SKLearn Класс
Создает оценщик для обучения в экспериментах Scikit-learn.
НЕ РЕКОМЕНДУЕТСЯ. Используйте объект ScriptRunConfig с собственной определенной средой или курированной средой учебника по AzureML. Общие сведения о настройке запусков эксперимента SKLearn с помощью ScriptRunConfig приведены в статье Обучение моделей Scikit-learn в большом масштабе с помощью Машинного обучения Azure.
Этот оценщик поддерживает обучение только с использованием ЦП с одним узлом.
Поддерживаемые версии: 0.20.3
Инициализация оценщика Scikit-learn.
- Наследование
-
azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimatorSKLearn
Конструктор
SKLearn(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, use_docker=True, custom_docker_image=None, image_registry_details=None, user_managed=False, conda_packages=None, pip_packages=None, conda_dependencies_file_path=None, pip_requirements_file_path=None, conda_dependencies_file=None, pip_requirements_file=None, environment_variables=None, environment_definition=None, inputs=None, shm_size=None, resume_from=None, max_run_duration_seconds=None, framework_version=None, _enable_optimized_mode=False, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)
Параметры
- compute_target
- AbstractComputeTarget или str
Целевой объект вычислений, в котором будет выполняться обучение. Это может быть либо объект, либо строка "local" (локальный).
- vm_size
- str
Размер виртуальной машины целевого объекта вычислений, который будет создан для обучения.
Поддерживаемые значения: любой размер виртуальной машины Azure.
- vm_priority
- str
Приоритет виртуальной машины целевого объекта вычислений, который будет создан для обучения. Если значение не указано, используется "dedicated" (выделенный).
Поддерживаемые значения: "dedicated" (выделенный) и "lowpriority" (низкий приоритет).
Действует только в том случае, если vm_size param
указан во входных данных.
- entry_script
- str
Строка, представляющая относительный путь к файлу, используемому для начала обучения.
- script_params
- dict
Словарь аргументов командной строки для передачи в скрипт обучения, указанный в entry_script
.
- custom_docker_image
- str
Имя образа Docker, из которого будет построен образ, используемый для обучения. Если параметр не задан, в качестве базового образа будет по умолчанию использоваться образ на основе ЦП.
- user_managed
- bool
Указывает, будет ли Azure ML повторно использовать существующую среду Python. При значении False Azure ML создает среду Python на основе спецификации зависимостей Conda.
- conda_packages
- list
Список строк, представляющих пакеты Сonda, добавляемые в среду Python для эксперимента.
- pip_packages
- list
Список строк, представляющих пакеты pip, добавляемые в среду Python для эксперимента.
- conda_dependencies_file_path
- str
Строка, представляющая относительный путь к файлу YAML зависимостей Conda.
Если он указан, Машинное обучение Azure не будет устанавливать пакеты, связанные с платформой.
Его можно указать в сочетании с параметром conda_packages
.
НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр conda_dependencies_file
.
- pip_requirements_file_path
- str
Строка, представляющая относительный путь к текстовому файлу требований PIP.
Его можно указать в сочетании с параметром pip_packages
.
НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр pip_requirements_file
.
- conda_dependencies_file
- str
Строка, представляющая относительный путь к файлу YAML зависимостей Conda.
Если он указан, Машинное обучение Azure не будет устанавливать пакеты, связанные с платформой.
Его можно указать в сочетании с параметром conda_packages
.
- pip_requirements_file
- str
Строка, представляющая относительный путь к текстовому файлу требований PIP.
Его можно указать в сочетании с параметром pip_packages
.
- environment_variables
- dict
Словарь имен и значений переменных среды. Эти переменные среды задаются для процесса, в котором выполняется пользовательский скрипт.
- environment_definition
- Environment
Определение среды для эксперимента включает в себя PythonSection, DockerSection и переменные среды. С помощью параметра environment_definition
можно задать любую опцию среды, которая не предоставляется напрямую через другие параметры в конструкцию оценщика. Если этот параметр указан, он будет иметь приоритет над другими параметрами, связанными со средой, например, use_gpu
, custom_docker_image
, conda_packages
и pip_packages
.
При недопустимых сочетаниях будут выводиться ошибки.
- inputs
- list
Список объектов DataReference или DatasetConsumptionConfig, используемых в качестве входных данных.
- shm_size
- str
Размер блока общей памяти контейнера Docker. Если значение не задано, используется значение по умолчанию azureml.core.environment._DEFAULT_SHM_SIZE.
- resume_from
- DataPath
Путь к данным, содержащий файлы контрольной точки или модели, из которых возобновляется выполнение эксперимента.
- max_run_duration_seconds
- int
Максимально допустимое время выполнения. Машинное обучение Azure будет пытаться автоматически отменить выполнение, если оно занимает больше времени, чем задано этим значением.
- framework_version
- str
Версия Scikit-learn, которая будет использоваться для выполнения кода обучения.
SKLearn.get_supported_versions()
возвращает список версий, поддерживаемых текущим пакетом SDK.
- compute_target
- AbstractComputeTarget или str
Целевой объект вычислений, в котором будет выполняться обучение. Это может быть либо объект, либо строка "local" (локальный).
- vm_size
- str
Размер виртуальной машины целевого объекта вычислений, который будет создан для обучения. Поддерживаемые значения: любой размер виртуальной машины Azure.
- vm_priority
- str
Приоритет виртуальной машины целевого объекта вычислений, который будет создан для обучения. Если значение не указано, используется "dedicated" (выделенный).
