekaman eksekusi dalam percobaan. Anda dapat mencatat metrik yang sama beberapa kali dalam sebuah eksekusi, hasilnya dianggap sebagai vektor metrik tersebut.
Contoh:
run.log("accuracy", 0.95)
Daftar
Catat daftar nilai metrik ke eksekusi dengan nama yang diberikan menggunakan log_list.
Contoh:
run.log_list("accuracies", [0.6, 0.7, 0.87])
Baris
Menggunakan log_row membuat metrik dengan beberapa kolom, seperti yang dijelaskan dalam
kwargs. Setiap parameter bernama menghasilkan kolom dengan nilai yang ditentukan.log_rowdapat dipanggil sekali untuk mencatat tupel arbitrer, atau beberapa kali dalam perulangan untuk menghasilkan tabel yang lengkap.Contoh:
run.log_row("Y over X", x=1, y=0.4)
Tabel
Catat objek kamus ke eksekusi dengan nama yang diberikan menggunakan log_table.
Contoh:
run.log_table("Y over X", {"x":[1, 2, 3], "y":[0.6, 0.7, 0.89]})
Gambar
Log citra ke rekaman eksekusi. Gunakan log_image untuk mencatat file citra atau plot matplotlib ke eksekusi. Gambar ini akan terlihat dan dapat dibandingkan di rekaman eksekusi.
Contoh:
run.log_image("ROC", path)
Metode
| add_properties |
Tambahkan properti yang bersifat abadi ke eksekusi. Tag dan properti (kedua dict[str, str]) berbeda dalam kemampuan perubahannya. Properti tidak dapat diubah, sehingga properti membuat catatan permanen untuk tujuan audit. Tag dapat diubah. Untuk informasi selengkapnya tentang menggunakan tag dan properti, lihat Memberi tag dan menemukan eksekusi. |
| add_type_provider |
Kait ekstensibilitas untuk jenis Eksekusi kustom yang disimpan dalam Riwayat Eksekusi. |
| cancel |
Tandai eksekusi sebagai dibatalkan. Jika ada pekerjaan yang terkait dengan kumpulan bidang cancel_uri, akhiri pekerjaan itu juga. |
| child_run |
Buat eksekusi turunan. |
| clean |
Hapus file yang berhubungan dengan eksekusi saat ini pada target yang ditentukan dalam konfigurasi eksekusi. |
| complete |
Tunggu antrean tugas selesai diproses. Eksekusi kemudian ditandai sebagai selesai. Ini biasanya digunakan dalam skenario notebook interaktif. |
| create_children |
Buat satu atau banyak eksekusi turunan. |
| download_file |
Unduh file terkait dari penyimpanan. |
| download_files |
Unduh file dari prefiks penyimpanan tertentu (nama folder) atau seluruh kontainer jika awalan tidak ditentukan. |
| fail |
Tandai eksekusi sebagai gagal. Secara opsional set properti Kesalahan dari eksekusi dengan pesan, atau pengecualian diteruskan ke |
| flush |
Tunggu antrean tugas selesai diproses. |
| get |
Dapatkan eksekusi untuk ruang kerja ini beserta ID eksekusinya. |
| get_all_logs |
Unduh semua log untuk eksekusi ke direktori. |
| get_children |
Dapatkan semua turunan untuk eksekusi yang saat ini dipilih oleh filter yang ditentukan. |
| get_context |
Kembalikan konteks layanan saat ini. Gunakan metode ini untuk mengambil konteks layanan saat ini untuk pengelogan metrik dan mengunggah file. Jika |
| get_detailed_status |
Ambil status terbaru dari eksekusi. Jika status eksekusi adalah "Diantrekan", status eksekusi akan menampilkan detailnya. |
| get_details |
Dapatkan definisi, informasi status, file log saat ini, dan detail lain dari eksekusi. |
| get_details_with_logs |
Kembalikan status eksekusi termasuk konten file log. |
| get_environment |
Dapatkan definisi lingkungan yang digunakan oleh eksekusi ini. |
| get_file_names |
Daftarkan file yang disimpan dalam kaitannya dengan eksekusi. |
| get_metrics |
Ambil metrik yang dicatat ke eksekusi. Jika |
| get_properties |
Ambil properti terbaru eksekusi dari layanan. |
| get_secret |
Dapatkan nilai rahasia dari konteks eksekusi. Dapatkan nilai rahasia untuk nama yang disediakan. Nama rahasia mereferensikan nilai yang disimpan di Azure Key Vault yang berkaitan dengan ruang kerja Anda. Untuk contoh menggunakan rahasia, lihat Menggunakan rahasia dalam pelatihan eksekusi. |
| get_secrets |
Dapatkan nilai rahasia untuk daftar nama rahasia yang tertentu. Dapatkan kamus rahasia yang ditemukan dan tidak ditemukan untuk daftar nama yang disediakan. Setiap nama rahasia mereferensikan nilai yang disimpan di Azure Key Vault yang berkaitan dengan ruang kerja Anda. Untuk contoh menggunakan rahasia, lihat Menggunakan rahasia dalam pelatihan eksekusi. |
| get_snapshot_id |
Dapatkan ID snapshot terbaru. |
| get_status |
Ambil status terbaru dari eksekusi. Nilai umum yang dikembalikan termasuk "Berjalan", "Selesai", dan "Gagal". |
| get_submitted_run |
TIDAK DIGUNAKAN LAGI. Gunakan get_context. Dapatkan eksekusi yang dikirimkan untuk percobaan ini. |
| get_tags |
Ambil kumpulan tag abadi terbaru pada eksekusi dari layanan. |
| list |
Dapatkan daftar eksekusi dalam percobaan yang ditentukan oleh filter opsional. |
| list_by_compute |
Dapatkan daftar eksekusi dalam komputasi yang ditentukan oleh filter opsional. |
| log |
Catat nilai metrik ke eksekusi dengan nama yang ditentukan. |
| log_accuracy_table |
