Run Klass

Referens

Definierar basklassen för alla Azure Machine Learning-experimentkörningar.

En körning representerar en enda utvärderingsversion av ett experiment. Körningar används för att övervaka den asynkrona körningen av en utvärderingsversion, logga mått och lagra utdata från utvärderingsversionen samt för att analysera resultat och komma åt artefakter som genereras av utvärderingsversionen.

Körningsobjekt skapas när du skickar ett skript för att träna en modell i många olika scenarier i Azure Machine Learning, inklusive HyperDrive-körningar, pipelinekörningar och AutoML-körningar. Ett Kör-objekt skapas också när du submit eller start_logging med Experiment klassen.

Information om hur du kommer igång med experiment och körningar finns i

Initiera kör-objektet.

Arv: azureml._run_impl.run_base._RunBase

Run

Konstruktor

Run(experiment, run_id, outputs=None, **kwargs)

Parametrar

experiment: Experiment

Obligatorisk

Det innehållande experimentet.

run_id: str

Obligatorisk

ID:t för körningen.

outputs: str

standardvärde: None

Utdata som ska spåras.

_run_dto: <xref:azureml._restclient.models.run_dto.RunDto>

Obligatorisk

Endast internt bruk.

kwargs: dict

Obligatorisk

En ordlista med ytterligare konfigurationsparametrar.

experiment: Experiment

Obligatorisk

Det innehållande experimentet.

run_id: str

Obligatorisk

ID:t för körningen.

outputs: str

Obligatorisk

Utdata som ska spåras.

kwargs: dict

Obligatorisk

En ordlista med ytterligare konfigurationsparametrar.

Kommentarer

En körning representerar en enda utvärderingsversion av ett experiment. Ett Körningsobjekt används för att övervaka asynkron körning av en utvärderingsversion, logga mått och lagra utdata från utvärderingsversionen samt för att analysera resultat och komma åt artefakter som genereras av utvärderingsversionen.

Körning används i experimenteringskoden för att logga mått och artefakter till run history-tjänsten.

Körning används utanför experimenten för att övervaka förloppet och för att fråga efter och analysera de mått och resultat som genererades.

Funktionerna i Run inkluderar:

Lagra och hämta mått och data
Ladda upp och ladda ned filer
Använda taggar och den underordnade hierarkin för enkel sökning av tidigare körningar
Registrera lagrade modellfiler som en modell som kan operationaliseras
Lagra, ändra och hämta egenskaper för en körning
Läser in den aktuella körningen get_context från en fjärrmiljö med metoden
Effektivt ögonblicksbild av en fil eller katalog för reproducerbarhet

Den här klassen fungerar med i följande Experiment scenarier:

Skapa en körning genom att köra kod med hjälp av submit
Skapa en körning interaktivt i en notebook-fil med hjälp av start_logging
Logga mått och ladda upp artefakter i experimentet, till exempel när du använder log
Läsa mått och ladda ned artefakter när du analyserar experimentella resultat, till exempel när du använder get_metrics

Om du vill skicka en körning skapar du ett konfigurationsobjekt som beskriver hur experimentet körs. Här är exempel på de olika konfigurationsobjekt som du kan använda:

ScriptRunConfig
azureml.train.automl.automlconfig.AutoMLConfig
azureml.train.hyperdrive.HyperDriveConfig
azureml.pipeline.core.Pipeline
azureml.pipeline.core.PublishedPipeline
azureml.pipeline.core.PipelineEndpoint

Följande mått kan läggas till i en körning under träning av ett experiment.

Skalär
- Logga ett numeriskt värde eller strängvärde till körningen med det angivna namnet med hjälp av log. Om du loggar ett mått till en körning lagras måttet i körningsposten i experimentet. Du kan logga samma mått flera gånger inom en körning, vilket innebär att resultatet betraktas som en vektor för det måttet.
- Exempel: run.log("accuracy", 0.95)
Lista
- Logga en lista med värden för körningen med det angivna namnet med hjälp av log_list.
- Exempel: run.log_list("accuracies", [0.6, 0.7, 0.87])
Rad
- Med hjälp av log_row skapas ett mått med flera kolumner enligt beskrivningen i kwargs. Varje namngiven parameter genererar en kolumn med det angivna värdet. log_row kan anropas en gång för att logga en godtycklig tuppeln eller flera gånger i en loop för att generera en fullständig tabell.
- Exempel: run.log_row("Y over X", x=1, y=0.4)
Tabell
- Logga ett ordlisteobjekt till körningen med det angivna namnet med hjälp av log_table.
- Exempel: run.log_table("Y over X", {"x":[1, 2, 3], "y":[0.6, 0.7, 0.89]})
Bild
- Logga en avbildning till körningsposten. Använd log_image för att logga en bildfil eller ett matplotlib-diagram till körningen. Dessa avbildningar kommer att vara synliga och jämförbara i körningsposten.
- Exempel: run.log_image("ROC", path)

