MpiStep Kelas

Membuat langkah alur Azure Machine Learning untuk menjalankan pekerjaan MPI.

Untuk contoh penggunakan MpiStep, lihat notebook https://aka.ms/pl-style-trans.

Buat langkah alur Azure ML untuk menjalankan pekerjaan MPI.

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

Warisan

PythonScriptStep

MpiStep

Konstruktor

MpiStep(name=None, source_directory=None, script_name=None, arguments=None, compute_target=None, node_count=None, process_count_per_node=None, inputs=None, outputs=None, allow_reuse=True, version=None, hash_paths=None, **kwargs)

Parameter

Nama	Deskripsi
name	str [Diperlukan] Nama modul. nilai default: None
source_directory	str [Diperlukan] Folder yang berisi skrip Python, conda env, dan sumber daya lain yang digunakan dalam langkah tersebut. nilai default: None
script_name	str [Diperlukan] Nama skrip Python yang relatif terhadap source_directory. nilai default: None
arguments	list [Diperlukan] Daftar argumen baris perintah. nilai default: None
compute_target	AmlCompute, str [Diperlukan] Target komputasi untuk digunakan. nilai default: None
node_count	int [Diperlukan] Jumlah node dalam target komputasi yang digunakan untuk pelatihan. Jika lebih besar dari 1, pekerjaan terdistribusi mpi akan dijalankan. Hanya target komputasi AmlCompute yang didukung untuk pekerjaan terdistribusi. Nilai PipelineParameter didukung. nilai default: None
process_count_per_node	int [Diperlukan] Jumlah proses per node. Jika lebih besar dari 1, pekerjaan terdistribusi mpi akan dijalankan. Hanya target komputasi AmlCompute yang didukung untuk pekerjaan terdistribusi. Nilai PipelineParameter didukung. nilai default: None
inputs	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]] Daftar pengikatan port input. nilai default: None
outputs	list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]] Daftar pengikatan port output. nilai default: None
params Diperlukan	dict Kamus pasangan nama-nilai yang terdaftar sebagai variabel lingkungan dengan "AML_PARAMETER_".
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
hash_paths	list TIDAK DIGUNAKAN LAGI: tidak lagi diperlukan. Daftar jalur ke hash saat memeriksa perubahan ke konten langkah. Jika tidak ada perubahan yang terdeteksi, alur akan menggunakan ulang konten langkah dari eksekusi sebelumnya. Secara default, konten source_directory di-hash kecuali untuk file yang terdaftar di .amlignore atau .gitignore. nilai default: None
use_gpu Diperlukan	bool Menunjukkan apakah lingkungan untuk menjalankan eksperimen harus mendukung GPU. Jika True, gambar Docker default berbasis GPU akan digunakan di lingkungan. Jika False, gambar berbasis CPU akan digunakan. Gambar docker default (CPU atau GPU) hanya akan digunakan jika parameter custom_docker_image tidak diatur. Pengaturan ini hanya digunakan di target komputasi yang mendukung Docker.
use_docker Diperlukan	bool Menunjukkan apakah lingkungan untuk menjalankan eksperimen harus berbasis Docker.
custom_docker_image Diperlukan	str Nama gambar Docker dari mana gambar yang akan digunakan untuk pelatihan akan dibuat. Jika tidak diatur, gambar berbasis CPU default akan digunakan sebagai gambar dasar.
image_registry_details Diperlukan	ContainerRegistry Detail dari registri gambar Docker.
user_managed Diperlukan	bool Menunjukkan apakah Azure Machine Learning menggunakan kembali lingkungan Python yang ada; False berarti bahwa Azure Machine Learning akan membuat lingkungan Python berdasarkan spesifikasi dependensi conda.
conda_packages Diperlukan	list Daftar untai (karakter) yang menunjukkan paket conda untuk ditambahkan ke lingkungan Python.
pip_packages Diperlukan	list Daftar untai yang menunjukkan paket pip untuk ditambahkan ke lingkungan Python.
pip_requirements_file_path Diperlukan	str Jalur relatif ke file teks persyaratan pip. Parameter ini dapat ditentukan dalam kombinasi dengan parameter pip_packages.
environment_definition Diperlukan	EnvironmentDefinition EnvironmentDefinition untuk eksperimen. Ini termasuk PythonSection dan DockerSection dan variabel lingkungan. Setiap opsi lingkungan yang tidak langsung diekspos melalui parameter lain ke konstruksi MpiStep dapat diatur menggunakan parameter environment_definition. Jika parameter ini ditentukan, parameter ini akan lebih diutamakan daripada parameter terkait lingkungan lainnya seperti use_gpu, custom_docker_image, conda_packages atau pip_packages dan kesalahan akan dilaporkan pada kombinasi yang tidak valid ini.