Поддерживаемые значения: "dedicated" (выделенный) и "lowpriority" (низкий приоритет).
Действует только в том случае, если vm_size param
указан во входных данных.
- entry_script
- str
Строка, представляющая относительный путь к файлу, используемому для начала обучения.
- script_params
- dict
Словарь аргументов командной строки для передачи в скрипт обучения, указанный в entry_script
.
- use_docker
- bool
Логическое значение, указывающее, должна ли среда для запуска эксперимента быть основана на Docker.
- custom_docker_image
- str
Имя образа Docker, из которого будет построен образ, используемый для обучения. Если он не задан, в качестве базового образа будет использоваться образ на основе ЦП по умолчанию.
- user_managed
- bool
Указывает, будет ли Azure ML повторно использовать существующую среду Python. При значении False Azure ML создает среду Python на основе спецификации зависимостей Conda.
- conda_packages
- list
Список строк, представляющих пакеты Сonda, добавляемые в среду Python для эксперимента.
- pip_packages
- list
Список строк, представляющих пакеты pip, добавляемые в среду Python для эксперимента.
- conda_dependencies_file_path
- str
Строка, представляющая относительный путь к файлу YAML зависимостей Conda. Если он указан, Машинное обучение Azure не будет устанавливать пакеты, связанные с платформой.
Его можно указать в сочетании с параметром conda_packages
.
НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр conda_dependencies_file
.
- pip_requirements_file_path
- str
Строка, представляющая относительный путь к текстовому файлу требований PIP.
Его можно указать в сочетании с параметром pip_packages
.
НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр pip_requirements_file
.
- conda_dependencies_file
- str
Строка, представляющая относительный путь к файлу YAML зависимостей Conda. Если он указан, Машинное обучение Azure не будет устанавливать пакеты, связанные с платформой.
Его можно указать в сочетании с параметром conda_packages
.
- pip_requirements_file
- str
Строка, представляющая относительный путь к текстовому файлу требований PIP.
Его можно указать в сочетании с параметром pip_packages
.
- environment_variables
- dict
Словарь имен и значений переменных среды. Эти переменные среды задаются для процесса, в котором выполняется пользовательский скрипт.
- environment_definition
- Environment
Определение среды для эксперимента включает в себя PythonSection, DockerSection и переменные среды. С помощью параметра environment_definition
можно задать любую опцию среды, которая не предоставляется напрямую через другие параметры в конструкцию оценщика. Если этот параметр указан, он будет иметь приоритет над другими параметрами, связанными со средой, например, use_gpu
, custom_docker_image
, conda_packages
и pip_packages
.
При недопустимых сочетаниях будут выводиться ошибки.
- inputs
- list
Список azureml.data.data_reference. Объекты DataReference, используемые в качестве входных данных.
- shm_size
- str
Размер блока общей памяти контейнера Docker. Если значение не задано, используется значение по умолчанию azureml.core.environment._DEFAULT_SHM_SIZE.
- resume_from
- DataPath
Путь к данным, содержащий файлы контрольной точки или модели, из которых возобновляется выполнение эксперимента.
- max_run_duration_seconds
- int
Максимально допустимое время выполнения. Машинное обучение Azure будет пытаться автоматически отменить выполнение, если оно занимает больше времени, чем задано этим значением.
- framework_version
- str
Версия Scikit-learn, которая будет использоваться для выполнения кода обучения.
SKLearn.get_supported_versions()
возвращает список версий, поддерживаемых текущим пакетом SDK.
- _enable_optimized_mode
- bool
Включите добавочную сборку среды с помощью предварительно созданных образов платформы для ускорения подготовки среды. Предварительно созданный образ платформы создан на основе базовых образов ЦП и GPU Azure ML по умолчанию с предварительно установленными зависимостями платформы.
- _disable_validation
- bool
Отключите проверку скрипта перед запуском отправки. Значение по умолчанию равно True.
- _show_lint_warnings
- bool
Отображение предупреждений о анализе кода скрипта. Значение по умолчанию — False.
- _show_package_warnings
- bool
Отображение предупреждений о проверке пакета. Значение по умолчанию — False.
Комментарии
При отправке задания обучения Azure ML выполняет скрипт в среде Conda в контейнере Docker. В контейнерах SKLearn установлены следующие зависимости.
Зависимости | Scikit-learn 0.20.3 | ———————- | —————– | Python | 3.6.2 | azureml-defaults | Latest | IntelMpi | 2018.3.222 | scikit-learn | 0.20.3 | numpy | 1.16.2 | miniconda | 4.5.11 | scipy | 1.2.1 | joblib | 0.13.2 | git | 2.7.4 |
Образы Docker расширяют Ubuntu 16.04.
Если необходимо установить дополнительные зависимости, можно либо использовать параметры pip_packages
или conda_packages
, либо указать файл pip_requirements_file
или conda_dependencies_file
. Кроме того, можно создать собственный образ и передать параметр custom_docker_image
конструктору оценщика.
Атрибуты
DEFAULT_VERSION
DEFAULT_VERSION = '0.20.3'
FRAMEWORK_NAME
FRAMEWORK_NAME = 'SKLearn'
Обратная связь
https://aka.ms/ContentUserFeedback.
Ожидается в ближайшее время: в течение 2024 года мы постепенно откажемся от GitHub Issues как механизма обратной связи для контента и заменим его новой системой обратной связи. Дополнительные сведения см. в разделеОтправить и просмотреть отзыв по