Metoder

add_properties	Lägg till oföränderliga egenskaper i körningen. Taggar och egenskaper (båda dict[str, str]) skiljer sig åt i sin föränderlighet. Egenskaper är oföränderliga, så de skapar en permanent post i granskningssyfte. Taggar är föränderliga. Mer information om hur du arbetar med taggar och egenskaper finns i Tagga och hitta körningar.
add_type_provider	Utökningsbarhetskrok för anpassade körningstyper som lagras i Körningshistorik.
cancel	Markera körningen som avbruten. Om det finns ett associerat jobb med ett angivet cancel_uri fält avslutar du även det jobbet.
child_run	Skapa en underordnad körning.
clean	Ta bort de filer som motsvarar den aktuella körningen på det mål som anges i körningskonfigurationen.
complete	Vänta tills aktivitetskön har bearbetats. Sedan markeras körningen som slutförd. Detta används vanligtvis i scenarier med interaktiva notebook-filer.
create_children	Skapa en eller flera underordnade körningar.
download_file	Ladda ned en associerad fil från lagringen.
download_files	Ladda ned filer från ett angivet lagringsprefix (mappnamn) eller hela containern om prefixet är ospecificerat.
fail	Markera körningen som misslyckad. Du kan också ange egenskapen Fel för körningen med ett meddelande eller undantag som skickas till `error_details`.
flush	Vänta tills aktivitetskön har bearbetats.
get	Hämta körningen för den här arbetsytan med dess körnings-ID.
get_all_logs	Ladda ned alla loggar för körningen till en katalog.
get_children	Hämta alla underordnade för den aktuella körningen som valts av angivna filter.
get_context	Returnera aktuell tjänstkontext. Använd den här metoden för att hämta den aktuella tjänstkontexten för att logga mått och ladda upp filer. Om `allow_offline` är Sant (standard) skrivs åtgärder mot Kör-objektet ut till standardut.
get_detailed_status	Hämta den senaste statusen för körningen. Om statusen för körningen är "Köad" visas informationen.
get_details	Hämta definition, statusinformation, aktuella loggfiler och annan information om körningen.
get_details_with_logs	Returnera körningsstatus inklusive loggfilinnehåll.
get_environment	Hämta miljödefinitionen som användes av den här körningen.
get_file_names	Visa en lista över de filer som lagras i samband med körningen.
get_metrics	Hämta måtten som loggats till körningen. Om `recursive` är Sant (falskt som standard) hämtar du mått för körningar i den angivna körningens underträd.
get_properties	Hämta de senaste egenskaperna för körningen från tjänsten.
get_secret	Hämta det hemliga värdet från kontexten för en körning. Hämta det hemliga värdet för det angivna namnet. Det hemliga namnet refererar till ett värde som lagras i Azure Key Vault associerat med din arbetsyta. Ett exempel på hur du arbetar med hemligheter finns i Använda hemligheter i träningskörningar.
get_secrets	Hämta de hemliga värdena för en viss lista med hemliga namn. Hämta en ordlista över hittade och hittade inte hemligheter för listan med angivna namn. Varje hemligt namn refererar till ett värde som lagras i Azure Key Vault associerat med din arbetsyta. Ett exempel på hur du arbetar med hemligheter finns i Använda hemligheter i träningskörningar.
get_snapshot_id	Hämta det senaste ögonblicksbilds-ID:t.
get_status	Hämta den senaste statusen för körningen. Vanliga värden som returneras är "Running", "Completed" och "Failed".
get_submitted_run	DEPRECATED. Använd get_context. Hämta den skickade körningen för det här experimentet.
get_tags	Hämta den senaste uppsättningen föränderliga taggar på körningen från tjänsten.
list	Hämta en lista över körningar i ett experiment som anges av valfria filter.
list_by_compute	Hämta en lista över körningar i en beräkning som anges av valfria filter.
log	Logga ett måttvärde för körningen med det angivna namnet.
log_accuracy_table	Logga en noggrannhetstabell till artefaktarkivet. Precisionstabellmåttet är ett icke-skalärt mått med flera användningsområden som kan användas för att skapa flera typer av linjediagram som kontinuerligt varierar över utrymmet för förutsagda sannolikheter. Exempel på dessa diagram är ROC, precisionsåterkallelse och lyftkurvor. Beräkningen av noggrannhetstabellen liknar beräkningen av en ROC-kurva. En ROC-kurva lagrar sanna positiva värden och falska positiva värden vid många olika sannolikhetströsklar. Noggrannhetstabellen lagrar det råa antalet sanna positiva identifieringar, falska positiva identifieringar, sanna negativa och falska negativa värden vid många sannolikhetströsklar. Det finns två metoder som används för att välja tröskelvärden: "sannolikhet" och "percentil". De skiljer sig åt i hur de samplas från utrymmet för förutsagda sannolikheter. Sannolikhetströsklar är jämnt fördelade tröskelvärden mellan 0 och 1. Om NUM_POINTS är 5 är sannolikhetströskelvärdena [0,0, 0,25, 0,5, 0,75, 1,0]. Percentiltrösklar är fördelade enligt fördelningen av förutsagda sannolikheter. Varje tröskelvärde motsvarar percentilen av data vid ett sannolikhetströskelvärde. Om NUM_POINTS till exempel är 5 är det första tröskelvärdet den 0:e percentilen, den andra vid den 25:e percentilen, den tredje på den 50:e och så vidare. Sannolikhetstabellerna och percentiltabellerna är båda 3D-listor där den första dimensionen representerar klassetiketten, den andra dimensionen representerar exemplet vid ett tröskelvärde (skalar med NUM_POINTS) och den tredje dimensionen har alltid 4 värden: TP, FP, TN, FN och alltid i den ordningen. Förvirringsvärdena (TP, FP, TN, FN) beräknas med strategin one vs. rest. Mer information finns i följande länk: https://en.wikipedia.org/wiki/Multiclass_classification N = antal exempel i valideringsdatauppsättningen (200 i exempel) M = # tröskelvärden = # exempel tagna från sannolikhetsutrymmet (5 i exempel) C = # klasser i fullständig datamängd (3 i exempel) Några invarianter i precisionstabellen: TP + FP + TN + FN = N för alla tröskelvärden för alla klasser TP + FN är samma vid alla tröskelvärden för alla klasser TN + FP är samma vid alla tröskelvärden för alla klasser Sannolikhetstabeller och percentiltabeller har form [C, M, 4] Obs! M kan vara valfritt värde och styr upplösningen för diagrammen Detta är oberoende av datauppsättningen, definieras vid beräkning av mått och avväger lagringsutrymme, beräkningstid och lösning. Klassetiketter ska vara strängar, felvärden ska vara heltal och tröskelvärden ska vara flyttal.
log_confusion_matrix	Logga en förvirringsmatris till artefaktarkivet. Detta loggar en omslutning runt sklearn-förvirringsmatrisen. Måttdata innehåller klassetiketterna och en 2D-lista för själva matrisen. Se följande länk för mer information om hur måttet beräknas: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html
log_image	Logga ett avbildningsmått till körningsposten.
log_list	Logga en lista med måttvärden för körningen med det angivna namnet.
log_predictions	Logga förutsägelser till artefaktarkivet. Detta loggar en måttpoäng som kan användas för att jämföra fördelningarna av sanna målvärden med fördelningen av förutsagda värden för en regressionsaktivitet. Förutsägelserna är diskreta och standardavvikelser beräknas för felstaplar i ett linjediagram.
log_residuals	Loggrester till artefaktarkivet. Detta loggar de data som behövs för att visa ett histogram över residualer för en regressionsuppgift. Residualerna förutsägs - faktiska. Det bör finnas en mer kant än antalet. I dokumentationen för numpy histogram finns exempel på hur du använder antal och kanter för att representera ett histogram. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html
log_row	Logga ett radmått för körningen med det angivna namnet.
log_table	Logga ett tabellmått för körningen med det angivna namnet.
register_model	Registrera en modell för driftsättning.
remove_tags	Ta bort listan över föränderliga taggar vid den här körningen.
restore_snapshot	Återställa en ögonblicksbild som en ZIP-fil. Returnerar sökvägen till ZIP-filen.
set_tags	Lägg till eller ändra en uppsättning taggar under körningen. Taggar som inte skickas i ordlistan lämnas orörda. Du kan också lägga till enkla strängtaggar. När dessa taggar visas i taggordlistan som nycklar har de värdet Ingen. Mer information finns i Tagga och hitta körningar.
start	Markera körningen som startad. Detta används vanligtvis i avancerade scenarier när körningen har skapats av en annan aktör.
submit_child	Skicka ett experiment och returnera den aktiva underordnade körningen.
tag	Tagga körningen med en strängnyckel och ett valfritt strängvärde.
take_snapshot	Spara en ögonblicksbild av indatafilen eller mappen.
upload_file	Ladda upp en fil till körningsposten.
upload_files	Ladda upp filer till körningsposten.
upload_folder	Ladda upp den angivna mappen till det angivna prefixnamnet.
wait_for_completion	Vänta tills körningen har slutförts. Returnerar statusobjektet efter väntetiden.

add_properties

Lägg till oföränderliga egenskaper i körningen.

