Estimator Kelas
Mewakili estimator generik untuk melatih data menggunakan kerangka kerja yang disediakan.
TIDAK DIGUNAKAN LAGI. Gunakan objek ScriptRunConfig dengan lingkungan yang Anda tentukan sendiri atau lingkungan yang dikumpulkan Azure Machine Learning. Untuk pengenalan tentang cara mengonfigurasi eksekusi eksperimen dengan ScriptRunConfig, lihat Mengonfigurasi dan mengirimkan eksekusi pelatihan.
Kelas ini dirancang untuk digunakan dengan kerangka kerja pembelajaran mesin yang belum memiliki estimator Azure Machine Learning pra-konfigurasi. Estimator pra-konfigurasi tersedia untuk Chainer, PyTorch, TensorFlow, dan SKLearn. Untuk membuat Estimator yang tidak dikonfigurasi sebelumnya, lihat Melatih model dengan Azure Machine Learning menggunakan estimator.
Kelas Estimator membungkus informasi konfigurasi eksekusi untuk membantu menyederhanakan tugas menentukan bagaimana skrip dijalankan. Ini mendukung node tunggal serta menjalankan multi-node. Menjalankan estimator menghasilkan model di direktori output yang ditentukan dalam skrip pelatihan Anda.
- Warisan
-
azureml.train.estimator._mml_base_estimator.MMLBaseEstimatorEstimator
Konstruktor
Estimator(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, node_count=1, process_count_per_node=1, distributed_backend=None, distributed_training=None, use_gpu=False, use_docker=True, custom_docker_base_image=None, custom_docker_image=None, image_registry_details=None, user_managed=False, conda_packages=None, pip_packages=None, conda_dependencies_file_path=None, pip_requirements_file_path=None, conda_dependencies_file=None, pip_requirements_file=None, environment_variables=None, environment_definition=None, inputs=None, source_directory_data_store=None, shm_size=None, resume_from=None, max_run_duration_seconds=None, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)Parameter
- source_directory
- str
Direktori lokal yang berisi konfigurasi eksperimen dan file kode yang diperlukan untuk pekerjaan pelatihan.
- compute_target
- AbstractComputeTarget atau str
Target komputasi di mana pelatihan akan terjadi. Ini bisa berupa objek atau untai (karakter) "lokal".
- vm_size
- str
Ukuran mesin virtual dari target komputasi yang akan dibuat untuk pelatihan. Nilai yang didukung: Ukuran mesin virtual Azure apa pun.
- vm_priority
- str
Prioritas mesin virtual dari target komputasi yang akan dibuat untuk pelatihan. Jika tidak ditentukan, 'khusus' akan digunakan.
Nilai yang didukung: 'dedicated' dan 'lowpriority'.
Ini berlaku hanya ketika parameter vm_size ditentukan dalam input.
- script_params
- dict
Kamus argumen baris perintah untuk diteruskan ke skrip pelatihan yang ditentukan dalam entry_script.
- node_count
- int
Jumlah node dalam target komputasi yang digunakan untuk pelatihan. Jika lebih besar dari 1, pekerjaan terdistribusi MPI akan dijalankan.
- process_count_per_node
- int
Jumlah proses (atau "pekerja") untuk dijalankan pada setiap simpul. Jika lebih besar dari 1, pekerjaan terdistribusi MPI akan dijalankan. Hanya target AmlCompute yang didukung untuk pekerjaan terdistribusi.
- distributed_backend
- str
Backend komunikasi untuk pelatihan terdistribusi.
TIDAK DIGUNAKAN LAGI. Gunakan parameter distributed_training.
Nilai yang didukung: 'mpi'. 'mpi' mewakili MPI /Horovod.
Parameter ini diperlukan ketika node_count atau process_count_per_node> 1.
Ketika node_count == 1 dan process_count_per_node == 1, tidak ada backend yang akan digunakan kecuali backend diatur secara eksplisit. Hanya target AmlCompute yang didukung untuk pelatihan terdistribusi.
- distributed_training
- Mpi
Parameter untuk menjalankan pekerjaan pelatihan terdistribusi.