Catat tabel akurasi ke toko artefak. Metrik tabel akurasi adalah metrik multiguna non-skalar yang dapat digunakan untuk menghasilkan beberapa jenis diagram garis yang bervariasi secara berkelanjutan melebihi ruang probabilitas terprediksi. Contoh dari bagan ini adalah ROC, pengenalan-presisi, dan kurva pengangkatan. Kalkulasi tabel akurasi mirip dengan kalkulasi kurva ROC. Kurva ROC menyimpan tingkat positif true dan tingkat positif false pada banyak ambang peluang yang berbeda. Tabel akurasi menyimpan jumlah mentah positif true, positif false, negatif true, dan negatif false pada banyak ambang peluang. Ada dua metode yang digunakan untuk memilih ambang: "peluang" dan "persentil." Keduanya berbeda dalam cara mereka mengambil sampel dari ruang probabilitas terprediksi. Ambang peluang adalah ambang berjarak seragam antara 0 dan 1. Jika NUM_POINTS adalah 5 ambang peluang akan menjadi [0.0, 0.25, 0.5, 0.75, 1.0]. Ambang persentil diberi jarak sesuai dengan distribusi probabilitas terprediksi. Setiap ambang sesuai dengan persentil data pada ambang peluang. Sebagai contoh, jika NUM_POINTS adalah 5, maka ambang pertama akan berada pada persentil ke-0, yang kedua pada persentil ke-25, yang ketiga pada ke-50, dan seterusnya. Tabel peluang dan tabel persentil adalah daftar 3D tempat dimensi pertamanya mewakili label kelas, dimensi kedua mewakili sampel pada satu ambang (skala dengan NUM_POINTS), dan dimensi ketiga selalu memiliki 4 nilai: TP, FP, TN, FN, dan selalu dalam urutan tersebut. Nilai kebingungan (TP, FP, TN, FN) dikomputasi dengan strategi one vs. rest. Lihat link berikut untuk detail selengkapnya: https://en.wikipedia.org/wiki/Multiclass_classification N = # sampel dalam himpunan data validasi (200 dalam contoh) M = # ambang = # sampel yang diambil dari ruang peluang (5 dalam contoh) C = # kelas dalam himpunan data penuh (3 dalam contoh) Beberapa invarian tabel akurasi:
Catatan: M dapat berupa nilai apa pun dan mengontrol resolusi bagan Ini bersifat independen dari himpunan data, ditentukan saat kalkulasi metrik, dan memperdagangkan ruang penyimpanan, waktu komputasi, dan resolusi. Label kelas harus berupa untai (karakter), nilai kebingungan harus bilangan bulat, dan ambang harus float. |
| log_confusion_matrix |
Catat matriks kebingungan ke toko artefak. Ini mencatat wrapper di sekitar matriks kebingungan sklearn. Data metrik mengandung label kelas dan daftar 2D untuk matriks itu sendiri. Lihat link berikut untuk detail selengkapnya tentang cara metrik dikomputasikan: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html |
| log_image |
Catat metrik gambar ke rekaman eksekusi. |
| log_list |
Catat daftar nilai metrik ke eksekusi dengan nama yang diberikan. |
| log_predictions |
Mencatat prediksi ke toko artefak. Ini mencatat skor metrik yang dapat digunakan untuk membandingkan distribusi nilai target true dengan distribusi nilai terprediksi untuk tugas regresi. Prediksi dikkumpulkan dan simpangan baku dikalkulasi untuk bilah kesalahan pada diagram garis. |
| log_residuals |
Catat residu ke toko artefak. Ini mencatat data yang diperlukan untuk menampilkan histogram dari residu untuk tugas regresi. Residu terprediksi - aktual. Seharusnya terdapat satu lagi tepi daripada jumlah hitungan. Silakan lihat dokumentasi histogram numpy untuk contoh penggunaan hitungan dan tepi untuk mewakili histogram. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html |
| log_row |
Catat metrik baris ke eksekusi dengan nama yang diberikan. |
| log_table |
Catat metrik tabel ke eksekusi dengan nama yang diberikan. |
| register_model |
Daftarkan model untuk operasionalisasi. |
| remove_tags |
Hapus daftar tag yang dapat diubah pada eksekusi ini. |
| restore_snapshot |
Pulihkan snapshot sebagai file ZIP. Mengembalikan jalur ke ZIP. |
| set_tags |
Menambahkan atau memodifikasi satu set tag ke eksekusi. Tag yang tidak diteruskan dalam kamus tidak akan tersentuh. Anda juga dapat menambahkan tag string sederhana. Ketika tag ini muncul di kamus tag sebagai kunci, tag tersebut memiliki nilai Tidak Ada. Untuk informasi selengkapnya, lihat Memberi tag dan menemukan eksekusi. |
| start |
Tandai eksekusi sebagai dimulai. Ini biasanya digunakan dalam skenario lanjutan, ketika eksekusi telah dibuat oleh pelaku lain. |
| submit_child |
Kirimkan percobaan dan kembalikan eksekusi turunan yang aktif. |
| tag |
Tag eksekusi dengan kunci string, dan nilai string opsional. |
| take_snapshot |
Menyimpan snapshot dari file input atau folder. |
| upload_file |
Unggah file ke catatan eksekusi. |
| upload_files |
Unggah file ke rekaman eksekusi. |
| upload_folder |
Unggah folder yang ditentukan ke nama prefiks yang diberikan. |
| wait_for_completion |
Tunggu sampai eksekusi ini selesai. Menampilkan objek status setelah menunggu. |
add_properties
Tambahkan properti yang bersifat abadi ke eksekusi.
Tag dan properti (kedua dict[str, str]) berbeda dalam kemampuan perubahannya. Properti tidak dapat diubah, sehingga properti membuat catatan permanen untuk tujuan audit. Tag dapat diubah. Untuk informasi selengkapnya tentang menggunakan tag dan properti, lihat Memberi tag dan menemukan eksekusi.
add_properties(properties)Parameter
add_type_provider
Kait ekstensibilitas untuk jenis Eksekusi kustom yang disimpan dalam Riwayat Eksekusi.
static add_type_provider(runtype, run_factory)Parameter
- runtype
- str
Nilai Run.type yang pabriknya akan digunakan. Contohnya termasuk 'hyperdrive' atau 'azureml.scriptrun', tetapi dapat diperluas dengan jenis kustom.
- run_factory
- <xref:function>
Fungsi dengan tanda tangan (Percobaan, RunDto) -> Eksekusi untuk digunakan saat mendaftar eksekusi.
cancel
Tandai eksekusi sebagai dibatalkan.
