BanditPolicy 클래스

  • 참조

slack 조건과 평가 빈도 및 지연 간격을 기반으로 조기 종료 정책을 정의합니다.

상속
azure.ai.ml.entities._job.sweep.early_termination_policy.EarlyTerminationPolicy
BanditPolicy

생성자

BanditPolicy(*, delay_evaluation: int = 0, evaluation_interval: int = 0, slack_amount: float = 0, slack_factor: float = 0)

키워드 전용 매개 변수

Name Description
delay_evaluation
int

첫 번째 평가를 지연할 간격의 수입니다. 기본값은 0입니다.
evaluation_interval
int

정책 평가 사이의 간격(실행 수)입니다. 기본값은 0입니다.
slack_amount
float

최상의 실행에서 허용되는 절대 거리입니다. 기본값은 0입니다.
slack_factor
float

가장 성능이 뛰어난 실행에서 허용된 거리의 비율입니다. 기본값은 0입니다.

예제

Command 작업에서 하이퍼 매개 변수 스윕의 BanditPolicy 조기 종료 구성


   from azure.ai.ml import command

   job = command(
       inputs=dict(kernel="linear", penalty=1.0),
       compute=cpu_cluster,
       environment=f"{job_env.name}:{job_env.version}",
       code="./scripts",
       command="python scripts/train.py --kernel $kernel --penalty $penalty",
       experiment_name="sklearn-iris-flowers",
   )

   # we can reuse an existing Command Job as a function that we can apply inputs to for the sweep configurations
   from azure.ai.ml.sweep import Uniform

   job_for_sweep = job(
       kernel=Uniform(min_value=0.0005, max_value=0.005),
       penalty=Uniform(min_value=0.9, max_value=0.99),
   )

   from azure.ai.ml.sweep import BanditPolicy

   sweep_job = job_for_sweep.sweep(
       sampling_algorithm="random",
       primary_metric="best_val_acc",
       goal="Maximize",
       max_total_trials=8,
       max_concurrent_trials=4,
       early_termination_policy=BanditPolicy(slack_factor=0.15, evaluation_interval=1, delay_evaluation=10),
   )