EstimatorStep Classe

PRETERIDO. Cria um passo de pipeline para ser executado para a preparação Estimator de modelos do Azure ML.

Crie um passo do Pipeline do Azure ML para executar o Avaliador para a preparação de modelos do Machine Learning.

PRETERIDO. Em vez disso, utilize o CommandStep . Para obter um exemplo, veja How to run ML training in pipelines with CommandStep (Como executar a preparação de ML em pipelines com CommandStep).

Herança

PythonScriptStep

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

Name	Description
name	str O nome do passo. valor predefinido: None
estimator	Estimator O objeto do avaliador associado para este passo. Pode ser um avaliador pré-configurado, como Chainer, PyTorch, TensorFlowou SKLearn. valor predefinido: None
estimator_entry_script_arguments	list[str] [Obrigatório] Uma lista de argumentos da linha de comandos. Se o script de entrada do Avaliador não aceitar argumentos de linha de comandos, defina este valor de parâmetro para uma lista vazia. valor predefinido: None
runconfig_pipeline_params	dict[str, PipelineParameter] Uma substituição das propriedades de runconfig no runtime com pares chave-valor, cada uma com o nome da propriedade runconfig e PipelineParameter para essa propriedade. Valores suportados: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount" valor predefinido: None
inputs	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]] Uma lista de entradas a utilizar. valor predefinido: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset]] Uma lista de objetos PipelineData. valor predefinido: None
compute_target	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Obrigatório] O destino de computação a utilizar. valor predefinido: None
allow_reuse	bool Indica se o passo deve reutilizar os resultados anteriores ao executar novamente com as mesmas definições. A reutilização está ativada por predefinição. Se o conteúdo do passo (scripts/dependências), bem como as entradas e os parâmetros permanecerem inalterados, o resultado da execução anterior deste passo será reutilizado. Ao reutilizar o passo, em vez de submeter a tarefa para computação, os resultados da execução anterior são imediatamente disponibilizados para quaisquer passos subsequentes. Se utilizar conjuntos de dados do Azure Machine Learning como entradas, a reutilização é determinada se a definição do conjunto de dados foi alterada e não se os dados subjacentes foram alterados. valor predefinido: True
version	str Uma etiqueta de versão opcional para denotar uma alteração na funcionalidade do módulo. valor predefinido: None
name Necessário	str O nome do passo.
estimator Necessário	<xref:Estimator> O objeto do avaliador associado para este passo. Pode ser um avaliador pré-configurado, como Chainer, PyTorch, TensorFlowou SKLearn.
estimator_entry_script_arguments Necessário	[str] [Obrigatório] Uma lista de argumentos da linha de comandos. Se o script de entrada do Avaliador não aceitar argumentos de linha de comandos, defina este valor de parâmetro para uma lista vazia.
runconfig_pipeline_params Necessário	dict[str, PipelineParameter] Uma substituição das propriedades de runconfig no runtime com pares chave-valor, cada uma com o nome da propriedade runconfig e PipelineParameter para essa propriedade. Valores suportados: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount"
inputs Necessário	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]] Uma lista de entradas a utilizar.
outputs Necessário	list[Union[PipelineData, PipelineOutputAbstractDataset] Uma lista de objetos PipelineData.
compute_target Necessário	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Obrigatório] O destino de computação a utilizar.
allow_reuse Necessário	bool Indica se o passo deve reutilizar os resultados anteriores ao executar novamente com as mesmas definições. A reutilização está ativada por predefinição. Se o conteúdo do passo (scripts/dependências), bem como as entradas e os parâmetros permanecerem inalterados, o resultado da execução anterior deste passo será reutilizado. Ao reutilizar o passo, em vez de submeter a tarefa para computação, os resultados da execução anterior são imediatamente disponibilizados para quaisquer passos subsequentes. Se utilizar conjuntos de dados do Azure Machine Learning como entradas, a reutilização é determinada se a definição do conjunto de dados foi alterada e não se os dados subjacentes foram alterados.
version Necessário	str versão

Observações

Tenha em atenção que os argumentos para o script de entrada utilizado no Estimator objeto têm de ser especificados como lista com o parâmetro ao estimator_entry_script_arguments instanciar um EstimatorStep. O parâmetro script_params Estimador aceita um dicionário. No entanto, estimator_entry_script_argument o parâmetro espera argumentos como uma lista.

A inicialização EstimatorStep envolve especificar uma lista de entradas com o inputs parâmetro e não precisa de especificar as entradas com o Avaliador. Se o fizer, será emitida uma exceção. Veja o inputs parâmetro para obter os tipos de entradas permitidos. Opcionalmente, também pode especificar quaisquer saídas para o passo. Veja o outputs parâmetro para obter os tipos de saída permitidos.

A melhor prática para trabalhar com o EstimatorStep é utilizar uma pasta separada para scripts e quaisquer ficheiros dependentes associados ao passo e especificar essa pasta como .Estimatorsource_directory Fazê-lo tem dois benefícios. Em primeiro lugar, ajuda a reduzir o tamanho do instantâneo criado para o passo, porque apenas o que é necessário para o passo é instantâneo. Em segundo lugar, o resultado do passo de uma execução anterior pode ser reutilizado se não existirem alterações no source_directory que acionem um novo carregamento do snaphot.

Métodos

create_node

Crie um nó a partir do passo Avaliador e adicione-o ao gráfico especificado. PRETERIDO. Em vez disso, utilize o CommandStep . Para obter um exemplo, veja How to run ML training in pipelines with CommandStep (Como executar a preparação de ML em pipelines com CommandStep). Este método não se destina a ser utilizado diretamente. Quando um pipeline é instanciado com este passo, o Azure ML transmite automaticamente os parâmetros necessários através deste método para que esse passo possa ser adicionado a um gráfico de pipeline que representa o fluxo de trabalho.

create_node

Crie um nó a partir do passo Avaliador e adicione-o ao gráfico especificado.

PRETERIDO. Em vez disso, utilize o CommandStep . Para obter um exemplo, veja How to run ML training in pipelines with CommandStep (Como executar a preparação de ML em pipelines com CommandStep).

Este método não se destina a ser utilizado diretamente. Quando um pipeline é instanciado com este passo, o Azure ML transmite automaticamente os parâmetros necessários através deste método para que esse passo possa ser adicionado a um gráfico de pipeline que representa o fluxo de trabalho.

create_node(graph, default_datastore, context)

Parâmetros

Name	Description
graph Necessário	Graph O objeto de gráfico ao que adicionar o nó.
default_datastore Necessário	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] O arquivo de dados predefinido.
context Necessário	<xref:azureml.pipeline.core._GraphContext> O contexto do gráfico.

Devoluções

Tipo	Description
Node	O nó criado.