Taggar och egenskaper (båda dict[str, str]) skiljer sig åt i sin föränderlighet. Egenskaper är oföränderliga, så de skapar en permanent post i granskningssyfte. Taggar är föränderliga. Mer information om hur du arbetar med taggar och egenskaper finns i Tagga och hitta körningar.

add_properties(properties)

Parametrar

properties: dict

Obligatorisk

De dolda egenskaperna som lagras i körningsobjektet.

add_type_provider

Utökningsbarhetskrok för anpassade körningstyper som lagras i Körningshistorik.

static add_type_provider(runtype, run_factory)

Parametrar

runtype: str

Obligatorisk

Värdet för Run.type som fabriken ska anropas för. Exempel är "hyperdrive" eller "azureml.scriptrun", men kan utökas med anpassade typer.

run_factory: <xref:function>

Obligatorisk

En funktion med signatur (Experiment, RunDto) –> Kör som ska anropas när listan körs.

cancel

Markera körningen som avbruten.

Om det finns ett associerat jobb med ett angivet cancel_uri fält avslutar du även det jobbet.

cancel()

child_run

Skapa en underordnad körning.

child_run(name=None, run_id=None, outputs=None)

Parametrar

name: str

standardvärde: None

Ett valfritt namn för den underordnade körningen, som vanligtvis anges för en "del".

run_id: str

standardvärde: None

Ett valfritt körnings-ID för det underordnade, annars genereras det automatiskt. Den här parametern är vanligtvis inte inställd.

outputs: str

standardvärde: None

Valfri utdatakatalog som ska spåras för den underordnade.

Returer

Den underordnade körningen.

Returtyp

Run

Kommentarer

Detta används för att isolera en del av en körning till ett underavsnitt. Detta kan göras för identifierbara "delar" av en körning som är intressant att separera, eller för att samla in oberoende mått över en interation av en underprocess.

Om en utdatakatalog har angetts för den underordnade körningen laddas innehållet i katalogen upp till den underordnade körningsposten när det underordnade objektet har slutförts.

clean

Ta bort de filer som motsvarar den aktuella körningen på det mål som anges i körningskonfigurationen.

clean()

Returer

En lista över filer som tagits bort.

Returtyp

list

complete

Vänta tills aktivitetskön har bearbetats.

Sedan markeras körningen som slutförd. Detta används vanligtvis i scenarier med interaktiva notebook-filer.

complete(_set_status=True)

Parametrar

_set_status: bool

standardvärde: True

Anger om statushändelsen ska skickas för spårning.

create_children

Skapa en eller flera underordnade körningar.

create_children(count=None, tag_key=None, tag_values=None)

Parametrar

count: int

standardvärde: None

Ett valfritt antal underordnade att skapa.

tag_key: str

standardvärde: None

En valfri nyckel för att fylla i posten Taggar i alla skapade underordnade.

tag_Values

Obligatorisk

En valfri lista med värden som ska mappas till Taggar[tag_key] för listan över körningar som skapats.

tag_values

standardvärde: None

Returer

Listan över underordnade körningar.

Returtyp

list[Run]

Kommentarer

Antingen parametern count ELLER parametrarNA tag_key AND tag_values måste anges.

download_file

Ladda ned en associerad fil från lagringen.

download_file(name, output_file_path=None, _validate_checksum=False)

Parametrar

name: str

Obligatorisk

Namnet på artefakten som ska laddas ned.

output_file_path: str

Obligatorisk

Den lokala sökvägen där artefakten ska lagras.

download_files

Ladda ned filer från ett angivet lagringsprefix (mappnamn) eller hela containern om prefixet är ospecificerat.

download_files(prefix=None, output_directory=None, output_paths=None, batch_size=100, append_prefix=True, timeout_seconds=None)

Parametrar

prefix: str

Obligatorisk

Filsökvägsprefixet i containern som alla artefakter ska laddas ned från.

output_directory: str

Obligatorisk

En valfri katalog som alla artefaktsökvägar använder som prefix.

output_paths: [str]

Obligatorisk

Valfria filsökvägar där de nedladdade artefakterna ska lagras. Bör vara unikt och matcha längden på sökvägar.

batch_size: int

Obligatorisk

Antalet filer som ska laddas ned per batch. Standardvärdet är 100 filer.

append_prefix: bool

Obligatorisk

En valfri flagga om du vill lägga till det angivna prefixet från den slutliga utdatafilsökvägen. Om falskt tas prefixet bort från sökvägen till utdatafilen.

timeout_seconds: int

Obligatorisk

Tidsgränsen för att ladda ned filer.

fail

Markera körningen som misslyckad.

Du kan också ange egenskapen Fel för körningen med ett meddelande eller undantag som skickas till error_details.

fail(error_details=None, error_code=None, _set_status=True)

Parametrar

error_details: str eller BaseException

standardvärde: None

Valfri information om felet.

error_code: str

standardvärde: None

Valfri felkod för felet för felklassificeringen.

_set_status: bool

standardvärde: True

Anger om statushändelsen ska skickas för spårning.

flush

Vänta tills aktivitetskön har bearbetats.

flush(timeout_seconds=300)

Parametrar

timeout_seconds: int

standardvärde: 300

Hur lång tid att vänta (i sekunder) på att uppgiftskö ska bearbetas.

get

Hämta körningen för den här arbetsytan med dess körnings-ID.

static get(workspace, run_id)

Parametrar

workspace: Workspace

Obligatorisk

Den innehållande arbetsytan.

run_id: string

Obligatorisk

Körnings-ID:t.

Returer

Den skickade körningen.

Returtyp

Run

get_all_logs

Ladda ned alla loggar för körningen till en katalog.

get_all_logs(destination=None)

Parametrar

destination: str

standardvärde: None

Målsökvägen för att lagra loggar. Om det inte anges skapas en katalog med namnet kör-ID i projektkatalogen.

Returer

En lista med namn på nedladdade loggar.

Returtyp

list

get_children

Hämta alla underordnade för den aktuella körningen som valts av angivna filter.

get_children(recursive=False, tags=None, properties=None, type=None, status=None, _rehydrate_runs=True)

Parametrar

recursive: bool

standardvärde: False

Anger om alla underordnade ska återkomma.

tags: str eller dict

standardvärde: None

Om det anges returneras körningar som matchar angiven "tagg" eller {"tag": "value"}.

properties: str eller dict

standardvärde: None

Om det anges returneras körningar som matchar angiven "egenskap" eller {"egenskap": "värde"}.

type: str

standardvärde: None

Om det anges returneras körningar som matchar den här typen.

status: str

standardvärde: None

Om det anges returneras körningar med status angiven "status".

