SKLearn Klass
Skapar en beräkning för träning i Scikit-learn-experiment.
DEPRECATED. Använd objektet ScriptRunConfig med din egen definierade miljö eller den AzureML-Tutorial kuraterade miljön. En introduktion till hur du konfigurerar SKLearn-experimentkörningar med ScriptRunConfig finns i Träna scikit-learn-modeller i stor skala med Azure Machine Learning.
Den här uppskattningen stöder endast cpu-träning med en nod.
Versioner som stöds: 0.20.3
Initiera en Scikit-learn-skattare.
- Arv
-
azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimatorSKLearn
Konstruktor
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)Parametrar
- compute_target
- AbstractComputeTarget eller str
Beräkningsmålet där träningen ska ske. Detta kan antingen vara ett -objekt eller strängen "lokal".
- vm_size
- str
VM-storleken för beräkningsmålet som ska skapas för träningen.
Värden som stöds: Valfri storlek på virtuella Azure-datorer.
- vm_priority
- str
VM-prioriteten för beräkningsmålet som ska skapas för träningen. Om inget anges används "dedikerad".
Värden som stöds: "dedikerad" och "lågprioritet".
Detta börjar endast gälla när vm_size param anges i indata.
- entry_script
- str
En sträng som representerar den relativa sökvägen till filen som används för att starta träningen.
- script_params
- dict
En ordlista med kommandoradsargument som ska skickas till träningsskriptet som anges i entry_script.
- custom_docker_image
- str
Namnet på den Docker-avbildning som avbildningen som ska användas för träning kommer att skapas. Om den inte anges används en standard-CPU-baserad avbildning som basavbildning.
- user_managed
- bool
Anger om Azure ML återanvänder en befintlig Python-miljö. Falskt innebär att AzureML skapar en Python-miljö baserat på specifikationen för conda-beroenden.
- conda_packages
- list
En lista med strängar som representerar conda-paket som ska läggas till i Python-miljön för experimentet.
- pip_packages
- list
En lista med strängar som representerar pip-paket som ska läggas till i Python-miljön för experimentet.
- conda_dependencies_file_path
- str
En sträng som representerar den relativa sökvägen till yaml-filen med conda-beroenden.
Om detta anges installerar Inte Azure ML några ramverksrelaterade paket.
Detta kan anges i kombination med parametern conda_packages .
DEPRECATED. Använd parametern conda_dependencies_file .
- pip_requirements_file_path
- str
En sträng som representerar den relativa sökvägen till textfilen pip-krav.
Detta kan anges i kombination med parametern pip_packages .
DEPRECATED. Använd parametern pip_requirements_file .
- conda_dependencies_file
- str
En sträng som representerar den relativa sökvägen till yaml-filen med conda-beroenden.
Om detta anges installerar Inte Azure ML några ramverksrelaterade paket.
Detta kan anges i kombination med parametern conda_packages .
- pip_requirements_file
- str
En sträng som representerar den relativa sökvägen till textfilen pip-krav.
Detta kan anges i kombination med parametern pip_packages .
- environment_variables
- dict
En ordlista med miljövariablers namn och värden. Dessa miljövariabler anges i processen där användarskript körs.
- environment_definition
- Environment
Miljödefinitionen för ett experiment innehåller PythonSection, DockerSection och miljövariabler. Alla miljöalternativ som inte exponeras direkt via andra parametrar för beräkningskonstruktionen kan anges med hjälp av environment_definition parametern . Om den här parametern anges har den företräde framför andra miljörelaterade parametrar som use_gpu, custom_docker_image, conda_packageseller pip_packages.
Fel rapporteras ogiltiga kombinationer.
- inputs
- list
En lista över DataReference eller DatasetConsumptionConfig objekt som ska användas som indata.
- shm_size
- str
Storleken på Docker-containerns delade minnesblock. Om det inte anges används standard azureml.core.environment._DEFAULT_SHM_SIZE.
- resume_from
- DataPath
Datasökvägen som innehåller kontrollpunkten eller modellfilerna som experimentet ska återupptas från.
- max_run_duration_seconds
- int
Den maximala tillåtna tiden för körningen. Azure ML försöker automatiskt avbryta körningen om det tar längre tid än det här värdet.
- framework_version
- str
Scikit-learn-versionen som ska användas för att köra träningskod.
SKLearn.get_supported_versions() returnerar en lista över de versioner som stöds av aktuell SDK.
- compute_target
- AbstractComputeTarget eller str
Beräkningsmålet där träningen ska ske. Detta kan antingen vara ett -objekt eller strängen "lokal".
- vm_size
- str
VM-storleken för beräkningsmålet som ska skapas för träningen. Värden som stöds: Valfri storlek på virtuella Azure-datorer.
- vm_priority
- str
VM-prioriteten för beräkningsmålet som ska skapas för träningen. Om inget anges används "dedikerad".