name Diperlukan	str [Diperlukan] Nama modul.
source_directory Diperlukan	str [Diperlukan] Folder yang berisi skrip Python, conda env, dan sumber daya lain yang digunakan dalam langkah tersebut.
script_name Diperlukan	str [Diperlukan] Nama skrip Python yang relatif terhadap source_directory.
arguments Diperlukan	list [Diperlukan] Daftar argumen baris perintah.
compute_target Diperlukan	<xref:azureml.core.compute.AmlComputeCompute>, str [Diperlukan] Target komputasi untuk digunakan.
node_count Diperlukan	int [Diperlukan] Jumlah simpul dalam target komputasi yang digunakan untuk pelatihan. Jika lebih besar dari 1, pekerjaan terdistribusi mpi akan dijalankan. Hanya target komputasi AmlCompute yang didukung untuk pekerjaan terdistribusi. Nilai PipelineParameter didukung.
process_count_per_node Diperlukan	int [Diperlukan] Jumlah proses per simpul. Jika lebih besar dari 1, pekerjaan terdistribusi mpi akan dijalankan. Hanya target komputasi AmlCompute yang didukung untuk pekerjaan terdistribusi. Nilai PipelineParameter didukung.
inputs Diperlukan	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]] Daftar pengikatan port input.
outputs Diperlukan	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]] Daftar pengikatan port output.
params Diperlukan	dict Kamus pasangan nama-nilai yang terdaftar sebagai variabel lingkungan dengan ">>AML_PARAMETER_<<".
allow_reuse Diperlukan	bool Menunjukkan Apakah langkah harus menggunakan kembali hasil sebelumnya saat dijalankan kembali dengan parameter yang sama tetap tidak berubah, output dari eksekusi sebelumnya dari langkah ini digunakan kembali. 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 Tag versi opsional untuk menunjukkan perubahan fungsionalitas untuk modul
hash_paths Diperlukan	list TIDAK DIGUNAKAN LAGI: tidak lagi diperlukan. Daftar jalur ke hash saat memeriksa perubahan ke konten langkah. Jika tidak ada perubahan yang terdeteksi, alur akan menggunakan ulang konten langkah dari eksekusi sebelumnya. Secara default, konten source_directory di-hash kecuali untuk file yang terdaftar di .amlignore atau .gitignore.
use_gpu Diperlukan	bool Menunjukkan apakah lingkungan untuk menjalankan eksperimen harus mendukung GPU. Jika True, gambar Docker default berbasis GPU akan digunakan di lingkungan. Jika False, gambar berbasis CPU akan digunakan. Gambar docker default (CPU atau GPU) hanya akan digunakan jika parameter custom_docker_image tidak diatur. Pengaturan ini hanya digunakan di target komputasi yang mendukung Docker.
use_docker Diperlukan	bool Menunjukkan apakah lingkungan untuk menjalankan eksperimen harus berbasis Docker. custom_docker_image (str): Nama gambar docker tempat gambar digunakan untuk pekerjaan mpi akan dibangun. Jika tidak diatur, gambar berbasis CPU default akan digunakan sebagai gambar dasar.
custom_docker_image Diperlukan	str Nama gambar Docker dari mana gambar yang akan digunakan untuk pelatihan akan dibuat. Jika tidak diatur, gambar berbasis CPU default akan digunakan sebagai gambar dasar.
image_registry_details Diperlukan	ContainerRegistry Detail dari registri gambar Docker.
user_managed Diperlukan	bool Menunjukkan apakah Azure Machine Learning menggunakan kembali lingkungan Python yang ada; False berarti bahwa Azure Machine Learning akan membuat lingkungan Python berdasarkan spesifikasi dependensi conda.
conda_packages Diperlukan	list Daftar untai (karakter) yang menunjukkan paket conda untuk ditambahkan ke lingkungan Python.
pip_packages Diperlukan	list Daftar untai yang menunjukkan paket pip untuk ditambahkan ke lingkungan Python.
pip_requirements_file_path Diperlukan	str Jalur relatif ke file teks persyaratan pip. Parameter ini dapat ditentukan dalam kombinasi dengan parameter pip_packages.
environment_definition Diperlukan	EnvironmentDefinition EnvironmentDefinition untuk eksperimen. Ini termasuk PythonSection dan DockerSection dan variabel lingkungan. Setiap opsi lingkungan yang tidak langsung diekspos melalui parameter lain ke konstruksi MpiStep dapat diatur menggunakan parameter environment_definition. Jika parameter ini ditentukan, parameter ini akan lebih diutamakan daripada parameter terkait lingkungan lainnya seperti use_gpu, custom_docker_image, conda_packages atau pip_packages dan kesalahan akan dilaporkan pada kombinasi yang tidak valid ini.