EstimatorStep Klass

DEPRECATED. Skapar ett pipelinesteg som ska köras Estimator för Azure ML-modellträning.

Skapa ett Azure ML Pipeline-steg för att köra Estimator for Machine Learning-modellträning.

DEPRECATED. Använd i CommandStep stället. Ett exempel finns i Så här kör du ML-träning i pipelines med CommandStep.

Arv

PythonScriptStep

EstimatorStep

Konstruktor

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)

Parametrar

Name	Description
name	str Namnet på steget. standardvärde: None
estimator	Estimator Det associerade beräkningsobjektet för det här steget. Kan vara en förkonfigurerad skattningsfaktor som Chainer, PyTorch, TensorFloweller SKLearn. standardvärde: None
estimator_entry_script_arguments	list[str] [Krävs] En lista över kommandoradsargument. Om Estimator-postskriptet inte accepterar kommandoradsargument anger du det här parametervärdet till en tom lista. standardvärde: None
runconfig_pipeline_params	dict[str, PipelineParameter] En åsidosättning av runconfig-egenskaper vid körning med nyckel/värde-par, var och en med namnet på egenskapen runconfig och PipelineParameter för den egenskapen. Värden som stöds: NodeCount, MpiProcessCountPerNode, TensorflowWorkerCount, TensorflowParameterServerCount standardvärde: None
inputs	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]] En lista över indata som ska användas. standardvärde: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset]] En lista över PipelineData-objekt. standardvärde: None
compute_target	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Krävs] Beräkningsmålet som ska användas. standardvärde: None
allow_reuse	bool Anger om steget ska återanvända tidigare resultat när det körs igen med samma inställningar. Återanvändning är aktiverat som standard. Om steginnehållet (skript/beroenden) samt indata och parametrar förblir oförändrade återanvänds utdata från föregående körning av det här steget. När du återanvänder steget, i stället för att skicka jobbet för beräkning, görs resultaten från den föregående körningen omedelbart tillgängliga för efterföljande steg. Om du använder Azure Machine Learning-datauppsättningar som indata bestäms återanvändningen av om datauppsättningens definition har ändrats, inte av om underliggande data har ändrats. standardvärde: True
version	str En valfri versionstagg som anger en funktionsändring för modulen. standardvärde: None
name Obligatorisk	str Namnet på steget.
estimator Obligatorisk	<xref:Estimator> Det associerade beräkningsobjektet för det här steget. Kan vara en förkonfigurerad skattningsfaktor som Chainer, PyTorch, TensorFloweller SKLearn.
estimator_entry_script_arguments Obligatorisk	[str] [Krävs] En lista över kommandoradsargument. Om Estimator-postskriptet inte accepterar kommandoradsargument anger du det här parametervärdet till en tom lista.
runconfig_pipeline_params Obligatorisk	dict[str, PipelineParameter] En åsidosättning av runconfig-egenskaper vid körning med nyckel/värde-par, var och en med namnet på egenskapen runconfig och PipelineParameter för den egenskapen. Värden som stöds: NodeCount, MpiProcessCountPerNode, TensorflowWorkerCount, TensorflowParameterServerCount
inputs Obligatorisk	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]] En lista över indata som ska användas.
outputs Obligatorisk	list[Union[PipelineData, PipelineOutputAbstractDataset] En lista över PipelineData-objekt.
compute_target Obligatorisk	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Krävs] Beräkningsmålet som ska användas.
allow_reuse Obligatorisk	bool Anger om steget ska återanvända tidigare resultat när det körs igen med samma inställningar. Återanvändning är aktiverat som standard. Om steginnehållet (skript/beroenden) samt indata och parametrar förblir oförändrade återanvänds utdata från föregående körning av det här steget. När du återanvänder steget, i stället för att skicka jobbet för beräkning, görs resultaten från den föregående körningen omedelbart tillgängliga för efterföljande steg. Om du använder Azure Machine Learning-datauppsättningar som indata bestäms återanvändningen av om datauppsättningens definition har ändrats, inte av om underliggande data har ändrats.
version Obligatorisk	str version

Kommentarer

Observera att argumenten till postskriptet som används i Estimator objektet måste anges som lista med hjälp av parametern estimator_entry_script_arguments när du instansierar en EstimatorStep. Parametern script_params Estimator accepterar en ordlista. Parametern förväntar sig dock estimator_entry_script_argument argument som en lista.

Initieringen EstimatorStep omfattar att ange en lista över indata med parametern inputs och du behöver inte ange indata med uppskattningen. Ett undantag utlöses om du gör det. Se parametern inputs för de typer av indata som tillåts. Du kan också ange eventuella utdata för steget. Se parametern outputs för de typer av utdata som tillåts.

Det bästa sättet att arbeta med EstimatorStep är att använda en separat mapp för skript och beroende filer som är associerade med steget och ange den Estimator mappen som objektets source_directory. Att göra det har två fördelar. Först hjälper det till att minska storleken på ögonblicksbilden som skapats för steget eftersom endast det som behövs för steget ögonblicksbilderas. För det andra kan stegets utdata från en tidigare körning återanvändas om det inte finns några ändringar i source_directory som skulle utlösa en återuppladdning av snaphoten.

Metoder

create_node

Skapa en nod från Estimator-steget och lägg till den i den angivna grafen. DEPRECATED. Använd i CommandStep stället. Ett exempel finns i Så här kör du ML-träning i pipelines med CommandStep. Den här metoden är inte avsedd att användas direkt. När en pipeline instansieras med det här steget skickar Azure ML automatiskt de parametrar som krävs via den här metoden så att steget kan läggas till i ett pipelinediagram som representerar arbetsflödet.

create_node

Skapa en nod från Estimator-steget och lägg till den i den angivna grafen.

DEPRECATED. Använd i CommandStep stället. Ett exempel finns i Så här kör du ML-träning i pipelines med CommandStep.

Den här metoden är inte avsedd att användas direkt. När en pipeline instansieras med det här steget skickar Azure ML automatiskt de parametrar som krävs via den här metoden så att steget kan läggas till i ett pipelinediagram som representerar arbetsflödet.

create_node(graph, default_datastore, context)

Parametrar

Name	Description
graph Obligatorisk	Graph Grafobjektet som noden ska läggas till i.
default_datastore Obligatorisk	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Standarddatalagringen.
context Obligatorisk	<xref:azureml.pipeline.core._GraphContext> Grafkontexten.

Returer

Typ	Description
Node	Den skapade noden.