_rehydrate_runs: bool

standardvärde: True

Anger om du vill instansiera en körning av den ursprungliga typen eller baskörningen.

Returer

En lista över Run objekt.

Returtyp

list

get_context

Returnera aktuell tjänstkontext.

Använd den här metoden för att hämta den aktuella tjänstkontexten för att logga mått och ladda upp filer. Om allow_offline är Sant (standard) skrivs åtgärder mot Kör-objektet ut till standardut.

get_context(allow_offline=True, used_for_context_manager=False, **kwargs)

Parametrar

cls

Obligatorisk

Anger klassmetod.

allow_offline: bool

standardvärde: True

Tillåt att tjänstkontexten återgår till offlineläge så att träningsskriptet kan testas lokalt utan att skicka ett jobb med SDK:en. Sant som standard.

kwargs: dict

Obligatorisk

En ordlista med ytterligare parametrar.

used_for_context_manager

standardvärde: False

Returer

Den skickade körningen.

Returtyp

Run

Kommentarer

Den här funktionen används ofta för att hämta det autentiserade Körningsobjektet i ett skript som ska skickas för körning via experiment.submit(). Det här körningsobjektet är både en autentiserad kontext för att kommunicera med Azure Machine Learning-tjänster och en konceptuell container där mått, filer (artefakter) och modeller finns.


   run = Run.get_context() # allow_offline=True by default, so can be run locally as well
   ...
   run.log("Accuracy", 0.98)
   run.log_row("Performance", epoch=e, error=err)

get_detailed_status

Hämta den senaste statusen för körningen. Om statusen för körningen är "Köad" visas informationen.

get_detailed_status()

Returer

Den senaste statusen och informationen

Returtyp

dict[str, str]

Kommentarer

status: Körningens aktuella status. Samma värde som det som returnerades från get_status().
information: Detaljerad information för aktuell status.


   run = experiment.submit(config)
   details = run.get_detailed_status()
   # details = {
   #     'status': 'Queued',
   #     'details': 'Run requested 1 node(s). Run is in pending status.',
   # }

get_details

Hämta definition, statusinformation, aktuella loggfiler och annan information om körningen.

get_details()

Returer

Returnera informationen för körningen

Returtyp

dict[str, str]

Kommentarer

Den returnerade ordlistan innehåller följande nyckel/värde-par:

runId: ID för den här körningen.
Mål
status: Körningens aktuella status. Samma värde som det som returnerades från get_status().
startTimeUtc: UTC-tid för när den här körningen startades, i ISO8601.
endTimeUtc: UTC-tid då den här körningen slutfördes (antingen slutförd eller misslyckad) i ISO8601.

Den här nyckeln finns inte om körningen fortfarande pågår.
egenskaper: Oföränderliga nyckel/värde-par som är associerade med körningen. Standardegenskaperna inkluderar körningens ögonblicksbilds-ID och information om git-lagringsplatsen som körningen skapades från (om någon). Ytterligare egenskaper kan läggas till i en körning med .add_properties
inputDatasets: Indatauppsättningar som är associerade med körningen.
outputDatasets: Utdatauppsättningar som är associerade med körningen.
Loggfiler
submittedBy


   run = experiment.start_logging()

   details = run.get_details()
   # details = {
   #     'runId': '5c24aa28-6e4a-4572-96a0-fb522d26fe2d',
   #     'target': 'sdk',
   #     'status': 'Running',
   #     'startTimeUtc': '2019-01-01T13:08:01.713777Z',
   #     'endTimeUtc': '2019-01-01T17:15:65.986253Z',
   #     'properties': {
   #         'azureml.git.repository_uri': 'https://example.com/my/git/repo',
   #         'azureml.git.branch': 'master',
   #         'azureml.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'azureml.git.dirty': 'True',
   #         'mlflow.source.git.repoURL': 'https://example.com/my/git/repo',
   #         'mlflow.source.git.branch': 'master',
   #         'mlflow.source.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'ContentSnapshotId': 'b4689489-ce2f-4db5-b6d7-6ad11e77079c'
   #     },
   #     'inputDatasets': [{
   #         'dataset': {'id': 'cdebf245-701d-4a68-8055-41f9cf44f298'},
   #         'consumptionDetails': {
   #             'type': 'RunInput',
   #             'inputName': 'training-data',
   #             'mechanism': 'Mount',
   #             'pathOnCompute': '/mnt/datasets/train'
   #         }
   #     }],
   #     'outputDatasets': [{
   #         'dataset': {'id': 'd04e8a19-1caa-4b1f-b318-4cbff9af9615'},
   #         'outputType': 'RunOutput',
   #         'outputDetails': {
   #             'outputName': 'training-result'
   #         }
   #     }],
   #     'runDefinition': {},
   #     'logFiles': {},
   #     'submittedBy': 'Alan Turing'
   # }

get_details_with_logs

Returnera körningsstatus inklusive loggfilinnehåll.

get_details_with_logs()

Returer

Returnerar status för körningen med loggfilinnehållet.

Returtyp

dict

get_environment

Hämta miljödefinitionen som användes av den här körningen.

get_environment()

Returer

Returnera miljöobjektet.

Returtyp

Environment

get_file_names

Visa en lista över de filer som lagras i samband med körningen.

get_file_names()

Returer

Listan över sökvägar för befintliga artefakter

Returtyp

list[str]

get_metrics

Hämta måtten som loggats till körningen.

Om recursive är Sant (falskt som standard) hämtar du mått för körningar i den angivna körningens underträd.

get_metrics(name=None, recursive=False, run_type=None, populate=False)

Parametrar

name: str

standardvärde: None

Namnet på måttet.

recursive: bool

standardvärde: False

Anger om alla underordnade ska återkomma.

run_type: str

standardvärde: None

populate: bool

standardvärde: False

Anger om innehållet i externa data som är länkade till måttet ska hämtas.

Returer

En ordlista som innehåller användarmåtten.

Returtyp

dict

Kommentarer


   run = experiment.start_logging() # run id: 123
   run.log("A", 1)
   with run.child_run() as child: # run id: 456
       child.log("A", 2)

   metrics = run.get_metrics()
   # metrics = { 'A': 1 }

   metrics = run.get_metrics(recursive=True)
   # metrics = { '123': { 'A': 1 }, '456': { 'A': 2 } } note key is runId

get_properties

Hämta de senaste egenskaperna för körningen från tjänsten.

get_properties()

Returer

Egenskaperna för körningen.

Returtyp

dict

Kommentarer

Egenskaper är oföränderlig systemgenererad information, till exempel varaktighet, körningsdatum, användare och anpassade egenskaper som läggs till med add_properties metoden. Mer information finns i Tagga och hitta körningar.

