EstimatorStep Kelas

TIDAK DIGUNAKAN LAGI. Membuat langkah alur untuk menjalankan Estimator untuk pelatihan model Azure ML.

Buat langkah Alur Azure ML untuk menjalankan Estimator untuk pelatihan model Pembelajaran Mesin.

TIDAK DIGUNAKAN LAGI. Gunakan CommandStep sebagai gantinya. Misalnya lihat Cara menjalankan pelatihan ML dalam alur dengan CommandStep.

Warisan

PythonScriptStep

EstimatorStep

Konstruktor

EstimatorStep(name=None, estimator=None, estimator_entry_script_arguments=None, runconfig_pipeline_params=None, inputs=None, outputs=None, compute_target=None, allow_reuse=True, version=None)

Parameter

Nama	Deskripsi
name	str Nama langkah. nilai default: None
estimator	Estimator Objek penghitung terkait untuk langkah ini. Dapat berupa penghitung yang telah dikonfigurasi sebelumnya seperti Chainer, PyTorch, TensorFlow, atau SKLearn. nilai default: None
estimator_entry_script_arguments	list[str] [Diperlukan] Daftar argumen baris perintah. Jika skrip entri Penghitung tidak menerima argumen baris perintah, atur nilai parameter ini ke daftar kosong. nilai default: None
runconfig_pipeline_params	dict[str, PipelineParameter] Penimpaan properti runconfig saat runtime menggunakan pasangan kunci-nilai, masing-masing dengan nama properti runconfig dan PipelineParameter untuk properti tersebut. Nilai yang didukung: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount' nilai default: None
inputs	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]] Daftar input yang akan digunakan. nilai default: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset]] Daftar objek PipelineData. nilai default: None
compute_target	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Diperlukan] Target komputasi untuk digunakan. nilai default: None
allow_reuse	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 ulang ditentukan oleh apakah definisi himpunan data telah berubah, bukan oleh apakah data yang mendasarinya telah berubah. nilai default: True
version	str Tag versi opsional untuk menunjukkan perubahan fungsionalitas untuk modul. nilai default: None
name Diperlukan	str Nama langkah.
estimator Diperlukan	<xref:Estimator> Objek penghitung terkait untuk langkah ini. Dapat berupa penghitung yang telah dikonfigurasi sebelumnya seperti Chainer, PyTorch, TensorFlow, atau SKLearn.
estimator_entry_script_arguments Diperlukan	[str] [Diperlukan] Daftar argumen baris perintah. Jika skrip entri Penghitung tidak menerima argumen baris perintah, atur nilai parameter ini ke daftar kosong.
runconfig_pipeline_params Diperlukan	dict[str, PipelineParameter] Penimpaan properti runconfig saat runtime menggunakan pasangan kunci-nilai, masing-masing dengan nama properti runconfig dan PipelineParameter untuk properti tersebut. Nilai yang didukung: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount'
inputs Diperlukan	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]] Daftar input yang akan digunakan.
outputs Diperlukan	list[Union[PipelineData, PipelineOutputAbstractDataset] Daftar objek PipelineData.
compute_target Diperlukan	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Diperlukan] Target komputasi untuk digunakan.
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 ulang ditentukan oleh apakah definisi himpunan data telah berubah, bukan oleh apakah data yang mendasarinya telah berubah.
version Diperlukan	str versi

Keterangan

Perhatikan bahwa argumen ke skrip entri yang digunakan dalam objek Estimator harus ditetapkan sebagai daftar menggunakan parameter estimator_entry_script_arguments saat membuat EstimatorStep. Parameter Penghitung script_params menerima kamus. Namun, parameter estimator_entry_script_argument mengharapkan argumen sebagai daftar.

Inisialisasi EstimatorStep melibatkan penetapan daftar input dengan parameter inputs dan Anda tidak perlu menentukan input dengan Penghitung, pengecualian akan ditampilkan jika Anda melakukannya. Lihat parameter inputs untuk jenis input yang diizinkan. Anda juga dapat secara opsional menentukan semua output untuk langkah. Lihat parameter outputs untuk jenis output yang diizinkan.

Praktik terbaik untuk bekerja dengan EstimatorStep adalah menggunakan folder terpisah untuk skrip dan semua file dependen yang terkait dengan langkah tersebut, dan menetapkan folder tersebut sebagai Estimatorsource_directory objek. Ada dua manfaat dari melakukan hal ini. Pertama, itu membantu mengurangi ukuran snapshot yang dibuat untuk langkah, karena hanya yang diperlukan untuk langkahnya yang di-snapshot. Kedua, output langkah dari eksekusi sebelumnya dapat digunakan ulang jika tidak ada perubahan pada source_directory yang akan memicu pengunggahan ulang snaphot.

Metode

create_node

Buat node dari langkah Kusto dan tambahkan ke grafik yang ditentukan. TIDAK DIGUNAKAN LAGI. Gunakan CommandStep sebagai gantinya. Misalnya lihat Cara menjalankan pelatihan ML dalam alur dengan CommandStep. 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 Kusto dan tambahkan ke grafik yang ditentukan.

TIDAK DIGUNAKAN LAGI. Gunakan CommandStep sebagai gantinya. Misalnya lihat Cara menjalankan pelatihan ML dalam alur dengan CommandStep.

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.