Jika ada pekerjaan yang terkait dengan kumpulan bidang cancel_uri, akhiri pekerjaan itu juga.
cancel()child_run
Buat eksekusi turunan.
child_run(name=None, run_id=None, outputs=None)Parameter
- name
- str
Nama opsional untuk turunan eksekusi, biasanya ditentukan untuk "bagian".
- run_id
- str
ID eksekusi opsional untuk turunan, jika tidak maka akan dibuat secara otomatis. Biasanya parameter ini tidak disetel.
Mengembalikan
Eksekusi turunan.
Tipe hasil
Keterangan
Ini digunakan untuk mengisolasi bagian dari eksekusi ke dalam subbagian. Ini dapat dilakukan untuk "bagian" yang dapat diidentifikasi dari eksekusi yang menarik untuk dipisahkan, atau untuk menangkap metrik independen di seluruh interasi subproses.
Jika direktori output disetel untuk eksekusi turunan, konten direktori tersebut akan diunggah ke rekaman eksekusi turunan saat turunan selesai.
clean
Hapus file yang berhubungan dengan eksekusi saat ini pada target yang ditentukan dalam konfigurasi eksekusi.
clean()Mengembalikan
Daftar file yang dihapus.
Tipe hasil
complete
Tunggu antrean tugas selesai diproses.
Eksekusi kemudian ditandai sebagai selesai. Ini biasanya digunakan dalam skenario notebook interaktif.
complete(_set_status=True)Parameter
- _set_status
- bool
Menunjukkan apakah akan mengirim peristiwa status untuk pelacakan.
create_children
Buat satu atau banyak eksekusi turunan.
create_children(count=None, tag_key=None, tag_values=None)Parameter
- tag_key
- str
Kunci opsional untuk mengisi entri Tag di semua turunan yang dibuat.
- tag_Values
Daftar opsional nilai yang akan memetakan ke Tag[tag_key] untuk daftar eksekusi yang dibuat.
- tag_values
Mengembalikan
Daftar eksekusi turunan.
Tipe hasil
Keterangan
Baik parameter count ATAU parameter tag_key DAN tag_values harus ditentukan.
download_file
Unduh file terkait dari penyimpanan.
download_file(name, output_file_path=None, _validate_checksum=False)Parameter
download_files
Unduh file dari prefiks penyimpanan tertentu (nama folder) atau seluruh kontainer jika awalan tidak ditentukan.
download_files(prefix=None, output_directory=None, output_paths=None, batch_size=100, append_prefix=True, timeout_seconds=None)Parameter
- output_directory
- str
Direktori opsional yang digunakan semua jalur artefak sebagai prefiks.
- output_paths
- [str]
Filepath opsional tempat menyimpan artefak yang diunduh. Harus unik dan cocok dengan panjang jalur.
- append_prefix
- bool
Bendera opsional apakah akan menambahkan prefiks yang ditentukan dari jalur file output akhir. Jika False, maka prefiks dihapus dari jalur file output.
fail
Tandai eksekusi sebagai gagal.
Secara opsional set properti Kesalahan dari eksekusi dengan pesan, atau pengecualian diteruskan ke error_details.
fail(error_details=None, error_code=None, _set_status=True)Parameter
- error_code
- str
Kode kesalahan opsional dari kesalahan untuk klasifikasi kesalahan.
- _set_status
- bool
Menunjukkan apakah akan mengirim peristiwa status untuk pelacakan.
flush
Tunggu antrean tugas selesai diproses.
flush(timeout_seconds=300)Parameter
- timeout_seconds
- int
Berapa lama waktu tunggu (dalam hitungan detik) untuk memproses antrean tugas.
get
Dapatkan eksekusi untuk ruang kerja ini beserta ID eksekusinya.
static get(workspace, run_id)Parameter
Mengembalikan
Eksekusi yang dikirim.
Tipe hasil
get_all_logs
Unduh semua log untuk eksekusi ke direktori.
get_all_logs(destination=None)Parameter
- destination
- str
Jalur tujuan untuk menyimpan log. Jika tidak ditentukan, direktori bernama ID eksekusi dibuat di direktori proyek.
Mengembalikan
Daftar nama log yang diunduh.
Tipe hasil
get_children
Dapatkan semua turunan untuk eksekusi yang saat ini dipilih oleh filter yang ditentukan.
get_children(recursive=False, tags=None, properties=None, type=None, status=None, _rehydrate_runs=True)Parameter
Jika ditentukan, mengembalikan eksekusi yang cocok dengan "tag" atau {"tag": "value"} yang ditentukan.
Jika ditentukan, mengembalikan eksekusi yang cocok dengan "property" atau {"property": "value"} yang ditentukan.
- status
- str
Jika ditentukan, mengembalikan eksekusi dengan status "status" yang ditentukan.
- _rehydrate_runs
- bool
Menunjukkan apakah mengeksekusi secara instans dari jenis asli, atau Eksekusi dasar.
Mengembalikan
Daftar objek Run.
Tipe hasil
get_context
Kembalikan konteks layanan saat ini.
Gunakan metode ini untuk mengambil konteks layanan saat ini untuk pengelogan metrik dan mengunggah file. Jika allow_offline True (default), tindakan terhadap objek Eksekusi akan dicetak untuk menstandarkan.
get_context(allow_offline=True, used_for_context_manager=False, **kwargs)Parameter
- cls
Menunjukkan metode kelas.
- allow_offline
- bool
Mengizinkan konteks layanan kembali ke mode offline sehingga skrip pelatihan dapat diuji secara lokal tanpa mengirimkan pekerjaan dengan SDK. True secara default.
- used_for_context_manager
Mengembalikan
Eksekusi yang dikirim.
