EstimatorStep Classe
PRETERIDO. Cria uma etapa de pipeline para executar Estimator para o treinamento do modelo do Azure ML.
Crie uma etapa do Pipeline do Azure ML para executar o treinamento de modelo do Avaliador para Machine Learning.
PRETERIDO. Em vez disso, use CommandStep. Para obter um exemplo, confira Como executar o treinamento de ML em pipelines com CommandStep.
- Herança
-
EstimatorStep
Construtor
EstimatorStep(name=None, estimator=None, estimator_entry_script_arguments=None, runconfig_pipeline_params=None, inputs=None, outputs=None, compute_target=None, allow_reuse=True, version=None)Parâmetros
- estimator
- Estimator
O objeto do avaliador associado para esta etapa. Pode ser um avaliador pré-configurado, como Chainer, PyTorch, TensorFlow ou SKLearn.
[Obrigatório] Uma lista de argumentos de linha de comando. Se o script de entrada do Avaliador não aceitar os argumentos de linha de comando, defina esse valor de parâmetro como uma lista vazia.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Uma substituição das propriedades runconfig no runtime usando pares chave-valor, em que cada um tem o nome da propriedade runconfig e o PipelineParameter dessa propriedade.
Valores com suporte: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount' e 'TensorflowParameterServerCount'
- inputs
- list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]]
Uma lista de entradas a serem usadas.
Uma lista de objetos PipelineData.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, str]
[Obrigatório] O destino de computação a ser usado.
- allow_reuse
- bool
Indica se a etapa deve ou não reutilizar os resultados anteriores quando executada novamente com as mesmas configurações. A reutilização está habilitada por padrão. Se o conteúdo da etapa (scripts/dependências), as entradas e os parâmetros permanecerem inalterados, será reutilizada a saída da execução anterior dessa etapa. Ao reutilizar a etapa, em vez de enviar o trabalho para computação, os resultados da execução anterior serão disponibilizados imediatamente para etapas posteriores. Se você usar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada dependendo de ter havido ou não alteração da definição do conjunto de dados, não de ter havido alteração dos dados subjacentes.
- version
- str
Uma marca de versão opcional para denotar uma alteração na funcionalidade do módulo.
- estimator
- <xref:Estimator>
O objeto do avaliador associado para esta etapa. Pode ser um avaliador pré-configurado, como Chainer, PyTorch, TensorFlow ou SKLearn.
- estimator_entry_script_arguments
- [str]
[Obrigatório] Uma lista de argumentos de linha de comando. Se o script de entrada do Avaliador não aceitar os argumentos de linha de comando, defina esse valor de parâmetro como uma lista vazia.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Uma substituição das propriedades runconfig no runtime usando pares chave-valor, em que cada um tem o nome da propriedade runconfig e o PipelineParameter dessa propriedade.
Valores com suporte: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount' e 'TensorflowParameterServerCount'
- inputs
- list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]]
Uma lista de entradas a serem usadas.
- outputs
- list[Union[PipelineData, PipelineOutputAbstractDataset]
Uma lista de objetos PipelineData.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, str]
[Obrigatório] O destino de computação a ser usado.
- allow_reuse
- bool
Indica se a etapa deve ou não reutilizar os resultados anteriores quando executada novamente com as mesmas configurações. A reutilização está habilitada por padrão. Se o conteúdo da etapa (scripts/dependências), as entradas e os parâmetros permanecerem inalterados, será reutilizada a saída da execução anterior dessa etapa. Ao reutilizar a etapa, em vez de enviar o trabalho para computação, os resultados da execução anterior serão disponibilizados imediatamente para etapas posteriores. Se você usar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada dependendo de ter havido ou não alteração na definição do conjunto de dados, não de ter havido alteração nos dados subjacentes.
Comentários
Observe que os argumentos para o script de entrada usado no objeto Estimator devem ser especificados como lista usando o parâmetro estimator_entry_script_arguments ao instanciar um EstimatorStep. O parâmetro script_params do avaliador aceita um dicionário. No entanto, o parâmetro estimator_entry_script_argument espera argumentos como uma lista.
A inicialização de EstimatorStep envolve a especificação de uma lista de entradas com o parâmetro inputs e não é preciso especificar as entradas com o avaliador, pois isso gera uma exceção. Confira o parâmetro inputs para ver os tipos de entradas permitidas. Opcionalmente, especifique qualquer saída para a etapa. Confira o parâmetro outputs para ver os tipos de saídas permitidas.
A prática recomendada ao trabalhar com EstimatorStep é usar uma pasta separada para scripts e arquivos dependentes associados à etapa e especificar essa pasta como o source_directory do objeto Estimator. Fazer isso traz dois benefícios. Primeiro, ajuda a reduzir o tamanho do instantâneo criado para a etapa porque apenas o que é necessário para a etapa é a captura de instantâneo. Segundo, a saída da etapa de uma execução anterior poderá ser reutilizada se não houver alterações no source_directory que disparariam um novo upload do instantâneo.
Métodos
| create_node |
Criar um nó na etapa do avaliador e adicioná-lo ao gráfico especificado. PRETERIDO. Em vez disso, use CommandStep. Para obter um exemplo, confira Como executar o treinamento de ML em pipelines com CommandStep. Esse método não deve ser usado diretamente. Quando um pipeline é instanciado com essa etapa, o Azure ML transmite os parâmetros necessários automaticamente por meio desse método para que a etapa possa ser adicionada a um gráfico de pipeline que representa o fluxo de trabalho. |
create_node
Criar um nó na etapa do avaliador e adicioná-lo ao gráfico especificado.
PRETERIDO. Em vez disso, use CommandStep. Para obter um exemplo, confira Como executar o treinamento de ML em pipelines com CommandStep.
Esse método não deve ser usado diretamente. Quando um pipeline é instanciado com essa etapa, o Azure ML transmite os parâmetros necessários automaticamente por meio desse método para que a etapa possa ser adicionada a um gráfico de pipeline que representa o fluxo de trabalho.
create_node(graph, default_datastore, context)Parâmetros
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
O armazenamento de dados padrão.
- context
- <xref:azureml.pipeline.core._GraphContext>
O contexto do grafo.
Retornos
O nó criado.
Tipo de retorno
Comentários
Em breve: Ao longo de 2024, eliminaremos os problemas do GitHub como o mecanismo de comentários para conteúdo e o substituiremos por um novo sistema de comentários. Para obter mais informações, consulte https://aka.ms/ContentUserFeedback.
Enviar e exibir comentários de