När du skickar ett jobb till Azure Machine Learning, om källfiler lagras på en lokal git-lagringsplats lagras information om lagringsplatsen som egenskaper. Dessa git-egenskaper läggs till när du skapar en körning eller anropar Experiment.submit. Mer information om git-egenskaper finns i Git-integrering för Azure Machine Learning.

get_secret

Hämta det hemliga värdet från kontexten för en körning.

Hämta det hemliga värdet för det angivna namnet. Det hemliga namnet refererar till ett värde som lagras i Azure Key Vault associerat med din arbetsyta. Ett exempel på hur du arbetar med hemligheter finns i Använda hemligheter i träningskörningar.

get_secret(name)

Parametrar

name: str

Obligatorisk

Det hemliga namn som en hemlighet ska returneras för.

Returer

Det hemliga värdet.

Returtyp

str

get_secrets

Hämta de hemliga värdena för en viss lista med hemliga namn.

Hämta en ordlista över hittade och hittade inte hemligheter för listan med angivna namn. Varje hemligt namn refererar till ett värde som lagras i Azure Key Vault associerat med din arbetsyta. Ett exempel på hur du arbetar med hemligheter finns i Använda hemligheter i träningskörningar.

get_secrets(secrets)

Parametrar

secrets: list[str]

Obligatorisk

En lista med hemliga namn som hemliga värden ska returneras för.

Returer

Returnerar en ordlista över hittade och hittade inte hemligheter.

Returtyp

dict[<xref:str: str>]

get_snapshot_id

Hämta det senaste ögonblicksbilds-ID:t.

get_snapshot_id()

Returer

Det senaste ögonblicksbilds-ID:t.

Returtyp

str

get_status

Hämta den senaste statusen för körningen.

Vanliga värden som returneras är "Running", "Completed" och "Failed".

get_status()

Returer

Den senaste statusen.

Returtyp

str

Kommentarer

NotStarted – det här är ett tillfälligt tillstånd för körningsobjekt på klientsidan innan molnöverföring.
Start – Körningen har börjat bearbetas i molnet. Anroparen har ett körnings-ID just nu.
Etablering – returneras när beräkning på begäran skapas för en viss jobböverföring.
Förbereder – Körningsmiljön förbereds:
- docker-avbildningsversion
- konfiguration av conda-miljö
I kö – Jobbet placeras i kö i beräkningsmålet. I BatchAI är jobbet till exempel i kötillstånd

medan du väntar på att alla begärda noder ska vara klara.
Körs – jobbet började köras i beräkningsmålet.
Slutför – Användarkoden har slutförts och körningen är i efterbearbetningssteg.
CancelRequested – Annullering har begärts för jobbet.
Slutförd – körningen slutfördes. Detta omfattar både användarkoden och körningen

efterbearbetningssteg.
Misslyckades – körningen misslyckades. Vanligtvis innehåller egenskapen Error på en körning information om varför.
Avbryts – följer en begäran om annullering och anger att körningen nu har avbrutits.
Svarar inte – För körningar som har Pulsslag aktiverat har inga pulsslag nyligen skickats.


   run = experiment.submit(config)
   while run.get_status() not in ['Completed', 'Failed']: # For example purposes only, not exhaustive
       print('Run {} not in terminal state'.format(run.id))
       time.sleep(10)

get_submitted_run

DEPRECATED. Använd get_context.

Hämta den skickade körningen för det här experimentet.

get_submitted_run(**kwargs)

Returer

Den skickade körningen.

Returtyp

Run

get_tags

Hämta den senaste uppsättningen föränderliga taggar på körningen från tjänsten.

get_tags()

Returer

Taggarna som lagras på körningsobjektet.

Returtyp

dict

list

Hämta en lista över körningar i ett experiment som anges av valfria filter.

static list(experiment, type=None, tags=None, properties=None, status=None, include_children=False, _rehydrate_runs=True)

Parametrar

experiment: Experiment

Obligatorisk

Det innehållande experimentet.

type: str

standardvärde: None

Om det anges returneras körningar som matchar den angivna typen.

tags: str eller dict

standardvärde: None

Om det anges returneras körningar som matchar angiven "tagg" eller {"tag": "value"}.

properties: str eller dict

standardvärde: None

Om det anges returneras körningar som matchar angiven "egenskap" eller {"egenskap": "värde"}.

status: str

standardvärde: None

Om det anges returneras körningar med status angiven "status".

include_children: bool

standardvärde: False

Om värdet är true hämtar du alla körningar, inte bara de på toppnivå.

_rehydrate_runs: bool

standardvärde: True

Om värdet är True (som standard) använder den registrerade providern för att återställa ett objekt för den typen i stället för baskörningen.

Returer

En lista över körningar.

Returtyp

list[Run]

Kommentarer

I följande kodexempel visas vissa användningsområden för list metoden.


   favorite_completed_runs = Run.list(experiment, status='Completed', tags='favorite')

   all_distinct_runs = Run.list(experiment)
   and_their_children = Run.list(experiment, include_children=True)

   only_script_runs = Run.list(experiment, type=ScriptRun.RUN_TYPE)

list_by_compute

Hämta en lista över körningar i en beräkning som anges av valfria filter.

static list_by_compute(compute, type=None, tags=None, properties=None, status=None)

Parametrar

compute: ComputeTarget

Obligatorisk

Den innehållande beräkningen.

type: str

standardvärde: None

Om det anges returneras körningar som matchar den angivna typen.

tags: str eller dict

standardvärde: None

Om det anges returneras körningar som matchar angiven "tagg" eller {"tag": "value"}.

properties: str eller dict

standardvärde: None

Om det anges returneras körningar som matchar angiven "egenskap" eller {"egenskap": "värde"}.

status: str

standardvärde: None

Om det anges returneras körningar med status angiven "status". Endast tillåtna värden är "Running" och "Queued".

Returer

en generator av ~_restclient.models.RunDto

Returtyp

<xref:builtin.generator>

log

Logga ett måttvärde för körningen med det angivna namnet.

log(name, value, description='', step=None)

Parametrar

name: str

Obligatorisk

Namnet på måttet.

value

Obligatorisk

Det värde som ska bokföras till tjänsten.

description: str

Obligatorisk

En valfri måttbeskrivning.

step: int

standardvärde: None

En valfri axel för att ange värdeordning inom ett mått.

Kommentarer

Om du loggar ett mått till en körning lagras måttet i körningsposten i experimentet. Du kan logga samma mått flera gånger inom en körning, vilket innebär att resultatet betraktas som en vektor för det måttet. Om steget anges för ett mått måste det anges för alla värden.

log_accuracy_table

Logga en noggrannhetstabell till artefaktarkivet.

Precisionstabellmåttet är ett icke-skalärt mått med flera användningsområden som kan användas för att skapa flera typer av linjediagram som kontinuerligt varierar över utrymmet för förutsagda sannolikheter. Exempel på dessa diagram är ROC, precisionsåterkallelse och lyftkurvor.

