ScriptRunConfig Klasa
Reprezentuje informacje o konfiguracji do przesyłania przebiegu trenowania w usłudze Azure Machine Learning.
SkryptRunConfig pakuje razem informacje o konfiguracji potrzebne do przesłania przebiegu w usłudze Azure ML, w tym skrypt, docelowy obiekt obliczeniowy, środowisko i wszelkie konfiguracje specyficzne dla zadania rozproszonego.
Po skonfigurowaniu i przesłaniu skryptu submitScriptRun za pomocą polecenia zwracany jest element .
Klasa ScriptRunConfig, konstruktor.
- Dziedziczenie
-
azureml._logging.chained_identity.ChainedIdentityScriptRunConfig
Konstruktor
ScriptRunConfig(source_directory, script=None, arguments=None, run_config=None, _telemetry_values=None, compute_target=None, environment=None, distributed_job_config=None, resume_from=None, max_run_duration_seconds=2592000, command=None, docker_runtime_config=None)
Parametry
Opcjonalne argumenty wiersza polecenia do przekazania do skryptu trenowania. Argumenty są przekazywane w parach, na przykład ['–arg1', arg1_val, '–arg2', arg2_val].
- compute_target
- AbstractComputeTarget lub str
Docelowy obiekt obliczeniowy, w którym nastąpi trenowanie. Może to być obiekt ComputeTarget, nazwa istniejącego obiektu ComputeTarget lub ciąg "local". Jeśli nie określono docelowego obiektu obliczeniowego, zostanie użyta maszyna lokalna.
- environment
- Environment
Środowisko do użycia na potrzeby przebiegu. Jeśli środowisko nie zostanie określone, azureml.core.runconfig.DEFAULT_CPU_IMAGE będzie używany jako obraz platformy Docker dla przebiegu.
- distributed_job_config
- TensorflowConfiguration, MpiConfiguration lub PyTorchConfiguration
W przypadku zadań wymagających dodatkowych konfiguracji specyficznych dla zadań rozproszonych.
- resume_from
- DataPath
Ścieżka DataPath zawierająca pliki punktu kontrolnego lub modelu, z których ma być wznowione eksperyment.
- max_run_duration_seconds
Maksymalny dozwolony czas dla przebiegu. System podejmie próbę automatycznego anulowania przebiegu, jeśli trwało to dłużej niż ta wartość. :type max_run_duration_seconds: int
Polecenie, które ma zostać przesłane do uruchomienia. Właściwość polecenia może być również używana zamiast skryptów/argumentów. Właściwości polecenia i skryptu/argumentu nie mogą być używane razem do przesyłania przebiegu. Aby przesłać plik skryptu przy użyciu właściwości polecenia ['python', 'train.py', '-arg1', arg1_val] Aby uruchomić rzeczywiste polecenie — ['ls']
- docker_runtime_config
- DockerConfiguration
W przypadku zadań wymagających konfiguracji specyficznych dla środowiska uruchomieniowego platformy Docker.
Opcjonalne argumenty wiersza polecenia do przekazania do skryptu trenowania. Argumenty są przekazywane w parach, na przykład ['–arg1', arg1_val, '–arg2', arg2_val].
- compute_target
- AbstractComputeTarget lub str
Docelowy obiekt obliczeniowy, w którym nastąpi trenowanie. Może to być obiekt ComputeTarget, nazwa istniejącego obiektu ComputeTarget lub ciąg "local". Jeśli nie określono docelowego obiektu obliczeniowego, zostanie użyta maszyna lokalna.
- environment
- Environment
Środowisko do użycia na potrzeby przebiegu. Jeśli środowisko nie zostanie określone, azureml.core.runconfig.DEFAULT_CPU_IMAGE będzie używany jako obraz platformy Docker dla przebiegu.
- distributed_job_config
- TensorflowConfiguration lub MpiConfiguration lub PyTorchConfiguration
W przypadku zadań wymagających dodatkowych konfiguracji specyficznych dla zadań rozproszonych.
- resume_from
- DataPath
Ścieżka DataPath zawierająca pliki punktu kontrolnego lub modelu, z których ma być wznowione eksperyment.
- max_run_duration_seconds
- int
Maksymalny dozwolony czas dla przebiegu. System podejmie próbę automatycznego anulowania przebiegu, jeśli trwało to dłużej niż ta wartość.