Tipe hasil
Keterangan
Fungsi ini secara umum digunakan untuk mengambil objek Eksekusi yang diautentikasi di dalam skrip yang akan dikirimkan untuk dieksekusi melalui experiment.submit(). Objek eksekusi ini adalah konteks yang diautentikasi untuk berkomunikasi dengan layanan Azure Machine Learning dan kontainer konseptual yang di dalamnya berisi metrik, file (artefak), dan model.
run = Run.get_context() # allow_offline=True by default, so can be run locally as well
...
run.log("Accuracy", 0.98)
run.log_row("Performance", epoch=e, error=err)
get_detailed_status
Ambil status terbaru dari eksekusi. Jika status eksekusi adalah "Diantrekan", status eksekusi akan menampilkan detailnya.
get_detailed_status()Mengembalikan
Status dan detail terbaru
Tipe hasil
Keterangan
status: Status eksekusi saat ini. Nilai yang sama dengan yang dikembalikan dari get_status().
detail: Informasi detail untuk status saat ini.
run = experiment.submit(config)
details = run.get_detailed_status()
# details = {
# 'status': 'Queued',
# 'details': 'Run requested 1 node(s). Run is in pending status.',
# }
get_details
Dapatkan definisi, informasi status, file log saat ini, dan detail lain dari eksekusi.
get_details()Mengembalikan
Menampilkan detail untuk eksekusi
Tipe hasil
Keterangan
Kamus yang dikembalikan berisi pasangan kunci-nilai berikut:
runId: ID eksekusi ini.
target
status: Status eksekusi saat ini. Nilai yang sama dengan yang dikembalikan dari get_status().
startTimeUtc: Waktu UTC saat eksekusi ini dimulai, di ISO8601.
endTimeUtc: Waktu UTC saat eksekusi ini selesai (baik Selesai atau Gagal), di ISO8601.
Kunci ini tidak ada jika eksekusi masih berlangsung.
properties: Pasangan kunci-nilai abadi yang berkaitan dengan eksekusi. Properti default termasuk ID snapshot eksekusi dan informasi tentang repositori git tempat eksekusi dibuat (jika ada). Properti tambahan dapat ditambahkan ke eksekusi menggunakan add_properties.
inputDatasets: Himpunan data input yang berhubungan dengan eksekusi.
outputDatasets: Himpunan data output yang berhubungan dengan eksekusi.
logFiles
submittedBy
run = experiment.start_logging()
details = run.get_details()
# details = {
# 'runId': '5c24aa28-6e4a-4572-96a0-fb522d26fe2d',
# 'target': 'sdk',
# 'status': 'Running',
# 'startTimeUtc': '2019-01-01T13:08:01.713777Z',
# 'endTimeUtc': '2019-01-01T17:15:65.986253Z',
# 'properties': {
# 'azureml.git.repository_uri': 'https://example.com/my/git/repo',
# 'azureml.git.branch': 'master',
# 'azureml.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
# 'azureml.git.dirty': 'True',
# 'mlflow.source.git.repoURL': 'https://example.com/my/git/repo',
# 'mlflow.source.git.branch': 'master',
# 'mlflow.source.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
# 'ContentSnapshotId': 'b4689489-ce2f-4db5-b6d7-6ad11e77079c'
# },
# 'inputDatasets': [{
# 'dataset': {'id': 'cdebf245-701d-4a68-8055-41f9cf44f298'},
# 'consumptionDetails': {
# 'type': 'RunInput',
# 'inputName': 'training-data',
# 'mechanism': 'Mount',
# 'pathOnCompute': '/mnt/datasets/train'
# }
# }],
# 'outputDatasets': [{
# 'dataset': {'id': 'd04e8a19-1caa-4b1f-b318-4cbff9af9615'},
# 'outputType': 'RunOutput',
# 'outputDetails': {
# 'outputName': 'training-result'
# }
# }],
# 'runDefinition': {},
# 'logFiles': {},
# 'submittedBy': 'Alan Turing'
# }
get_details_with_logs
Kembalikan status eksekusi termasuk konten file log.
get_details_with_logs()Mengembalikan
Mengembalikan status untuk eksekusi dengan konten file log.
Tipe hasil
get_environment
Dapatkan definisi lingkungan yang digunakan oleh eksekusi ini.
get_environment()Mengembalikan
Kembalikan objek lingkungan.
Tipe hasil
get_file_names
Daftarkan file yang disimpan dalam kaitannya dengan eksekusi.
get_file_names()Mengembalikan
Daftar jalur untuk artefak yang ada
Tipe hasil
get_metrics
Ambil metrik yang dicatat ke eksekusi.
Jika recursive True (False secara default), maka ambil metrik untuk eksekusi di substruktur pohon eksekusi yang diberikan.
get_metrics(name=None, recursive=False, run_type=None, populate=False)Parameter
- run_type
- str
- populate
- bool
Menunjukkan apakah akan mengambil konten data eksternal yang ditautkan ke metrik.
Mengembalikan
Kamus yang berisi metrik pengguna.
Tipe hasil
Keterangan
run = experiment.start_logging() # run id: 123
run.log("A", 1)
with run.child_run() as child: # run id: 456
child.log("A", 2)
metrics = run.get_metrics()
# metrics = { 'A': 1 }
metrics = run.get_metrics(recursive=True)
# metrics = { '123': { 'A': 1 }, '456': { 'A': 2 } } note key is runId
get_properties
Ambil properti terbaru eksekusi dari layanan.
get_properties()Mengembalikan
Properti eksekusi.
Tipe hasil
Keterangan
Properti adalah informasi abadi yang dihasilkan sistem, seperti durasi, tanggal eksekusi, pengguna, dan properti kustom yang ditambahkan dengan metode add_properties. Untuk informasi selengkapnya, lihat Memberi tag dan menemukan eksekusi.
Saat mengirimkan pekerjaan ke Azure Machine Learning, jika file sumber disimpan di repositori git lokal, informasi tentang repositori akan dilacak sebagai properti. Properti git ini ditambahkan saat membuat eksekusi atau memanggil Experiment.submit. Untuk informasi selengkapnya tentang properti git lihat Integrasi git untuk Azure Machine Learning.
get_secret
Dapatkan nilai rahasia dari konteks eksekusi.
Dapatkan nilai rahasia untuk nama yang disediakan. Nama rahasia mereferensikan nilai yang disimpan di Azure Key Vault yang berkaitan dengan ruang kerja Anda. Untuk contoh menggunakan rahasia, lihat Menggunakan rahasia dalam pelatihan eksekusi.
get_secret(name)Parameter
Mengembalikan
Nilai rahasia.
Tipe hasil
get_secrets
Dapatkan nilai rahasia untuk daftar nama rahasia yang tertentu.
Dapatkan kamus rahasia yang ditemukan dan tidak ditemukan untuk daftar nama yang disediakan. Setiap nama rahasia mereferensikan nilai yang disimpan di Azure Key Vault yang berkaitan dengan ruang kerja Anda. Untuk contoh menggunakan rahasia, lihat Menggunakan rahasia dalam pelatihan eksekusi.
get_secrets(secrets)Parameter
Mengembalikan
Mengembalikan kamus rahasia yang ditemukan dan tidak ditemukan.