Untuk menjalankan pekerjaan terdistribusi dengan backend MPI, gunakan objek Mpi untuk menentukan process_count_per_node.
- use_gpu
- 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 diaktifkan Docker.
- use_docker
- bool
Menentukan apakah lingkungan untuk menjalankan eksperimen harus berbasis Docker.
- custom_docker_base_image
- str
Nama gambar Docker dari mana gambar yang akan digunakan untuk pelatihan akan dibuat.
TIDAK DIGUNAKAN LAGI. Gunakan parameter custom_docker_image.
Jika tidak diatur, gambar berbasis CPU default akan digunakan sebagai gambar dasar.
- custom_docker_image
- 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. Hanya tentukan gambar yang tersedia di repositori docker publik (Docker Hub). Untuk menggunakan gambar dari repositori docker privat, gunakan parameter konstruktor environment_definition sebagai gantinya.
- user_managed
- bool
Menentukan apakah Azure Machine Learning menggunakan kembali lingkungan Python yang ada. Jika false, lingkungan Python dibuat berdasarkan spesifikasi dependensi conda.
- conda_packages
- list
Daftar untai yang mewakili paket conda yang akan ditambahkan ke lingkungan Python untuk eksperimen.
- pip_packages
- list
Daftar untai (karakter) menunjukkan paket pip yang akan ditambahkan ke lingkungan Python untuk eksperimen.
- conda_dependencies_file_path
- str
Jalur relatif ke file yaml dependensi conda. Jika ditentukan, Azure Machine Learning tidak akan memasang paket terkait kerangka kerja apa pun.
TIDAK DIGUNAKAN LAGI. Gunakan parameter conda_dependencies_file.
Tentukan antara conda_dependencies_file_path atau conda_dependencies_file. Jika keduanya ditentukan, conda_dependencies_file digunakan.
- pip_requirements_file_path
- str
Jalur relatif ke file teks persyaratan pip.
TIDAK DIGUNAKAN LAGI. Gunakan parameter pip_requirements_file.
Parameter ini dapat ditentukan dalam kombinasi dengan parameter pip_packages. Tentukan antara pip_requirements_file_path atau pip_requirements_file. Jika keduanya ditentukan, pip_requirements_file digunakan.
- conda_dependencies_file
- str
Jalur relatif ke file yaml dependensi conda. Jika ditentukan, Azure Machine Learning tidak akan memasang paket terkait kerangka kerja apa pun.
- pip_requirements_file
- str
Jalur relatif ke file teks persyaratan pip.
Parameter ini dapat ditentukan dalam kombinasi dengan parameter pip_packages.
- environment_variables
- dict
Kamus nama dan nilai variabel lingkungan. Variabel lingkungan ini diatur pada proses saat skrip pengguna sedang dijalankan.
- environment_definition
- Environment
Definisi lingkungan untuk eksperimen. Ini termasuk PythonSection, DockerSection, dan variabel lingkungan. Opsi lingkungan apa pun yang tidak secara langsung diekspos melalui parameter lain ke konstruksi Penghitungan dapat diatur menggunakan parameter ini. Jika parameter ini ditentukan, parameter akan lebih diutamakan daripada parameter terkait lingkungan lainnya seperti use_gpu, custom_docker_image, conda_packages, atau pip_packages.
Kesalahan akan dilaporkan pada kombinasi yang tidak valid.
- inputs
- list
Daftar objek DataReference atau DatasetConsumptionConfig yang akan digunakan sebagai input.
- shm_size
- str
Ukuran blok memori bersama kontainer Docker. Jika tidak diatur, azureml.core.environment._DEFAULT_SHM_SIZE default digunakan. Untuk informasi selengkapnya, lihat Referensi eksekusi Docker.
- resume_from
- DataPath
Jalur data yang berisi file titik pemeriksaan atau model untuk melanjutkan eksperimen.
- max_run_duration_seconds
- int
Waktu maksimum yang diizinkan untuk eksekusi. Azure ML akan mencoba membatalkan eksekusi secara otomatis jika memakan waktu lebih lama dari nilai ini.
Saran dan Komentar
Kirim dan lihat umpan balik untuk