Beräkningen av noggrannhetstabellen liknar beräkningen av en ROC-kurva. En ROC-kurva lagrar sanna positiva värden och falska positiva värden vid många olika sannolikhetströsklar. Noggrannhetstabellen lagrar det råa antalet sanna positiva identifieringar, falska positiva identifieringar, sanna negativa och falska negativa värden vid många sannolikhetströsklar.

Det finns två metoder som används för att välja tröskelvärden: "sannolikhet" och "percentil". De skiljer sig åt i hur de samplas från utrymmet för förutsagda sannolikheter.

Sannolikhetströsklar är jämnt fördelade tröskelvärden mellan 0 och 1. Om NUM_POINTS är 5 är sannolikhetströskelvärdena [0,0, 0,25, 0,5, 0,75, 1,0].

Percentiltrösklar är fördelade enligt fördelningen av förutsagda sannolikheter. Varje tröskelvärde motsvarar percentilen av data vid ett sannolikhetströskelvärde. Om NUM_POINTS till exempel är 5 är det första tröskelvärdet den 0:e percentilen, den andra vid den 25:e percentilen, den tredje på den 50:e och så vidare.

Sannolikhetstabellerna och percentiltabellerna är båda 3D-listor där den första dimensionen representerar klassetiketten, den andra dimensionen representerar exemplet vid ett tröskelvärde (skalar med NUM_POINTS) och den tredje dimensionen har alltid 4 värden: TP, FP, TN, FN och alltid i den ordningen.

Förvirringsvärdena (TP, FP, TN, FN) beräknas med strategin one vs. rest. Mer information finns i följande länk: https://en.wikipedia.org/wiki/Multiclass_classification

N = antal exempel i valideringsdatauppsättningen (200 i exempel) M = # tröskelvärden = # exempel tagna från sannolikhetsutrymmet (5 i exempel) C = # klasser i fullständig datamängd (3 i exempel)

Några invarianter i precisionstabellen:

TP + FP + TN + FN = N för alla tröskelvärden för alla klasser
TP + FN är samma vid alla tröskelvärden för alla klasser
TN + FP är samma vid alla tröskelvärden för alla klasser
Sannolikhetstabeller och percentiltabeller har form [C, M, 4]

Obs! M kan vara valfritt värde och styr upplösningen för diagrammen Detta är oberoende av datauppsättningen, definieras vid beräkning av mått och avväger lagringsutrymme, beräkningstid och lösning.

Klassetiketter ska vara strängar, felvärden ska vara heltal och tröskelvärden ska vara flyttal.

log_accuracy_table(name, value, description='')

Parametrar

name: str

Obligatorisk

Namnet på precisionstabellen.

value: str eller dict

Obligatorisk

JSON som innehåller egenskaper för namn, version och data.

description: str

Obligatorisk

En valfri måttbeskrivning.

Kommentarer

Exempel på ett giltigt JSON-värde:


   {
       "schema_type": "accuracy_table",
       "schema_version": "1.0.1",
       "data": {
           "probability_tables": [
               [
                   [82, 118, 0, 0],
                   [75, 31, 87, 7],
                   [66, 9, 109, 16],
                   [46, 2, 116, 36],
                   [0, 0, 118, 82]
               ],
               [
                   [60, 140, 0, 0],
                   [56, 20, 120, 4],
                   [47, 4, 136, 13],
                   [28, 0, 140, 32],
                   [0, 0, 140, 60]
               ],
               [
                   [58, 142, 0, 0],
                   [53, 29, 113, 5],
                   [40, 10, 132, 18],
                   [24, 1, 141, 34],
                   [0, 0, 142, 58]
               ]
           ],
           "percentile_tables": [
               [
                   [82, 118, 0, 0],
                   [82, 67, 51, 0],
                   [75, 26, 92, 7],
                   [48, 3, 115, 34],
                   [3, 0, 118, 79]
               ],
               [
                   [60, 140, 0, 0],
                   [60, 89, 51, 0],
                   [60, 41, 99, 0],
                   [46, 5, 135, 14],
                   [3, 0, 140, 57]
               ],
               [
                   [58, 142, 0, 0],
                   [56, 93, 49, 2],
                   [54, 47, 95, 4],
                   [41, 10, 132, 17],
                   [3, 0, 142, 55]
               ]
           ],
           "probability_thresholds": [0.0, 0.25, 0.5, 0.75, 1.0],
           "percentile_thresholds": [0.0, 0.01, 0.24, 0.98, 1.0],
           "class_labels": ["0", "1", "2"]
       }
   }

log_confusion_matrix

Logga en förvirringsmatris till artefaktarkivet.

Detta loggar en omslutning runt sklearn-förvirringsmatrisen. Måttdata innehåller klassetiketterna och en 2D-lista för själva matrisen. Se följande länk för mer information om hur måttet beräknas: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

Parametrar

name: str

Obligatorisk

Namnet på förvirringsmatrisen.

value: str eller dict

Obligatorisk

JSON som innehåller egenskaper för namn, version och data.

description: str

Obligatorisk

En valfri måttbeskrivning.

Kommentarer

Exempel på ett giltigt JSON-värde:


   {
       "schema_type": "confusion_matrix",
       "schema_version": "1.0.0",
       "data": {
           "class_labels": ["0", "1", "2", "3"],
           "matrix": [
               [3, 0, 1, 0],
               [0, 1, 0, 1],
               [0, 0, 1, 0],
               [0, 0, 0, 1]
           ]
       }
   }

log_image

Logga ett avbildningsmått till körningsposten.

log_image(name, path=None, plot=None, description='')

Parametrar

name: str

Obligatorisk

Namnet på måttet.

path: str

Obligatorisk

Sökvägen eller strömmen till bilden.

plot: <xref:matplotlib.pyplot>

Obligatorisk

Diagrammet som ska loggas som en bild.

description: str

Obligatorisk

En valfri måttbeskrivning.

Kommentarer

Använd den här metoden för att logga en bildfil eller ett matplotlib-diagram till körningen. Dessa avbildningar kommer att vara synliga och jämförbara i körningsposten.

log_list

Logga en lista med måttvärden för körningen med det angivna namnet.

log_list(name, value, description='')

Parametrar

name: str

Obligatorisk

Namnet på måttet.

value: list

Obligatorisk

Värdena för måttet.

description: str

Obligatorisk

En valfri måttbeskrivning.

log_predictions

Logga förutsägelser till artefaktarkivet.

Detta loggar en måttpoäng som kan användas för att jämföra fördelningarna av sanna målvärden med fördelningen av förutsagda värden för en regressionsaktivitet.

Förutsägelserna är diskreta och standardavvikelser beräknas för felstaplar i ett linjediagram.

log_predictions(name, value, description='')

Parametrar

name: str

Obligatorisk

Namnet på förutsägelserna.

value: str eller dict

Obligatorisk

JSON som innehåller egenskaper för namn, version och data.

description: str

Obligatorisk

En valfri måttbeskrivning.