Tipe hasil
get_snapshot_id
get_status
Ambil status terbaru dari eksekusi.
Nilai umum yang dikembalikan termasuk "Berjalan", "Selesai", dan "Gagal".
get_status()Mengembalikan
Status terbaru.
Tipe hasil
Keterangan
NotStarted - Ini adalah status sementara tempat objek Eksekusi sisi-klien berada sebelum pengiriman cloud.
Memulai - Eksekusi sudah mulai diproses di cloud. Penelepon memiliki ID eksekusi pada titik ini.
Memprovisikan - Dikembalikan saat komputasi sesuai permintaan sedang dibuat untuk pengiriman pekerjaan tertentu.
Mempersiapkan - Lingkungan eksekusi sedang dipersiapkan:
build citra docker
penyiapan lingkungan conda
Mengantre - Pekerjaan diantrekan di target komputasi. Misalnya, di BatchAI pekerjaan dalam kondisi mengantre
sambil menunggu semua node yang diminta siap.
Berjalan - Pekerjaan mulai berjalan di target komputasi.
Finalisasi - Kode pengguna telah selesai, dan eksekusi sedang dalam tahap pascapemrosesan.
CancelRequested - Pembatalan pekerjaan telah diminta.
Selesai - Eksekusi berhasil diselesaikan. Ini termasuk kode pengguna dan eksekusi
tahapan pascapemrosesan.
Gagal - Eksekusi gagal. Biasanya properti Kesalahan eksekusi akan menampilkan detail alasannya.
Dibatalkan - Mengikuti permintaan pembatalan dan menunjukkan bahwa eksekusi berhasil dibatalkan.
NotResponding - Untuk eksekusi yang mengaktifkan Heartbeats, tidak ada heartbeat yang baru dikirim.
run = experiment.submit(config)
while run.get_status() not in ['Completed', 'Failed']: # For example purposes only, not exhaustive
print('Run {} not in terminal state'.format(run.id))
time.sleep(10)
get_submitted_run
TIDAK DIGUNAKAN LAGI. Gunakan get_context.
Dapatkan eksekusi yang dikirimkan untuk percobaan ini.
get_submitted_run(**kwargs)Mengembalikan
Eksekusi yang dikirim.
Tipe hasil
get_tags
Ambil kumpulan tag abadi terbaru pada eksekusi dari layanan.
get_tags()Mengembalikan
Tag yang disimpan pada objek eksekusi.
Tipe hasil
list
Dapatkan daftar eksekusi dalam percobaan yang ditentukan oleh filter opsional.
static list(experiment, type=None, tags=None, properties=None, status=None, include_children=False, _rehydrate_runs=True)Parameter
- type
- str
Jika ditentukan, mengembalikan eksekusi yang cocok dengan jenis yang ditentukan.
Jika ditentukan, mengembalikan eksekusi yang cocok dengan "tag" atau {"tag": "value"} yang ditentukan.
Jika ditentukan, mengembalikan eksekusi yang cocok dengan "property" atau {"property": "value"} yang ditentukan.
- status
- str
Jika ditentukan, mengembalikan eksekusi dengan status "status" yang ditentukan.
- include_children
- bool
Jika diatur ke true, ambil semua eksekusi, tidak hanya tingkat atas saja.
- _rehydrate_runs
- bool
Jika diatur ke True (secara default), akan menggunakan penyedia terdaftar untuk membuat kembali objek untuk jenis itu, bukan Eksekusi dasar.
Mengembalikan
Daftar eksekusi.
Tipe hasil
Keterangan
Contoh kode berikut menunjukkan beberapa penggunaan metode list.
favorite_completed_runs = Run.list(experiment, status='Completed', tags='favorite')
all_distinct_runs = Run.list(experiment)
and_their_children = Run.list(experiment, include_children=True)
only_script_runs = Run.list(experiment, type=ScriptRun.RUN_TYPE)
list_by_compute
Dapatkan daftar eksekusi dalam komputasi yang ditentukan oleh filter opsional.
static list_by_compute(compute, type=None, tags=None, properties=None, status=None)Parameter
- type
- str
Jika ditentukan, mengembalikan eksekusi yang cocok dengan jenis yang ditentukan.
Jika ditentukan, mengembalikan eksekusi yang cocok dengan "tag" atau {"tag": "value"} yang ditentukan.
Jika ditentukan, mengembalikan eksekusi yang cocok dengan "property" atau {"property": "value"} yang ditentukan.
- status
- str
Jika ditentukan, mengembalikan eksekusi dengan status "status" yang ditentukan. Hanya nilai yang diizinkan yang "Berjalan" dan "Antrean".
Mengembalikan
generator ~_restclient.models.RunDto
Tipe hasil
log
Catat nilai metrik ke eksekusi dengan nama yang ditentukan.
log(name, value, description='', step=None)Parameter
- value
Nilai yang akan dikirimkan ke layanan.
Keterangan
Pencatatan log metrik ke eksekusi menyebabkan metrik tersebut disimpan dalam catatan eksekusi dalam eksperimen. Anda dapat mencatat metrik yang sama beberapa kali dalam eksekusi, hasilnya dianggap sebagai vektor metrik itu. Jika langkah ditentukan untuk metrik, langkah tersebut harus ditentukan untuk semua nilai.
log_accuracy_table
Catat tabel akurasi ke toko artefak.
Metrik tabel akurasi adalah metrik multiguna non-skalar yang dapat digunakan untuk menghasilkan beberapa jenis diagram garis yang bervariasi secara berkelanjutan melebihi ruang probabilitas terprediksi. Contoh dari bagan ini adalah ROC, pengenalan-presisi, dan kurva pengangkatan.
Kalkulasi tabel akurasi mirip dengan kalkulasi kurva ROC. Kurva ROC menyimpan tingkat positif true dan tingkat positif false pada banyak ambang peluang yang berbeda. Tabel akurasi menyimpan jumlah mentah positif true, positif false, negatif true, dan negatif false pada banyak ambang peluang.
Ada dua metode yang digunakan untuk memilih ambang: "peluang" dan "persentil." Keduanya berbeda dalam cara mereka mengambil sampel dari ruang probabilitas terprediksi.
