ScriptRunConfig Classe

Representa informações de configuração para a submissão de uma formação em Azure Machine Learning.

Um ScriptRunConfig reúne as informações de configuração necessárias para submeter uma corrida em Azure ML, incluindo o script, o alvo do cálculo, o ambiente e quaisquer configs específicos do trabalho distribuídos.

Uma vez que uma execução de script é configurada e submetida com o submit , a ScriptRun é devolvido.

Herança
azureml._logging.chained_identity.ChainedIdentity
ScriptRunConfig

Construtor

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)

Parâmetros

source_directory
<xref:str>

Um diretório local contendo ficheiros de código necessários para uma corrida.

script
<xref:str>

O caminho do ficheiro relativo ao source_directory do script a ser executado.

arguments
list ou <xref:str>

Argumentos de linha de comando opcionais para passar para o roteiro de treino. Os argumentos são passados em pares, por exemplo, ['-arg1', arg1_val, '-arg2', arg2_val].

run_config
RunConfiguration

Configuração de execução opcional para usar.

_telemetry_values
<xref:dict>

Uso interno apenas.

compute_target
AbstractComputeTarget ou <xref:str>

O alvo do cálculo onde o treino vai acontecer. Isto pode ser um objeto ComputeTarget, o nome de um ComputeTarget existente, ou a cadeia "local". Se não for especificado nenhum alvo de cálculo, a sua máquina local será utilizada.

environment
Ambiente

O ambiente a ser usado para correr. Se não for especificado nenhum ambiente, azureml.core.runconfig.DEFAULT_CPU_IMAGE serão usados como a imagem do Docker para a execução.

distributed_job_config
<xref:azureml.core.runconfig.TensorflowConfiguration,azureml.core.runconfig.MpiConfiguration,> ou PyTorchConfiguration

Para trabalhos que requerem configurações adicionais distribuídas específicas do trabalho.

resume_from
DataPath

O DataPath que contém o ponto de verificação ou os ficheiros do modelo a partir dos quais retomar a experiência.

max_run_duration_seconds

O tempo máximo permitido para a corrida. O sistema tentará cancelar automaticamente a execução se demorar mais do que este valor. :tipo max_run_duration_seconds: int

command
list[<xref:str>] ou <xref:str>

O comando a ser submetido para a corrida. A propriedade de comando também pode ser usada em vez de script/argumentos. Tanto as propriedades de comando como de script/argumento não podem ser usadas em conjunto para submeter uma execução. Para submeter um ficheiro de script usando a propriedade de comando - ['python', 'train.py', '--arg1', arg1_val] Executar um comando real - ['ls']

docker_runtime_config
DockerConfiguration

Para trabalhos que requerem configurações específicas do tempo de execução do Docker.

Observações

O Azure Machine Learning SDK fornece-lhe uma série de aulas interligadas, que são projetadas para ajudá-lo a treinar e comparar modelos de machine learning que estão relacionados com o problema partilhado que estão a resolver.

Um Experiment recipiente lógico para estas corridas de treino. Um objeto ScriptRunConfig é usado para configurar as informações necessárias para submeter uma corrida de treino como parte de uma Experiência. Quando uma execução é submetida usando um objeto ScriptRunConfig, o método de submissão devolve um objeto do tipo ScriptRun . Em seguida, o objeto ScriptRun devolvido dá-lhe acesso programático à informação sobre a execução de treino. ScriptRun é uma classe infantil Run de.

O conceito-chave a lembrar é que existem diferentes objetos de configuração que são usados para submeter uma experiência, com base no tipo de execução que pretende desencadear. O tipo de objeto de configuração informa então qual a classe infantil de Run que obtém do método de submissão. Quando passas um objeto ScriptRunConfig numa chamada para o método de submissão do Experiment, recebes um objeto ScriptRun. Exemplos de outros objetos de execução devolvidos incluem AutoMLRun (devolvido para uma corrida AutoML) e PipelineRun (devolvido para uma corrida de Pipeline).

A amostra que se segue mostra como enviar um script de treino na sua máquina local.


   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)

O exemplo a seguir mostra como submeter um script de treino no seu cluster usando a propriedade de comando em vez de script e argumentos.


   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)

A amostra que se segue mostra como executar um comando no seu aglomerado.


   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)

Para mais exemplos que mostrem como trabalhar com o ScriptRunConfig, consulte:

Atributos

MAX_DURATION_SECONDS_DEFAULT

MAX_DURATION_SECONDS_DEFAULT = 2592000