Kommentarer

Exempel på ett giltigt JSON-värde:


   {
       "schema_type": "predictions",
       "schema_version": "1.0.0",
       "data": {
           "bin_averages": [0.25, 0.75],
           "bin_errors": [0.013, 0.042],
           "bin_counts": [56, 34],
           "bin_edges": [0.0, 0.5, 1.0]
       }
   }

log_residuals

Loggrester till artefaktarkivet.

Detta loggar de data som behövs för att visa ett histogram över residualer för en regressionsuppgift. Residualerna förutsägs - faktiska.

Det bör finnas en mer kant än antalet. I dokumentationen för numpy histogram finns exempel på hur du använder antal och kanter för att representera ett histogram. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

Parametrar

name: str

Obligatorisk

Namnet på residualerna.

value: str eller dict

Obligatorisk

JSON som innehåller egenskaper för namn, version och data.

description: str

Obligatorisk

En valfri måttbeskrivning.

Kommentarer

Exempel på ett giltigt JSON-värde:


   {
       "schema_type": "residuals",
       "schema_version": "1.0.0",
       "data": {
           "bin_edges": [50, 100, 200, 300, 350],
           "bin_counts": [0.88, 20, 30, 50.99]
       }
   }

log_row

Logga ett radmått för körningen med det angivna namnet.

log_row(name, description=None, **kwargs)

Parametrar

name: str

Obligatorisk

Namnet på måttet.

description: str

standardvärde: None

En valfri måttbeskrivning.

kwargs: dict

Obligatorisk

En ordlista med ytterligare parametrar. I det här fallet kolumnerna i måttet.

Kommentarer

När du använder log_row skapas ett tabellmått med kolumner enligt beskrivningen i kwargs. Varje namngiven parameter genererar en kolumn med det angivna värdet. log_row kan anropas en gång för att logga en godtycklig tuppla eller flera gånger i en loop för att generera en fullständig tabell.


   citrus = ['orange', 'lemon', 'lime']
   sizes = [ 10, 7, 3]
   for index in range(len(citrus)):
       run.log_row("citrus", fruit = citrus[index], size=sizes[index])

log_table

Logga ett tabellmått för körningen med det angivna namnet.

log_table(name, value, description='')

Parametrar

name: str

Obligatorisk

Namnet på måttet.

value: dict

Obligatorisk

Tabellvärdet för måttet, en ordlista där nycklar är kolumner som ska publiceras i tjänsten.

description: str

Obligatorisk

En valfri måttbeskrivning.

register_model

Registrera en modell för driftsättning.

register_model(model_name, model_path=None, tags=None, properties=None, model_framework=None, model_framework_version=None, description=None, datasets=None, sample_input_dataset=None, sample_output_dataset=None, resource_configuration=None, **kwargs)

Parametrar

model_name: str

Obligatorisk

Namnet på modellen.

model_path: str

standardvärde: None

Den relativa molnsökvägen till modellen, till exempel "outputs/modelname". När det inte anges (Ingen) model_name används som sökväg.

tags: dict[str, str]

standardvärde: None

En ordlista med nyckelvärdestaggar som ska tilldelas till modellen.

properties: dict[str, str]

standardvärde: None

En ordlista med nyckelvärdesegenskaper som ska tilldelas till modellen. Dessa egenskaper kan inte ändras när modellen har skapats, men nya nyckel/värde-par kan läggas till.

model_framework: str

standardvärde: None

Ramverket för modellen som ska registreras. Ramverk som stöds för närvarande: TensorFlow, ScikitLearn, Onnx, Custom, Multi

model_framework_version: str

standardvärde: None

Ramverksversionen av den registrerade modellen.

description: str

standardvärde: None

En valfri beskrivning av modellen.

datasets: list[(str, AbstractDataset)]

standardvärde: None

En lista över tupplar där det första elementet beskriver relationen mellan datamängd och modell och det andra elementet är datauppsättningen.

sample_input_dataset: AbstractDataset

standardvärde: None

Valfritt. Exempel på indatauppsättning för den registrerade modellen

sample_output_dataset: AbstractDataset

standardvärde: None

Valfritt. Exempel på utdatauppsättning för den registrerade modellen

resource_configuration: ResourceConfiguration

standardvärde: None

Valfritt. Resurskonfiguration för att köra den registrerade modellen

kwargs: dict

Obligatorisk

Valfria parametrar.

Returer

Den registrerade modellen.

Returtyp

Model

Kommentarer


   model = best_run.register_model(model_name = 'best_model', model_path = 'outputs/model.pkl')

remove_tags

Ta bort listan över föränderliga taggar vid den här körningen.

remove_tags(tags)

Parametrar

tags: list

Obligatorisk

En lista över taggar att ta bort.

Returer

Taggarna som lagras på körningsobjektet

restore_snapshot

Återställa en ögonblicksbild som en ZIP-fil. Returnerar sökvägen till ZIP-filen.

restore_snapshot(snapshot_id=None, path=None)

Parametrar

snapshot_id: str

standardvärde: None

Det ögonblicksbilds-ID som ska återställas. Den senaste används om den inte anges.

path: str

standardvärde: None

Sökvägen där den nedladdade ZIP-filen sparas.

Returer

Sökvägen.

Returtyp

str

set_tags

Lägg till eller ändra en uppsättning taggar under körningen. Taggar som inte skickas i ordlistan lämnas orörda.

Du kan också lägga till enkla strängtaggar. När dessa taggar visas i taggordlistan som nycklar har de värdet Ingen. Mer information finns i Tagga och hitta körningar.

set_tags(tags)

Parametrar

tags: dict[str] eller str

Obligatorisk

Taggarna som lagras i körningsobjektet.

start

Markera körningen som startad.

Detta används vanligtvis i avancerade scenarier när körningen har skapats av en annan aktör.

start()

submit_child

Skicka ett experiment och returnera den aktiva underordnade körningen.

submit_child(config, tags=None, **kwargs)

Parametrar

config: object

Obligatorisk

Den konfiguration som ska skickas.

tags: dict

standardvärde: None

Taggar som ska läggas till i den skickade körningen, t.ex. {"tag": "value"}.

kwargs: dict

Obligatorisk

Ytterligare parametrar som används i submit-funktionen för konfigurationer.

Returer

Ett körningsobjekt.

Returtyp

Run

Kommentarer

Skicka är ett asynkront anrop till Azure Machine Learning-plattformen för att köra en utvärderingsversion av lokal maskinvara eller fjärrmaskinvara. Beroende på konfigurationen förbereder skicka automatiskt körningsmiljöerna, kör koden och samlar in källkoden och resultaten i experimentets körningshistorik.

Om du vill skicka ett experiment måste du först skapa ett konfigurationsobjekt som beskriver hur experimentet ska köras. Konfigurationen beror på vilken typ av utvärdering som krävs.

