SKLearn Classe
Crea un stimatore per il training negli esperimenti scikit-learn.
DEPRECATO. Usare l'oggetto con un ambiente definito o l'ambiente ScriptRunConfig AzureML-Tutorial curato. Per un'introduzione alla configurazione dell'esperimento SKLearn con ScriptRunConfig, vedere Eseguire il training di modelli scikit-learn su larga scala con Azure Machine Learning.
Questo strumento di stima supporta solo il training della CPU a nodo singolo.
Versioni supportate: 0.20.3
Inizializzare un stimatore Scikit-learn.
- Ereditarietà
-
azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimatorSKLearn
Costruttore
SKLearn(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, use_docker=True, 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, shm_size=None, resume_from=None, max_run_duration_seconds=None, framework_version=None, _enable_optimized_mode=False, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)Parametri
- source_directory
- str
Directory locale contenente i file di configurazione dell'esperimento.
- compute_target
- AbstractComputeTarget oppure str
Destinazione di calcolo in cui si verificherà il training. Può essere un oggetto o la stringa "local".
- vm_size
- str
Dimensioni della macchina virtuale della destinazione di calcolo che verrà creata per il training.
Valori supportati: qualsiasi dimensione della macchina virtuale di Azure.
- vm_priority
- str
Priorità della macchina virtuale della destinazione di calcolo che verrà creata per il training. Se non specificato, viene usato "dedicato".
Valori supportati: 'dedicato' e 'lowpriority'.
Ciò ha effetto solo quando l'oggetto viene specificato nell'input vm_size param .
- entry_script
- str
Stringa che rappresenta il percorso relativo del file usato per avviare il training.
- script_params
- dict
Dizionario degli argomenti della riga di comando da passare allo script di training specificato in entry_script.
- custom_docker_image
- str
Nome dell'immagine Docker da cui verrà compilata l'immagine da usare per il training. In caso contrario, verrà usata un'immagine predefinita basata sulla CPU come immagine di base.
- user_managed
- bool
Specifica se Azure ML riutilizza un ambiente Python esistente. False significa che AzureML creerà un ambiente Python in base alla specifica delle dipendenze conda.
- conda_packages
- list
Elenco di stringhe che rappresentano pacchetti conda da aggiungere all'ambiente Python per l'esperimento.
- pip_packages
- list
Elenco di stringhe che rappresentano i pacchetti pip da aggiungere all'ambiente Python per l'esperimento.
- conda_dependencies_file_path
- str
Stringa che rappresenta il percorso relativo del file yaml delle dipendenze conda.
Se specificato, Azure ML non installerà pacchetti correlati al framework.
Questa opzione può essere fornita in combinazione con il conda_packages parametro .
DEPRECATO. Usare il conda_dependencies_file parametro .
- pip_requirements_file_path
- str
Stringa che rappresenta il percorso relativo del file di testo dei requisiti pip.
Questa opzione può essere fornita in combinazione con il pip_packages parametro .
DEPRECATO. Usare il pip_requirements_file parametro .
- conda_dependencies_file
- str
Stringa che rappresenta il percorso relativo del file yaml delle dipendenze conda.
Se specificato, Azure ML non installerà pacchetti correlati al framework.
Questa opzione può essere fornita in combinazione con il conda_packages parametro .
- pip_requirements_file
- str
Stringa che rappresenta il percorso relativo del file di testo dei requisiti pip.
Questa opzione può essere fornita in combinazione con il pip_packages parametro .
- environment_variables
- dict
Dizionario dei nomi e dei valori delle variabili di ambiente. Queste variabili di ambiente vengono impostate nel processo in cui viene eseguito lo script utente.
- environment_definition
- Environment
La definizione di ambiente per un esperimento include PythonSection, DockerSection e variabili di ambiente. Qualsiasi opzione di ambiente non esposta direttamente tramite altri parametri alla costruzione di Estimator può essere impostata usando environment_definition il parametro . Se questo parametro è specificato, avrà la precedenza su altri parametri correlati all'ambiente, ad esempio use_gpu, custom_docker_image, conda_packageso pip_packages.
Gli errori verranno segnalati combinazioni non valide.
- inputs
- list
Elenco di DataReference oggetti da DatasetConsumptionConfig usare come input.
- shm_size
- str
Dimensioni del blocco di memoria condiviso del contenitore Docker. Se non è impostato, viene usato il azureml.core.environment._DEFAULT_SHM_SIZE predefinito.
- resume_from
- DataPath
Percorso dati contenente i file di checkpoint o modello da cui riprendere l'esperimento.
- max_run_duration_seconds
- int
Tempo massimo consentito per l'esecuzione. Azure ML tenterà di annullare automaticamente l'esecuzione se richiede più tempo di questo valore.
- framework_version
- str
Versione scikit-learn da usare per l'esecuzione del codice di training.
SKLearn.get_supported_versions() restituisce un elenco delle versioni supportate dall'SDK corrente.
- source_directory
- str
Directory locale contenente i file di configurazione dell'esperimento.
- compute_target
- AbstractComputeTarget oppure str
Destinazione di calcolo in cui si verificherà il training. Può essere un oggetto o la stringa "local".
- vm_size
- str
Dimensioni della macchina virtuale della destinazione di calcolo che verrà creata per il training. Valori supportati: qualsiasi dimensione della macchina virtuale di Azure.
- vm_priority
- str
Priorità della macchina virtuale della destinazione di calcolo che verrà creata per il training. Se non specificato, viene usato "dedicato".
Valori supportati: 'dedicato' e 'lowpriority'.