Ambang peluang adalah ambang berjarak seragam antara 0 dan 1. Jika NUM_POINTS adalah 5 ambang peluang akan menjadi [0.0, 0.25, 0.5, 0.75, 1.0].
Ambang persentil diberi jarak sesuai dengan distribusi probabilitas terprediksi. Setiap ambang sesuai dengan persentil data pada ambang peluang. Sebagai contoh, jika NUM_POINTS adalah 5, maka ambang pertama akan berada pada persentil ke-0, yang kedua pada persentil ke-25, yang ketiga pada ke-50, dan seterusnya.
Tabel peluang dan tabel persentil adalah daftar 3D tempat dimensi pertamanya mewakili label kelas, dimensi kedua mewakili sampel pada satu ambang (skala dengan NUM_POINTS), dan dimensi ketiga selalu memiliki 4 nilai: TP, FP, TN, FN, dan selalu dalam urutan tersebut.
Nilai kebingungan (TP, FP, TN, FN) dikomputasi dengan strategi one vs. rest. Lihat link berikut untuk detail selengkapnya: https://en.wikipedia.org/wiki/Multiclass_classification
N = # sampel dalam himpunan data validasi (200 dalam contoh) M = # ambang = # sampel yang diambil dari ruang peluang (5 dalam contoh) C = # kelas dalam himpunan data penuh (3 dalam contoh)
Beberapa invarian tabel akurasi:
- TP + FP + TN + FN = N untuk semua ambang bagi semua kelas
- TP + FN adalah sama pada semua ambang untuk kelas apa pun
- TP + FN adalah sama pada semua ambang untuk kelas apa pun
- Tabel peluang dan tabel persentil memiliki bentuk [C, M, 4]
Catatan: M dapat berupa nilai apa pun dan mengontrol resolusi bagan Ini bersifat independen dari himpunan data, ditentukan saat kalkulasi metrik, dan memperdagangkan ruang penyimpanan, waktu komputasi, dan resolusi.
Label kelas harus berupa untai (karakter), nilai kebingungan harus bilangan bulat, dan ambang harus float.
log_accuracy_table(name, value, description='')Parameter
Keterangan
Contoh nilai JSON yang valid:
{
"schema_type": "accuracy_table",
"schema_version": "1.0.1",
"data": {
"probability_tables": [
[
[82, 118, 0, 0],
[75, 31, 87, 7],
[66, 9, 109, 16],
[46, 2, 116, 36],
[0, 0, 118, 82]
],
[
[60, 140, 0, 0],
[56, 20, 120, 4],
[47, 4, 136, 13],
[28, 0, 140, 32],
[0, 0, 140, 60]
],
[
[58, 142, 0, 0],
[53, 29, 113, 5],
[40, 10, 132, 18],
[24, 1, 141, 34],
[0, 0, 142, 58]
]
],
"percentile_tables": [
[
[82, 118, 0, 0],
[82, 67, 51, 0],
[75, 26, 92, 7],
[48, 3, 115, 34],
[3, 0, 118, 79]
],
[
[60, 140, 0, 0],
[60, 89, 51, 0],
[60, 41, 99, 0],
[46, 5, 135, 14],
[3, 0, 140, 57]
],
[
[58, 142, 0, 0],
[56, 93, 49, 2],
[54, 47, 95, 4],
[41, 10, 132, 17],
[3, 0, 142, 55]
]
],
"probability_thresholds": [0.0, 0.25, 0.5, 0.75, 1.0],
"percentile_thresholds": [0.0, 0.01, 0.24, 0.98, 1.0],
"class_labels": ["0", "1", "2"]
}
}
log_confusion_matrix
Catat matriks kebingungan ke toko artefak.
Ini mencatat wrapper di sekitar matriks kebingungan sklearn. Data metrik mengandung label kelas dan daftar 2D untuk matriks itu sendiri. Lihat link berikut untuk detail selengkapnya tentang cara metrik dikomputasikan: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html
log_confusion_matrix(name, value, description='')Parameter
Keterangan
Contoh nilai JSON yang valid:
{
"schema_type": "confusion_matrix",
"schema_version": "1.0.0",
"data": {
"class_labels": ["0", "1", "2", "3"],
"matrix": [
[3, 0, 1, 0],
[0, 1, 0, 1],
[0, 0, 1, 0],
[0, 0, 0, 1]
]
}
}
log_image
Catat metrik gambar ke rekaman eksekusi.
log_image(name, path=None, plot=None, description='')Parameter
- plot
- <xref:matplotlib.pyplot>
Plot untuk mencatat sebagai citra.
Keterangan
Gunakan metode ini untuk mencatat file gambar atau plot matplotlib ke eksekusi. Gambar ini akan terlihat dan dapat dibandingkan di rekaman eksekusi.
log_list
Catat daftar nilai metrik ke eksekusi dengan nama yang diberikan.
log_list(name, value, description='')Parameter
log_predictions
Mencatat prediksi ke toko artefak.
Ini mencatat skor metrik yang dapat digunakan untuk membandingkan distribusi nilai target true dengan distribusi nilai terprediksi untuk tugas regresi.
Prediksi dikkumpulkan dan simpangan baku dikalkulasi untuk bilah kesalahan pada diagram garis.
log_predictions(name, value, description='')Parameter
Keterangan
Contoh nilai JSON yang valid:
{
"schema_type": "predictions",
"schema_version": "1.0.0",
"data": {
"bin_averages": [0.25, 0.75],
"bin_errors": [0.013, 0.042],
"bin_counts": [56, 34],
"bin_edges": [0.0, 0.5, 1.0]
}
}
log_residuals
Catat residu ke toko artefak.
Ini mencatat data yang diperlukan untuk menampilkan histogram dari residu untuk tugas regresi. Residu terprediksi - aktual.