Ett exempel på hur du skickar ett underordnat experiment från din lokala dator med ScriptRunConfig är följande:


   from azureml.core import ScriptRunConfig

   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = parent_run.submit_child(config)

   # get the url to view the progress of the experiment and then wait
   # until the trial is complete
   print(run.get_portal_url())
   run.wait_for_completion()

Mer information om hur du konfigurerar en körning finns i submit.

tag

Tagga körningen med en strängnyckel och ett valfritt strängvärde.

tag(key, value=None)

Parametrar

key: str

Obligatorisk

Taggnyckeln

value: str

standardvärde: None

Ett valfritt värde för taggen

Kommentarer

Taggar och egenskaper vid en körning är både ordlistor med sträng –> sträng. Skillnaden mellan dem är föränderlighet: Taggar kan anges, uppdateras och tas bort medan egenskaper bara kan läggas till. Detta gör egenskaper mer lämpliga för system-/arbetsflödesrelaterade beteendeutlösare, medan taggar vanligtvis är användarriktade och meningsfulla för experimentets användare.


   run = experiment.start_logging()
   run.tag('DeploymentCandidate')
   run.tag('modifiedBy', 'Master CI')
   run.tag('modifiedBy', 'release pipeline') # Careful, tags are mutable

   run.add_properties({'BuildId': os.environ.get('VSTS_BUILD_ID')}) # Properties are not

   tags = run.get_tags()
   # tags = { 'DeploymentCandidate': None, 'modifiedBy': 'release pipeline' }

take_snapshot

Spara en ögonblicksbild av indatafilen eller mappen.

take_snapshot(file_or_folder_path)

Parametrar

file_or_folder_path: str

Obligatorisk

Filen eller mappen som innehåller källkoden för körningen.

Returer

Returnerar ögonblicksbildens ID.

Returtyp

str

Kommentarer

Ögonblicksbilder är avsedda att vara den källkod som används för att köra experimentkörningen. Dessa lagras med körningen så att körningsutvärderingen kan replikeras i framtiden.

Anteckning

Ögonblicksbilder tas automatiskt när submit anropas. Detta är vanligtvis den take_snapshot metoden endast krävs för interaktiva körningar (notebook-filer).

upload_file

Ladda upp en fil till körningsposten.

upload_file(name, path_or_stream, datastore_name=None)

Parametrar

name: str

Obligatorisk

Namnet på filen som ska laddas upp.

path_or_stream: str

Obligatorisk

Den relativa lokala sökvägen eller dataströmmen till filen som ska laddas upp.

datastore_name: str

Obligatorisk

Valfritt DataStore-namn

Returtyp

ResourceProperties

Kommentarer


   run = experiment.start_logging()
   run.upload_file(name='important_file', path_or_stream="path/on/disk/file.txt")

Anteckning

Kör automatiskt avbildningsfilen i den angivna utdatakatalogen, som som standard är "./outputs" för de flesta körningstyper. Använd endast upload_file när ytterligare filer behöver laddas upp eller en utdatakatalog inte har angetts.

upload_files

Ladda upp filer till körningsposten.

upload_files(names, paths, return_artifacts=False, timeout_seconds=None, datastore_name=None)

Parametrar

names: list

Obligatorisk

Namnen på de filer som ska laddas upp. Om sökvägarna anges måste de också anges.

paths: list

Obligatorisk

De relativa lokala sökvägarna till de filer som ska laddas upp. Om detta anges krävs namn.

return_artifacts: bool

Obligatorisk

Anger att ett artefaktobjekt ska returneras för varje fil som laddas upp.

timeout_seconds: int

Obligatorisk

Tidsgränsen för att ladda upp filer.

datastore_name: str

Obligatorisk

Valfritt DataStore-namn

Kommentarer

upload_files har samma effekt som upload_file för separata filer, men det finns prestanda- och resursanvändningsfördelar när du använder upload_files.


   import os

   run = experiment.start_logging()
   file_name_1 = 'important_file_1'
   file_name_2 = 'important_file_2'
   run.upload_files(names=[file_name_1, file_name_2],
                       paths=['path/on/disk/file_1.txt', 'other/path/on/disk/file_2.txt'])

   run.download_file(file_name_1, 'file_1.txt')

   os.mkdir("path")  # The path must exist
   run.download_file(file_name_2, 'path/file_2.txt')

Anteckning

Kör automatiskt avbildningsfiler i den angivna utdatakatalogen, som standard är "./outputs" för de flesta körningstyper. Använd endast upload_files när ytterligare filer behöver laddas upp eller en utdatakatalog inte har angetts.

upload_folder

Ladda upp den angivna mappen till det angivna prefixnamnet.

upload_folder(name, path, datastore_name=None)

Parametrar

name: str

Obligatorisk

Namnet på mappen med filer som ska laddas upp.

folder: str

Obligatorisk

Den relativa lokala sökvägen till mappen som ska laddas upp.

datastore_name: str

Obligatorisk

Valfritt DataStore-namn

Kommentarer


   run = experiment.start_logging()
   run.upload_folder(name='important_files', path='path/on/disk')

   run.download_file('important_files/existing_file.txt', 'local_file.txt')

Anteckning

Kör automatiskt avbildningsfiler i den angivna utdatakatalogen, som standard är "./outputs" för de flesta körningstyper. Använd endast upload_folder när ytterligare filer behöver laddas upp eller en utdatakatalog inte har angetts.

wait_for_completion

Vänta tills körningen har slutförts. Returnerar statusobjektet efter väntetiden.

wait_for_completion(show_output=False, wait_post_processing=False, raise_on_error=True)

Parametrar

show_output: bool

standardvärde: False

Anger om körningsutdata ska visas på sys.stdout.

wait_post_processing: bool

standardvärde: False

Anger om efterbearbetningen ska slutföras när körningen har slutförts.

raise_on_error: bool

standardvärde: True

Anger om ett fel utlöses när körningen är i ett feltillstånd.

Returer

Statusobjektet.

Returtyp

dict

Attribut

description

Returnera körningsbeskrivningen.

Den valfria beskrivningen av körningen är en användardefinerad sträng som är användbar för att beskriva en körning.

Returer

Körningsbeskrivningen.

Returtyp

str

display_name

Returnera körningsvisningsnamnet.

Det valfria visningsnamnet för körningen är en användardefinerad sträng som är användbar för senare identifiering av körningen.

Returer

Körningens visningsnamn.

Returtyp

str

Returnera de oföränderliga egenskaperna för den här körningen.

Returer

Körningens lokalt cachelagrade egenskaper.

Returtyp

dict[str],

str

Kommentarer

Egenskaperna omfattar oföränderlig systemgenererad information, till exempel varaktighet, körningsdatum, användare osv.

status

Returnera körningsobjektets status.

type

Hämta körningstyp.

Anger hur körningen skapades eller konfigurerades.

Returer

Körningstypen.

Returtyp

str