Ciò ha effetto solo quando l'oggetto viene specificato nell'input vm_size param .
- entry_script
- str
Stringa che rappresenta il percorso relativo del file usato per avviare il training.
- script_params
- dict
Dizionario degli argomenti della riga di comando da passare allo script di training specificato in entry_script.
- use_docker
- bool
Valore bool che indica se l'ambiente da eseguire l'esperimento deve essere basato su Docker.
- custom_docker_image
- str
Nome dell'immagine Docker da cui verrà compilata l'immagine da usare per il training. In caso contrario, un'immagine basata sulla CPU predefinita verrà usata come immagine di base.
- user_managed
- bool
Specifica se Azure ML riutilizza un ambiente Python esistente. False significa che AzureML creerà un ambiente Python in base alla specifica delle dipendenze conda.
- conda_packages
- list
Elenco di stringhe che rappresentano pacchetti conda da aggiungere all'ambiente Python per l'esperimento.
- pip_packages
- list
Elenco di stringhe che rappresentano i pacchetti pip da aggiungere all'ambiente Python per l'esperimento.
- conda_dependencies_file_path
- str
Stringa che rappresenta il percorso relativo del file yaml delle dipendenze conda. Se specificato, Azure ML non installerà pacchetti correlati al framework.
Questa opzione può essere fornita in combinazione con il conda_packages parametro .
DEPRECATO. Usare il conda_dependencies_file parametro .
- pip_requirements_file_path
- str
Stringa che rappresenta il percorso relativo del file di testo dei requisiti pip.
Questa opzione può essere fornita in combinazione con il pip_packages parametro .
DEPRECATO. Usare il pip_requirements_file parametro .
- conda_dependencies_file
- str
Stringa che rappresenta il percorso relativo del file yaml delle dipendenze conda. Se specificato, Azure ML non installerà pacchetti correlati al framework.
Questa opzione può essere fornita in combinazione con il conda_packages parametro .
- pip_requirements_file
- str
Stringa che rappresenta il percorso relativo del file di testo dei requisiti pip.
Questa opzione può essere fornita in combinazione con il pip_packages parametro .
- environment_variables
- dict
Dizionario dei nomi e dei valori delle variabili di ambiente. Queste variabili di ambiente vengono impostate nel processo in cui viene eseguito lo script utente.
- environment_definition
- Environment
La definizione di ambiente per un esperimento include PythonSection, DockerSection e variabili di ambiente. Qualsiasi opzione di ambiente non esposta direttamente tramite altri parametri alla costruzione di Estimator può essere impostata usando environment_definition il parametro . Se questo parametro è specificato, avrà la precedenza su altri parametri correlati all'ambiente, ad esempio use_gpu, custom_docker_image, conda_packageso pip_packages.
Gli errori verranno segnalati combinazioni non valide.
- inputs
- list
Elenco di azureml.data.data_reference. Oggetti DataReference da usare come input.
- shm_size
- str
Dimensioni del blocco di memoria condiviso del contenitore Docker. Se non è impostato, viene usato il azureml.core.environment._DEFAULT_SHM_SIZE predefinito.
- resume_from
- DataPath
Percorso dati contenente i file di checkpoint o modello da cui riprendere l'esperimento.
- max_run_duration_seconds
- int
Tempo massimo consentito per l'esecuzione. Azure ML tenterà di annullare automaticamente l'esecuzione se richiede più tempo di questo valore.
- framework_version
- str
Versione scikit-learn da usare per l'esecuzione del codice di training.
SKLearn.get_supported_versions() restituisce un elenco delle versioni supportate dall'SDK corrente.
- _enable_optimized_mode
- bool
Abilitare la compilazione incrementale dell'ambiente con immagini framework predefinite per una preparazione più rapida dell'ambiente. Un'immagine del framework predefinita è basata su immagini predefinite di CPU/GPU di Azure ML con dipendenze del framework preinstallate.
- _disable_validation
- bool
Disabilitare la convalida dello script prima di eseguire l'invio. Il valore predefinito è True.
- _show_lint_warnings
- bool
Mostra avvisi di linting dello script. Il valore predefinito è False.
- _show_package_warnings
- bool
Mostra avvisi di convalida del pacchetto. Il valore predefinito è False.
Commenti
Quando si invia un processo di training, Azure ML esegue lo script in un ambiente conda all'interno di un contenitore Docker. I contenitori SKLearn hanno le dipendenze seguenti installate.
Dipendenze | Scikit-learn 0.20.3 | ———————- | —————– | Python | 3.6.2 | azureml-defaults | Ultima | IntelMpi | 2018.3.222 | scikit-learn | 0.20.3 | numpy | 1.16.2 | miniconda | 4.5.11 | scipy | 1.2.1 | joblib | 0.13.2 | git | 2.7.4 |
Le immagini Docker estendono Ubuntu 16.04.
Se è necessario installare dipendenze aggiuntive, è possibile usare i pip_packages parametri o conda_packages oppure specificare il pip_requirements_file file o conda_dependencies_file . In alternativa, è possibile creare un'immagine personalizzata e passare il custom_docker_image parametro al costruttore di stima.
Attributi
DEFAULT_VERSION
DEFAULT_VERSION = '0.20.3'FRAMEWORK_NAME
FRAMEWORK_NAME = 'SKLearn'Commenti e suggerimenti
Presto disponibile: Nel corso del 2024 verranno gradualmente disattivati i problemi di GitHub come meccanismo di feedback per il contenuto e ciò verrà sostituito con un nuovo sistema di feedback. Per altre informazioni, vedere https://aka.ms/ContentUserFeedback.
Invia e visualizza il feedback per