Seharusnya terdapat satu lagi tepi daripada jumlah hitungan. Silakan lihat dokumentasi histogram numpy untuk contoh penggunaan hitungan dan tepi untuk mewakili histogram. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html
log_residuals(name, value, description='')Parameter
Keterangan
Contoh nilai JSON yang valid:
{
"schema_type": "residuals",
"schema_version": "1.0.0",
"data": {
"bin_edges": [50, 100, 200, 300, 350],
"bin_counts": [0.88, 20, 30, 50.99]
}
}
log_row
Catat metrik baris ke eksekusi dengan nama yang diberikan.
log_row(name, description=None, **kwargs)Parameter
Keterangan
Menggunakan log_row membuat metrik tabel dengan kolom seperti yang dijelaskan dalam kwargs. Setiap parameter bernama menghasilkan kolom dengan nilai yang ditentukan. log_row dapat dipanggil sekali untuk mencatat tupel arbitrer, atau beberapa kali dalam perulangan untuk menghasilkan tabel lengkap.
citrus = ['orange', 'lemon', 'lime']
sizes = [ 10, 7, 3]
for index in range(len(citrus)):
run.log_row("citrus", fruit = citrus[index], size=sizes[index])
log_table
Catat metrik tabel ke eksekusi dengan nama yang diberikan.
log_table(name, value, description='')Parameter
- value
- dict
Nilai tabel metrik, sebuah kamus di mana kunci adalah kolom yang akan dikirim ke layanan.
register_model
Daftarkan model untuk operasionalisasi.
register_model(model_name, model_path=None, tags=None, properties=None, model_framework=None, model_framework_version=None, description=None, datasets=None, sample_input_dataset=None, sample_output_dataset=None, resource_configuration=None, **kwargs)Parameter
- model_path
- str
Jalur cloud relatif ke model, sebagai contoh, "output/namamodel".
Saat tidak ditentukan (Tidak Ada), model_name digunakan sebagai jalur.
Kamus dari properti nilai kunci untuk ditetapkan ke model. Properti ini tidak dapat diubah setelah pembuatan model, namun pasangan nilai kunci baru dapat ditambahkan.
- model_framework
- str
Kerangka model untuk mendaftar. Kerangka kerja yang didukung saat ini: TensorFlow, ScikitLearn, Onnx, Custom, Multi
- datasets
- list[(str, AbstractDataset)]
Daftar tupel di mana elemen pertama menggambarkan hubungan himpunan data-model dan elemen kedua adalah himpunan data.
- sample_input_dataset
- AbstractDataset
Opsional. Sampel himpunan data input untuk model yang terdaftar
- sample_output_dataset
- AbstractDataset
Opsional. Sampel himpunan data output untuk model yang terdaftar
- resource_configuration
- ResourceConfiguration
Opsional. Konfigurasi sumber daya untuk menjalankan model yang terdaftar
Mengembalikan
Model yang terdaftar.
Tipe hasil
Keterangan
model = best_run.register_model(model_name = 'best_model', model_path = 'outputs/model.pkl')
remove_tags
Hapus daftar tag yang dapat diubah pada eksekusi ini.
remove_tags(tags)Parameter
Mengembalikan
Tag yang disimpan pada objek eksekusi
restore_snapshot
Pulihkan snapshot sebagai file ZIP. Mengembalikan jalur ke ZIP.
restore_snapshot(snapshot_id=None, path=None)Parameter
- snapshot_id
- str
ID snapshot untuk dipulihkan. Yang terbaru digunakan, jika tidak ditentukan.
Mengembalikan
Jalur.
Tipe hasil
set_tags
Menambahkan atau memodifikasi satu set tag ke eksekusi. Tag yang tidak diteruskan dalam kamus tidak akan tersentuh.
Anda juga dapat menambahkan tag string sederhana. Ketika tag ini muncul di kamus tag sebagai kunci, tag tersebut memiliki nilai Tidak Ada. Untuk informasi selengkapnya, lihat Memberi tag dan menemukan eksekusi.
set_tags(tags)Parameter
start
Tandai eksekusi sebagai dimulai.
Ini biasanya digunakan dalam skenario lanjutan, ketika eksekusi telah dibuat oleh pelaku lain.
start()submit_child
Kirimkan percobaan dan kembalikan eksekusi turunan yang aktif.
submit_child(config, tags=None, **kwargs)Parameter
- tags
- dict
Tag yang akan ditambahkan ke eksekusi yang dikirimkan, msl., {"tag": "nilai"}.
Mengembalikan
Objek eksekusi.
Tipe hasil
Keterangan
Kirim adalah panggilan asinkron ke platform Azure Machine Learning untuk mengeksekusi uji coba pada perangkat keras lokal, atau jarak jauh. Bergantung pada konfigurasi, kirim akan secara otomatis menyiapkan lingkungan eksekusi Anda, mengeksekusi kode Anda, dan menangkap kode sumber Anda dan hasil ke dalam riwayat eksekusi percobaan.
Untuk mengirimkan percobaan, Anda harus terlebih dahulu membuat objek konfigurasi yang menjelaskan bagaimana percobaan akan dijalankan. Konfigurasi tergantung pada jenis percobaan yang diperlukan.
Contoh cara mengirimkan percobaan turunan dari mesin lokal Anda menggunakan ScriptRunConfig adalah sebagai berikut:
from azureml.core import ScriptRunConfig
# run a trial from the train.py code in your current directory
config = ScriptRunConfig(source_directory='.', script='train.py',
run_config=RunConfiguration())
run = parent_run.submit_child(config)
# get the url to view the progress of the experiment and then wait
# until the trial is complete
print(run.get_portal_url())
run.wait_for_completion()
Untuk detail tentang cara mengonfigurasi eksekusi, lihat submit.
tag
Tag eksekusi dengan kunci string, dan nilai string opsional.
tag(key, value=None)Parameter
Keterangan
Tag dan properti dalam eksekusi, keduanya merupakan kamus string string ->. Perbedaan di antara mereka adalah kemampuan perubahannya: Tag dapat diatur, diperbarui, dan dihapus sementara Properti hanya dapat ditambahkan. Hal ini membuat Properti lebih sesuai untuk pemicu perilaku terkait sistem/alur kerja, sementara Tag umumnya menghadap-pengguna dan bermakna bagi konsumen percobaan.
run = experiment.start_logging()
run.tag('DeploymentCandidate')
run.tag('modifiedBy', 'Master CI')
run.tag('modifiedBy', 'release pipeline') # Careful, tags are mutable
run.add_properties({'BuildId': os.environ.get('VSTS_BUILD_ID')}) # Properties are not
tags = run.get_tags()
# tags = { 'DeploymentCandidate': None, 'modifiedBy': 'release pipeline' }
take_snapshot
Menyimpan snapshot dari file input atau folder.
take_snapshot(file_or_folder_path)Parameter
Mengembalikan
Mengembalikan ID snapshot.
