AutoMLStep Kelas

Membuat langkah Alur Azure ML yang merangkum Azure Machine Learning otomatis.

Untuk contoh menggunakan AutoMLStep, lihat notebookhttps://aka.ms/pl-automl.

Menginisialisasi AutoMLStep.

Warisan

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)

Parameter

Nama	Deskripsi
name Diperlukan	str Nama langkah.
automl_config Diperlukan	AutoMLConfig Objek AutoMLConfig yang menentukan konfigurasi untuk eksekusi AutoML ini.
inputs	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] Daftar pengikatan port input. nilai default: None
outputs	list[Union[PipelineData, OutputPortBinding]] Daftar pengikatan port output. nilai default: None
script_repl_params	dict Parameter opsional yang akan diganti dalam skrip, misalnya {'param1': 'value1', 'param2': 'value2'}. nilai default: None
allow_reuse	bool Menunjukkan apakah langkah tersebut harus menggunakan kembali hasil sebelumnya saat dijalankan kembali dengan pengaturan yang sama. Penggunaan kembali diaktifkan secara default. Jika konten langkah (skrip/dependensi) serta input dan parameter tetap tidak berubah, output dari eksekusi sebelumnya dari langkah ini digunakan ulang. Saat menggunakan ulang langkah tersebut, daripada mengirimkan pekerjaan ke komputasi, hasil dari eksekusi sebelumnya segera dibuat tersedia untuk langkah selanjutnya. Jika Anda menggunakan himpunan data Azure Machine Learning sebagai input, penggunaan kembali ditentukan oleh apakah definisi himpunan data telah berubah, bukan oleh apakah data yang mendasarinya telah berubah. nilai default: True
version	str Versi untuk ditetapkan ke langkah tersebut. nilai default: None
hash_paths	list TIDAK DIGUNAKAN LAGI. Daftar jalur ke hash saat memeriksa perubahan pada konten langkah alur. Secara default, semua file di bawah parameter path di AutoMLConfig di-hash kecuali file yang terdaftar di .amlignore atau .gitignore di bawah path. Jika tidak ada perubahan yang terdeteksi, alur menggunakan kembali konten langkah dari eksekusi sebelumnya. nilai default: None
enable_default_model_output	bool Menunjukkan apakah model terbaik akan ditambahkan sebagai output default atau tidak. Ini dapat digunakan untuk mengambil model terbaik setelah eksekusi selesai menggunakan kelas AutoMLStepRun. Catatan, jika output model default tidak diperlukan, disarankan untuk mengatur parameter ini ke False. nilai default: True
enable_default_metrics_output	bool Menunjukkan apakah semua metrik yang dijalankan turunan akan ditambahkan sebagai output default atau tidak. Ini dapat digunakan untuk mengambil metrik yang dijalankan turunan setelah eksekusi selesai menggunakan kelas AutoMLStepRun. Catatan, jika output metrik default tidak diperlukan, disarankan untuk mengatur parameter ini ke False. nilai default: True
name Diperlukan	str Nama langkah.
automl_config Diperlukan	AutoMLConfig AutoMLConfig yang menentukan konfigurasi untuk eksekusi AutoML ini.
inputs Diperlukan	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] Daftar pengikatan port input.
outputs Diperlukan	list[Union[PipelineData, OutputPortBinding]] Daftar pengikatan port output.
script_repl_params Diperlukan	dict Parameter opsional yang akan diganti dalam skrip, misalnya {'param1': 'value1', 'param2': 'value2'}.
script_repl_params Diperlukan	Parameter opsional yang akan diganti dalam skrip.
allow_reuse Diperlukan	bool Menunjukkan apakah langkah tersebut harus menggunakan kembali hasil sebelumnya saat dijalankan lagi dengan pengaturan yang sama. Penggunaan kembali diaktifkan secara default. Jika konten langkah (skrip/dependensi) serta input dan parameter tetap tidak berubah, output dari eksekusi sebelumnya dari langkah ini digunakan ulang. Saat menggunakan ulang langkah tersebut, daripada mengirimkan pekerjaan ke komputasi, hasil dari eksekusi sebelumnya segera dibuat tersedia untuk langkah selanjutnya. Jika Anda menggunakan himpunan data Azure Machine Learning sebagai input, penggunaan kembali ditentukan oleh apakah definisi himpunan data telah berubah, bukan oleh apakah data yang mendasarinya telah berubah.
version Diperlukan	str Versi untuk ditetapkan ke langkah tersebut.
hash_paths Diperlukan	list TIDAK DIGUNAKAN LAGI. Daftar jalur ke hash saat memeriksa perubahan pada konten langkah alur. Secara default, semua file di bawah parameter path di AutoMLConfig di-hash kecuali file yang terdaftar di .amlignore atau .gitignore di bawah path. Jika tidak ada perubahan yang terdeteksi, alur menggunakan kembali konten langkah dari eksekusi sebelumnya.
enable_default_model_output Diperlukan	bool Menunjukkan apakah model terbaik akan ditambahkan sebagai output default atau tidak. Ini dapat digunakan untuk mengambil model terbaik setelah eksekusi selesai menggunakan kelas AutoMLStepRun. Catatan, jika output model default tidak diperlukan, disarankan untuk mengatur parameter ini ke False.
enable_default_metrics_output Diperlukan	bool Menunjukkan apakah semua metrik yang dijalankan turunan akan ditambahkan sebagai output default atau tidak. Ini dapat digunakan untuk mengambil metrik yang dijalankan turunan setelah eksekusi selesai menggunakan kelas AutoMLStepRun. Catatan, jika output metrik default tidak diperlukan, disarankan untuk mengatur parameter ini ke False.

