MpiStep Classe
Cria uma etapa de pipeline do Azure ML para executar um trabalho de MPI.
Para obter um exemplo de como usar o MpiStep, confira o notebook https://aka.ms/pl-style-trans.
Crie uma etapa de pipeline do Azure ML para executar um trabalho de MPI.
PRETERIDO. Em vez disso, use CommandStep. Para obter um exemplo, consulte Como executar o treinamento distribuído em pipelines com CommandStep.
- Herança
-
MpiStep
Construtor
MpiStep(name=None, source_directory=None, script_name=None, arguments=None, compute_target=None, node_count=None, process_count_per_node=None, inputs=None, outputs=None, allow_reuse=True, version=None, hash_paths=None, **kwargs)
Parâmetros
- source_directory
- str
[Obrigatório] Uma pasta que contém o script Python, o ambiente do Conda e outros recursos usados na etapa.
- script_name
- str
[Obrigatório] O nome de um script Python relativo a source_directory
.
- compute_target
- AmlCompute, str
[Obrigatório] Um destino de computação a ser usado.
- node_count
- int
[Obrigatório] O número de nós no destino de computação usado para treinamento. Se for maior que 1, um trabalho distribuído de MPI executará. Apenas o destino de computação AmlCompute tem suporte para trabalhos distribuídos. Há suporte para os valores de PipelineParameter.
- process_count_per_node
- int
[Obrigatório] O número de processos por nó. Se for maior que 1, um trabalho distribuído de MPI executará. Apenas o destino de computação AmlCompute tem suporte para trabalhos distribuídos. Há suporte para os valores de PipelineParameter.
- inputs
- list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]]
Uma lista de vinculações de porta de entrada.
Uma lista de vinculações de porta de saída.
- params
- dict
Um dicionário de pares nome-valor registrados como variáveis de ambiente com "AML_PARAMETER_".
- 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.
- hash_paths
- list
PRETERIDO: não é mais necessário.
Uma lista de caminhos para hash ao verificar alterações no conteúdo da etapa. Se não houver alterações detectadas, o pipeline reutilizará o conteúdo da etapa de uma execução anterior. Por padrão, o conteúdo de source_directory
recebe o hash (exceto os arquivos listados em .amlignore ou .gitignore).
- use_gpu
- bool
Indica se o ambiente para executar o experimento deve dar suporte a GPUs.
Se True, uma imagem padrão do Docker baseada em GPU será usada no ambiente. Se False, uma imagem baseada em CPU será usada. As imagens do Docker (CPU ou GPU) padrão serão usadas somente se o parâmetro custom_docker_image
não estiver definido. Essa configuração é usada apenas em destinos de computação habilitados para Docker.
- use_docker
- bool
Indica se o ambiente para executar o experimento deve ser baseado em Docker.
- custom_docker_image
- str
O nome da imagem do Docker a partir da qual a imagem a ser usada para treinamento será criada. Se não for definido, uma imagem padrão baseada em CPU será usada como imagem base.
- user_managed
- bool
Indica se o Azure ML reutiliza um ambiente Python existente; False significa que o Azure ML criará um ambiente Python com base na especificação de dependências do conda.
- conda_packages
- list
Uma lista de cadeia de caracteres representando pacotes conda a serem adicionados ao ambiente do Python.
- pip_packages
- list
Uma lista de cadeia de caracteres representando pacotes pip a serem adicionados ao ambiente do Python.
- pip_requirements_file_path
- str
O caminho relativo para o arquivo de texto de requisitos de pip.
Esse parâmetro pode ser especificado em combinação com o parâmetro pip_packages
.
- environment_definition
- EnvironmentDefinition
A EnvironmentDefinition para o experimento. Inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente por meio de outros parâmetros para a construção MpiStep pode ser definida usando o parâmetro environment_definition. Se esse parâmetro for especificado, ele terá precedência sobre outros parâmetros relacionados ao ambiente, como use_gpu, custom_docker_image, conda_packages ou pip_packages e erros serão relatados nessas combinações inválidas.