Tipe hasil
Keterangan
Snapshot dimaksudkan untuk menjadi kode sumber yang digunakan untuk mengeksekusi percobaan. Ini disimpan dengan eksekusi, sehingga percobaan eksekusi dapat direplikasi di masa depan.
Catatan
Snapshot secara otomatis diambil saat submit dipanggil. Biasanya, ini metode take_snapshot hanya diperlukan untuk eksekusi interaktif (buku catatan).
upload_file
Unggah file ke catatan eksekusi.
upload_file(name, path_or_stream, datastore_name=None)Parameter
Tipe hasil
Keterangan
run = experiment.start_logging()
run.upload_file(name='important_file', path_or_stream="path/on/disk/file.txt")
Catatan
Eksekusi secara otomatis menangkap file di direktori output yang ditentukan, secara default ke "./outputs" untuk sebagian besar jenis eksekusi. Gunakan upload_file hanya ketika file tambahan perlu diunggah, atau direktori output tidak ditentukan.
upload_files
Unggah file ke rekaman eksekusi.
upload_files(names, paths, return_artifacts=False, timeout_seconds=None, datastore_name=None)Parameter
- paths
- list
Jalur lokal relatif ke file yang akan diunggah. Jika ditetapkan, nama diperlukan.
- return_artifacts
- bool
Menunjukkan bahwa objek artefak harus dikembalikan untuk setiap file yang diunggah.
Keterangan
upload_files memiliki efek yang sama seperti upload_file pada file terpisah, namun ada manfaat performa dan pemanfaatan sumber daya saat menggunakan upload_files.
import os
run = experiment.start_logging()
file_name_1 = 'important_file_1'
file_name_2 = 'important_file_2'
run.upload_files(names=[file_name_1, file_name_2],
paths=['path/on/disk/file_1.txt', 'other/path/on/disk/file_2.txt'])
run.download_file(file_name_1, 'file_1.txt')
os.mkdir("path") # The path must exist
run.download_file(file_name_2, 'path/file_2.txt')
Catatan
Eksekusi secara otomatis mengambil file di direktori output yang ditentukan, yang secara default ke "./outputs" untuk sebagian besar jenis eksekusi. Gunakan upload_files hanya ketika file tambahan perlu diunggah, atau direktori output tidak ditentukan.
upload_folder
Unggah folder yang ditentukan ke nama prefiks yang diberikan.
upload_folder(name, path, datastore_name=None)Parameter
Keterangan
run = experiment.start_logging()
run.upload_folder(name='important_files', path='path/on/disk')
run.download_file('important_files/existing_file.txt', 'local_file.txt')
Catatan
Eksekusi secara otomatis mengambil file di direktori output yang ditentukan, yang secara default ke "./outputs" untuk sebagian besar jenis eksekusi. Gunakan upload_folder hanya ketika file tambahan perlu diunggah, atau direktori output tidak ditentukan.
wait_for_completion
Tunggu sampai eksekusi ini selesai. Menampilkan objek status setelah menunggu.
wait_for_completion(show_output=False, wait_post_processing=False, raise_on_error=True)Parameter
- show_output
- bool
Menunjukkan apakah akan menampilkan output eksekusi pada sys.stdout.
- wait_post_processing
- bool
Menunjukkan apakah akan menunggu pasca pemrosesan selesai setelah eksekusi selesai.
- raise_on_error
- bool
Menunjukkan apakah Kesalahan dinaikkan saat Eksekusi berada dalam keadaan gagal.
Mengembalikan
Objek status.
Tipe hasil
Atribut
description
Tampilkan deskripsi eksekusi.
Deskripsi opsional eksekusi adalah string yang ditentukan pengguna yang berguna untuk menjelaskan eksekusi.
Mengembalikan
Deskripsi eksekusi.
Tipe hasil
display_name
Tampilkan nama tampilan eksekusi.
Nama tampilan opsional eksekusi adalah string yang ditentukan pengguna yang berguna untuk identifikasi eksekusi nanti.
Mengembalikan
Nama tampilan eksekusi.
Tipe hasil
experiment
Dapatkan percobaan yang mengandung eksekusi.
Mengembalikan
Mengambil eksperimen yang sesuai dengan eksekusi.
Tipe hasil
id
Dapatkan ID eksekusi.
ID eksekusi adalah pengidentifikasi unik di seluruh percobaan yang terkandung.
Mengembalikan
ID eksekusi.
Tipe hasil
name
TIDAK DIGUNAKAN LAGI. Gunakan display_name.
Nama opsional eksekusi adalah string yang ditentukan pengguna yang berguna untuk identifikasi eksekusi nanti.
Mengembalikan
ID eksekusi.
Tipe hasil
number
Dapatkan angka eksekusi.
Angka yang meningkat secara monoton yang mewakili urutan eksekusi dalam sebuah percobaan.
Mengembalikan
Angka eksekusi.
Tipe hasil
parent
Ambil induk eksekusi untuk eksekusi ini dari layanan.
Eksekusi dapat memiliki induk opsional, yang menghasilkan hierarki pohon potensial dari eksekusi. Untuk mencatat metrik ke induk eksekusi, gunakan metode log objek induk, misalnya, run.parent.log().
Mengembalikan
Induk eksekusi, atau Tidak Ada jika salah satu tidak disetel.
Tipe hasil
properties
Kembalikan properti bersifat abadi dari eksekusi ini.
Mengembalikan
Properti yang dicache secara lokal dari eksekusi.
Tipe hasil
Keterangan
Properti termasuk informasi yang dihasilkan sistem bersifat abadi, seperti durasi, tanggal eksekusi, pengguna, dll.
status
Kembalikan status objek eksekusi.
tags
Kembalikan kumpulan tag yang dapat diubah pada eksekusi ini.
Mengembalikan
Tag yang disimpan pada objek eksekusi.
Tipe hasil
type
Dapatkan jenis eksekusi.
Menunjukkan bagaimana eksekusi dibuat atau dikonfigurasikan.
Mengembalikan
Jenis eksekusi.
Tipe hasil
Saran dan Komentar
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat: https://aka.ms/ContentUserFeedback.
Kirim dan lihat umpan balik untuk