Värden som stöds: "dedikerad" och "lågprioritet".
Detta börjar endast gälla när vm_size param anges i indata.
- entry_script
- str
En sträng som representerar den relativa sökvägen till filen som används för att starta träningen.
- script_params
- dict
En ordlista med kommandoradsargument som ska skickas till träningsskriptet som anges i entry_script.
- use_docker
- bool
Ett bool-värde som anger om miljön som ska köra experimentet ska vara Docker-baserad.
- custom_docker_image
- str
Namnet på den Docker-avbildning som avbildningen som ska användas för träning kommer att skapas. Om den inte anges används en standard-CPU-baserad avbildning som basavbildning.
- user_managed
- bool
Anger om Azure ML återanvänder en befintlig Python-miljö. Falskt innebär att AzureML skapar en Python-miljö baserat på specifikationen för conda-beroenden.
- conda_packages
- list
En lista med strängar som representerar conda-paket som ska läggas till i Python-miljön för experimentet.
- pip_packages
- list
En lista med strängar som representerar pip-paket som ska läggas till i Python-miljön för experimentet.
- conda_dependencies_file_path
- str
En sträng som representerar den relativa sökvägen till yaml-filen med conda-beroenden. Om detta anges installerar Inte Azure ML några ramverksrelaterade paket.
Detta kan anges i kombination med parametern conda_packages .
DEPRECATED. Använd parametern conda_dependencies_file .
- pip_requirements_file_path
- str
En sträng som representerar den relativa sökvägen till textfilen pip-krav.
Detta kan anges i kombination med parametern pip_packages .
DEPRECATED. Använd parametern pip_requirements_file .
- conda_dependencies_file
- str
En sträng som representerar den relativa sökvägen till yaml-filen med conda-beroenden. Om detta anges installerar Inte Azure ML några ramverksrelaterade paket.
Detta kan anges i kombination med parametern conda_packages .
- pip_requirements_file
- str
En sträng som representerar den relativa sökvägen till textfilen pip-krav.
Detta kan anges i kombination med parametern pip_packages .
- environment_variables
- dict
En ordlista med miljövariablers namn och värden. Dessa miljövariabler anges i processen där användarskript körs.
- environment_definition
- Environment
Miljödefinitionen för ett experiment innehåller PythonSection, DockerSection och miljövariabler. Alla miljöalternativ som inte exponeras direkt via andra parametrar för beräkningskonstruktionen kan anges med hjälp av environment_definition parametern . Om den här parametern anges har den företräde framför andra miljörelaterade parametrar som use_gpu, custom_docker_image, conda_packageseller pip_packages.
Fel rapporteras ogiltiga kombinationer.
- inputs
- list
En lista över azureml.data.data_reference. DataReference-objekt som ska användas som indata.
- shm_size
- str
Storleken på Docker-containerns delade minnesblock. Om inte anges används standard azureml.core.environment._DEFAULT_SHM_SIZE.
- resume_from
- DataPath
Datasökvägen som innehåller kontrollpunkten eller modellfilerna som experimentet ska återupptas från.
- max_run_duration_seconds
- int
Den maximala tillåtna tiden för körningen. Azure ML försöker automatiskt avbryta körningen om det tar längre tid än det här värdet.
- framework_version
- str
Scikit-learn-versionen som ska användas för att köra träningskod.
SKLearn.get_supported_versions() returnerar en lista över de versioner som stöds av den aktuella SDK:en.
- _enable_optimized_mode
- bool
Aktivera inkrementell miljöversion med färdiga ramverksbilder för snabbare förberedelse av miljön. En fördefinierad ramverksavbildning bygger på Azure ML-standard-CPU/GPU-basavbildningar med ramverksberoenden förinstallerade.
- _disable_validation
- bool
Inaktivera skriptvalidering innan du kör sändningen. Standardvärdet är Sant.
Kommentarer
När du skickar ett träningsjobb kör Azure ML skriptet i en conda-miljö i en Docker-container. SKLearn-containrar har följande beroenden installerade.
Beroenden | Scikit-learn 0.20.3 | ———————- | —————– | Python | 3.6.2 | azureml-defaults | Senaste | 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 |
Docker-avbildningarna utökar Ubuntu 16.04.
Om du behöver installera ytterligare beroenden kan du antingen använda parametrarna pip_packages eller conda_packages eller så kan du ange din pip_requirements_file eller conda_dependencies_file filen. Du kan också skapa en egen avbildning och skicka parametern custom_docker_image till beräkningskonstruktorn.
Attribut
DEFAULT_VERSION
DEFAULT_VERSION = '0.20.3'FRAMEWORK_NAME
FRAMEWORK_NAME = 'SKLearn'Feedback
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i: https://aka.ms/ContentUserFeedback.
Skicka och visa feedback för