- source_directory
- str
[Obrigatório] Uma pasta que contém o script Python, o ambiente do Conda e outros recursos usados na etapa.
- compute_target
- <xref:azureml.core.compute.AmlComputeCompute>, str
[Obrigatório] Um destino de computação a ser usado.
- node_count
- int
[Obrigatório] Número de nós no destino de computação usado para treinamento. Se for maior que 1, o trabalho distribuído de mpi será executado. Apenas o destino de computação AmlCompute tem suporte para trabalhos distribuídos. Há suporte para os valores de PipelineParameter.
- process_count_per_node
- int
[Obrigatório] Número de processos por nó. Se for maior que 1, o trabalho distribuído de mpi será executado. Apenas o destino de computação AmlCompute tem suporte para trabalhos distribuídos. Há suporte para os valores de PipelineParameter.
- inputs
- list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]]
Uma lista de vinculações de porta de entrada.
- outputs
- list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]]
Uma lista de vinculações de porta de saída.
- params
- dict
Um dicionário de pares nome-valor registrados como variáveis de ambiente com ">>AML_PARAMETER_<<".
- allow_reuse
- bool
Indica se a etapa deve reutilizar os resultados anteriores quando a nova execução com os mesmos parâmetros permanecer inalterada, a saída da execução anterior desta etapa será reutilizado. 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.
- version
- str
Marca de versão opcional para indicar uma alteração na funcionalidade do módulo
- hash_paths
- list
PRETERIDO: não é mais necessário.
Uma lista de caminhos para hash ao verificar alterações no conteúdo da etapa. Se não houver alterações detectadas, o pipeline reutilizará o conteúdo da etapa de uma execução anterior. Por padrão, o conteúdo de source_directory
recebe o hash (exceto os arquivos listados em .amlignore ou .gitignore).
- use_gpu
- bool
Indica se o ambiente para executar o experimento deve dar suporte a GPUs.
Se True, uma imagem padrão do Docker baseada em GPU será usada no ambiente. Se False, uma imagem baseada em CPU será usada. As imagens do Docker (CPU ou GPU) padrão serão usadas somente se o parâmetro custom_docker_image
não estiver definido. Essa configuração é usada apenas em destinos de computação habilitados para Docker.
- use_docker
- bool
Indica se o ambiente para executar o experimento deve ser baseado em Docker. custom_docker_image (str): o nome da imagem do docker da qual a imagem a ser usada para o trabalho mpi será criada. Se não é definido, uma imagem padrão baseada em CPU é usada como imagem base.
- custom_docker_image
- str
O nome da imagem do Docker a partir da qual a imagem a ser usada para treinamento será criada. Se não for definido, uma imagem padrão baseada em CPU será usada como imagem base.
- user_managed
- bool
Indica se o Azure ML reutiliza um ambiente Python existente; False significa que o Azure ML criará um ambiente Python com base na especificação de dependências do conda.
- conda_packages
- list
Uma lista de cadeia de caracteres representando pacotes conda a serem adicionados ao ambiente do Python.
- pip_packages
- list
Uma lista de cadeia de caracteres representando pacotes pip a serem adicionados ao ambiente do Python.
- pip_requirements_file_path
- str
O caminho relativo para o arquivo de texto de requisitos de pip.
Esse parâmetro pode ser especificado em combinação com o parâmetro pip_packages
.
- environment_definition
- EnvironmentDefinition
A EnvironmentDefinition para o experimento. Inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente por meio de outros parâmetros para a construção MpiStep pode ser definida usando o parâmetro environment_definition. Se esse parâmetro for especificado, ele terá precedência sobre outros parâmetros relacionados ao ambiente, como use_gpu, custom_docker_image, conda_packages ou pip_packages e erros serão relatados nessas combinações inválidas.
Comentários
https://aka.ms/ContentUserFeedback.
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, consulteEnviar e exibir comentários de