Keterangan

Dengan kelas AutoMLStep, Anda dapat menjalankan alur kerja ML otomatis Anda dalam alur Azure Machine Learning. Alur memberikan manfaat seperti pengulangan, eksekusi tanpa pengawasan, penerapan versi dan pelacakan, dan modularitas untuk alur kerja Azure Machine Learning otomatis Anda. Untuk informasi selengkapnya, lihat Apa itu alur Azure Machine Learning?.

Saat alur kerja Azure Machine Learning otomatis Anda sedang di dalam alur, Anda dapat menjadwalkan alur untuk berjalan pada jadwal berbasis waktu atau pada jadwal berbasis perubahan. Jadwal berbasis waktu berguna untuk tugas-tugas rutin seperti memantau penyimpangan data, sementara jadwal berbasis perubahan berguna untuk perubahan yang tidak teratur atau tidak dapat diprediksi seperti ketika data berubah. Misalnya, jadwal Anda mungkin melakukan polling pada penyimpanan blob tempat data diunggah, kemudian melakukan eksekusi alur kembali jika data berubah, dan mendaftarkan versi baru model setelah eksekusi selesai. Untuk informasi selengkapnya, lihat Menjadwalkan alur pembelajaran mesin dan Memicu eksekusi alur Azure Machine Learning dari Aplikasi Logika.

Contoh berikut menunjukkan cara membuat AutoMLStep.

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

Sampel lengkap tersedia dari 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

Contoh berikut menunjukkan cara menggunakan objek AutoMLStep dalam Pipeline.

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

Sampel lengkap tersedia dari 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

Contoh di atas menunjukkan satu langkah dalam alur. Namun, saat menggunakan AutoMLStep dalam alur kerja Azure Machine Learning otomatis dunia nyata, Anda akan memiliki setidaknya satu langkah alur yang melakukan penyiapan data sebelum AutoMLStep, dan langkah alur lain setelah itu mendaftarkan model. Misalnya jenis alur kerja ini, lihat notebook https://aka.ms/automl-retrain-pipeline.

Untuk mengelola, memeriksa status, dan mendapatkan detail eksekusi dari alur yang dijalankan, gunakan kelas AutoMLStepRun.

Untuk informasi selengkapnya tentang pembelajaran mesin otomatis di Azure, lihat artikel Apa itu pembelajaran mesin otomatis?. Untuk informasi selengkapnya tentang menyiapkan eksperimen Azure Machine Learning otomatis tanpa menggunakan alur, lihat artikel Mengonfigurasi eksperimen Azure Machine Learning otomatis di Python.

Metode

create_node

Buat node dari langkah AutoML ini dan tambahkan ke grafik yang diberikan. Metode ini tidak dimaksudkan untuk digunakan secara langsung. Ketika alur dibuat dengan langkah ini, Azure Machine Learning secara otomatis meneruskan parameter yang diperlukan melalui metode ini sehingga langkah tersebut dapat ditambahkan ke grafik alur yang mewakili alur kerja.

create_node

Buat node dari langkah AutoML ini dan tambahkan ke grafik yang diberikan.

Metode ini tidak dimaksudkan untuk digunakan secara langsung. Ketika alur dibuat dengan langkah ini, Azure Machine Learning secara otomatis meneruskan parameter yang diperlukan melalui metode ini sehingga langkah tersebut dapat ditambahkan ke grafik alur yang mewakili alur kerja.

create_node(graph, default_datastore, context)

Parameter

Nama	Deskripsi
graph Diperlukan	Graph Objek grafik untuk menambahkan node.
default_datastore Diperlukan	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Datastore default.
context Diperlukan	<xref:azureml.pipeline.core._GraphContext> Konteks grafik.

Mengembalikan

Jenis	Deskripsi
Node	Node yang dibuat.

Atribut

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_'