Polecenie, które ma zostać przesłane do uruchomienia. Właściwość polecenia może być również używana zamiast skryptów/argumentów. Właściwości polecenia i skryptu/argumentu nie mogą być używane razem do przesyłania przebiegu. Aby przesłać plik skryptu przy użyciu właściwości polecenia ['python', 'train.py', '-arg1', arg1_val] Aby uruchomić rzeczywiste polecenie — ['ls']
- docker_runtime_config
- DockerConfiguration
W przypadku zadań wymagających konfiguracji specyficznych dla środowiska uruchomieniowego platformy Docker.
Uwagi
Zestaw SDK usługi Azure Machine Learning udostępnia serię wzajemnie połączonych klas, które ułatwiają trenowanie i porównywanie modeli uczenia maszynowego, które są związane z udostępnionym problemem, który rozwiązuje.
Element Experiment działa jako kontener logiczny dla tych przebiegów trenowania. Obiekt ScriptRunConfig służy do konfigurowania informacji niezbędnych do przesłania przebiegu trenowania w ramach eksperymentu. Po przesłaniu przebiegu przy użyciu obiektu ScriptRunConfig metoda submit zwraca obiekt typu ScriptRun. Następnie zwrócony obiekt ScriptRun zapewnia programowy dostęp do informacji o przebiegu trenowania. ScriptRun to klasa podrzędna klasy Run.
Kluczową koncepcją do zapamiętania jest to, że istnieją różne obiekty konfiguracji używane do przesyłania eksperymentu na podstawie rodzaju przebiegu, który chcesz wyzwolić. Typ obiektu konfiguracji informuje następnie o klasie podrzędnej Przebiegu, która zostanie przywrócona z metody submit. Po przekazaniu obiektu ScriptRunConfig w wywołaniu metody submit eksperymentu jest zwracany obiekt ScriptRun. Przykłady innych zwróconych obiektów przebiegu to ( AutoMLRun zwracane dla przebiegu rozwiązania AutoML) i PipelineRun (zwracane w przypadku uruchomienia potoku).
Poniższy przykład pokazuje, jak przesłać skrypt szkoleniowy na maszynie lokalnej.
from azureml.core import ScriptRunConfig, Experiment
# create or load an experiment
experiment = Experiment(workspace, 'MyExperiment')
# create or retrieve a compute target
cluster = workspace.compute_targets['MyCluster']
# create or retrieve an environment
env = Environment.get(ws, name='MyEnvironment')
# configure and submit your training run
config = ScriptRunConfig(source_directory='.',
script='train.py',
arguments=['--arg1', arg1_val, '--arg2', arg2_val],
compute_target=cluster,
environment=env)
script_run = experiment.submit(config)
W poniższym przykładzie pokazano, jak przesłać skrypt trenowania w klastrze przy użyciu właściwości polecenia zamiast skryptu i argumentów.
from azureml.core import ScriptRunConfig, Experiment
# create or load an experiment
experiment = Experiment(workspace, 'MyExperiment')
# create or retrieve a compute target
cluster = workspace.compute_targets['MyCluster']
# create or retrieve an environment
env = Environment.get(ws, name='MyEnvironment')
# configure and submit your training run
config = ScriptRunConfig(source_directory='.',
command=['python', 'train.py', '--arg1', arg1_val],
compute_target=cluster,
environment=env)
script_run = experiment.submit(config)
Poniższy przykład pokazuje, jak uruchomić polecenie w klastrze.
from azureml.core import ScriptRunConfig, Experiment
# create or load an experiment
experiment = Experiment(workspace, 'MyExperiment')
# create or retrieve a compute target
cluster = workspace.compute_targets['MyCluster']
# create or retrieve an environment
env = Environment.get(ws, name='MyEnvironment')
# configure and submit your training run
config = ScriptRunConfig(source_directory='.',
command=['ls', '-l'],
compute_target=cluster,
environment=env)
script_run = experiment.submit(config)
Aby uzyskać więcej przykładów pokazujących sposób pracy z elementem ScriptRunConfig, zobacz:
Atrybuty
MAX_DURATION_SECONDS_DEFAULT
MAX_DURATION_SECONDS_DEFAULT = 2592000
Opinia
https://aka.ms/ContentUserFeedback.
Dostępne już wkrótce: W 2024 r. będziemy stopniowo wycofywać zgłoszenia z serwisu GitHub jako mechanizm przesyłania opinii na temat zawartości i zastępować go nowym systemem opinii. Aby uzyskać więcej informacji, sprawdź:Prześlij i wyświetl opinię dla