TrainingOutput Klasa
Definiuje wyspecjalizowane dane wyjściowe niektórych elementów PipelineSteps do użycia w potoku.
Funkcja TrainingOutput umożliwia udostępnienie metryki lub modelu zautomatyzowanego uczenia maszynowego jako danych wyjściowych kroków, które mają być używane przez inny krok w potoku usługi Azure Machine Learning. Może być używany z programem AutoMLStep lub HyperDriveStep.
Inicjowanie funkcji TrainingOutput.
param model_file: określony plik modelu, który ma zostać uwzględniony w danych wyjściowych. Tylko dla.HyperDriveStep
- Dziedziczenie
-
builtins.objectTrainingOutput
Konstruktor
TrainingOutput(type, iteration=None, metric=None, model_file=None)
Parametry
- iteration
- int
Numer iteracji odpowiedniego modelu trenowania.
Ten numer iteracji można podać tylko z typem "Model".
iteration
Podaj parametr lub metric
parametr, ale nie oba.
- metric
- str
Metryka do użycia w celu zwrócenia najlepszego modelu trenowania.
Metryka może być dostarczana tylko z typem "Model".
iteration
Podaj parametr lub metric
parametr, ale nie oba.
- model_file
- str
Określony plik modelu, który ma zostać uwzględniony w danych wyjściowych. Tylko dla.HyperDriveStep
- iteration
- int
Numer iteracji odpowiedniego modelu trenowania.
Ten numer iteracji można podać tylko z typem "Model".
iteration
Podaj parametr lub metric
parametr, ale nie oba.
- metric
- str
Metryka do użycia w celu zwrócenia najlepszego modelu trenowania.
Metryka może być dostarczana tylko z typem "Model".
iteration
Podaj parametr lub metric
parametr, ale nie oba.
Uwagi
Funkcja TrainingOutput jest używana podczas PipelineData tworzenia elementu Pipeline w celu umożliwienia wykonywania innych kroków w celu korzystania z metryk lub modeli generowanych przez element AutoMLStep lub HyperDriveStep.
Użyj metody TrainingOutput podczas definiowania elementu AutoMLStep w następujący sposób:
from azureml.pipeline.core import PipelineData, TrainingOutput
metrics_data = PipelineData(name='metrics_data', datastore=ds,
pipeline_output_name='metrics_output',
training_output=TrainingOutput(type='Metrics'))
model_data = PipelineData(name='model_data', datastore=ds,
pipeline_output_name='best_model_output',
training_output=TrainingOutput(type='Model'))
automl_step = AutoMLStep(name='automl_step',
automl_config=automl_config,
inputs=[input_data],
outputs=[metrics_data, model_data])
Zobacz przykład użycia funkcji TrainingOutput i kroku AutoMlStep w notesie https://aka.ms/pl-automl.
Atrybuty
iteration
Pobierz numer iteracji odpowiedniego modelu trenowania.
Zwraca
Numer iteracji dla modelu trenowania.
Typ zwracany
metric
Uzyskaj metryki dla najlepszego modelu trenowania.
Zwraca
Nazwa metryki dla najlepszego modelu trenowania.
Typ zwracany
model_file
Pobierz plik modelu, który ma zostać uwzględniony w danych wyjściowych, aby uzyskać najlepszy model trenowania.
Zwraca
Konkretny plik, który ma zostać uwzględniony w danych wyjściowych najlepszego modelu trenowania.
Typ zwracany
type
Uzyskaj typ danych wyjściowych trenowania.
Zwraca
Typ danych wyjściowych trenowania. Możliwe wartości to: "Metryki", "Model".
Typ zwracany
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