Run Sınıf

Tüm Azure Machine Learning deneme çalıştırmaları için temel sınıfı tanımlar.

Çalıştırma, bir denemenin tek bir denemesini temsil eder. Çalıştırmalar bir denemenin zaman uyumsuz yürütülmesini izlemek, denemenin günlük ölçümlerini ve depolama çıkışını izlemek ve deneme tarafından oluşturulan sonuçları analiz etmek ve yapıtlara erişmek için kullanılır.

Çalıştırma nesneleri, Modeli Azure Machine Learning'de HyperDrive çalıştırmaları, İşlem hattı çalıştırmaları ve AutoML çalıştırmaları gibi birçok farklı senaryoda eğitmek için bir betik gönderdiğinizde oluşturulur. Siz submit veya start_logging sınıfıyla Experiment birlikte bir Run nesnesi de oluşturulur.

Denemeleri ve çalıştırmaları kullanmaya başlamak için bkz.

Run nesnesini başlatın.

Devralma
azureml._run_impl.run_base._RunBase
Run

Oluşturucu

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

Parametreler

experiment
Experiment
Gerekli

İçeren deneme.

run_id
str
Gerekli

Çalıştırmanın kimliği.

outputs
str
varsayılan değer: None

İzlenecek çıkışlar.

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

Yalnızca iç kullanım.

kwargs
dict
Gerekli

Ek yapılandırma parametreleri sözlüğü.

experiment
Experiment
Gerekli

İçeren deneme.

run_id
str
Gerekli

Çalıştırmanın kimliği.

outputs
str
Gerekli

İzlenecek çıkışlar.

kwargs
dict
Gerekli

Ek yapılandırma parametreleri sözlüğü.

Açıklamalar

Çalıştırma, bir denemenin tek bir denemesini temsil eder. Run nesnesi, denemenin zaman uyumsuz yürütmesini izlemek, denemenin günlük ölçümlerini ve depolama çıkışını izlemek ve deneme tarafından oluşturulan sonuçları analiz etmek ve yapıtlara erişmek için kullanılır.

Çalıştırma, çalıştırma geçmişi hizmetine ölçümleri ve yapıtları günlüğe kaydetmek için deneme kodunuzun içinde kullanılır.

Çalıştırma, ilerleme durumunu izlemek ve oluşturulan ölçümleri ve sonuçları sorgulamak ve analiz etmek için denemelerinizin dışında kullanılır.

Çalıştır işlevi şunları içerir:

  • Ölçümleri ve verileri depolama ve alma

  • Dosyaları karşıya yükleme ve indirme

  • Geçmiş çalıştırmaların kolayca aranabilmesi için etiketlerin yanı sıra alt hiyerarşiyi kullanma

  • Depolanan model dosyalarını kullanıma hazır hale getirilebilen bir model olarak kaydetme

  • Çalıştırmanın özelliklerini depolama, değiştirme ve alma

  • yöntemiyle uzak bir ortamdan geçerli çalıştırmayı get_context yükleme

  • Yeniden üretilebilirlik için bir dosya veya dizinin anlık görüntüsünü verimli bir şekilde alma

Bu sınıf şu senaryolarda ile Experiment çalışır:

  • kullanarak kod yürüterek çalıştırma oluşturma submit

  • kullanarak bir not defterinde etkileşimli olarak çalıştırma oluşturma start_logging

  • Denemenizde ölçümler günlüğe kaydetme ve yapıtları karşıya yükleme (örneğin, kullanırken) log

  • Kullanırken olduğu gibi deneysel sonuçları analiz ederken ölçümleri okuma ve yapıtları indirme get_metrics

Çalıştırma göndermek için denemenin nasıl çalıştırıldığını açıklayan bir yapılandırma nesnesi oluşturun. Kullanabileceğiniz farklı yapılandırma nesnelerinin örnekleri aşağıda verilmiştir:

  • ScriptRunConfig

  • azureml.train.automl.automlconfig.AutoMLConfig

  • azureml.train.hyperdrive.HyperDriveConfig

  • azureml.pipeline.core.Pipeline

  • azureml.pipeline.core.PublishedPipeline

  • azureml.pipeline.core.PipelineEndpoint

Aşağıdaki ölçümler bir denemeyi eğitirken çalıştırmaya eklenebilir.

  • Skalar

    • kullanarak logverilen adla çalıştırmaya bir sayısal değer veya dize değeri günlüğe kaydeder. Bir ölçümün bir çalıştırmaya kaydedilmesi, bu ölçümün denemedeki çalıştırma kaydında depolanmasına neden olur. Aynı ölçümü bir çalıştırma içinde birden çok kez günlüğe kaydedebilirsiniz ve sonuç bu ölçümün vektör olarak kabul edilir.

    • Örnek: run.log("accuracy", 0.95)

  • Liste

    • kullanarak log_listverilen adla çalıştırmaya bir değer listesi günlüğe kaydeder.

    • Örnek: run.log_list("accuracies", [0.6, 0.7, 0.87])

  • Satır

    • kullanarak log_row , içinde kwargsaçıklandığı gibi birden çok sütuna sahip bir ölçüm oluşturur. Her adlandırılmış parametre, belirtilen değere sahip bir sütun oluşturur. log_row rastgele bir tanımlama grubu günlüğe kaydetmek için bir kez veya tam bir tablo oluşturmak için döngüde birden çok kez çağrılabilir.

    • Örnek: run.log_row("Y over X", x=1, y=0.4)

  • Tablo

    • kullanarak log_tableverilen adla bir sözlük nesnesini çalıştırmaya günlüğe kaydeder.

    • Örnek: run.log_table("Y over X", {"x":[1, 2, 3], "y":[0.6, 0.7, 0.89]})

  • Görüntü

    • Çalıştırma kaydına bir görüntü kaydedin. Çalıştırmada bir görüntü dosyasını veya matplotlib çizimini günlüğe kaydetmek için kullanın log_image . Bu görüntüler çalıştırma kaydında görünür ve karşılaştırılabilir.

    • Örnek: run.log_image("ROC", path)

Yöntemler

add_properties

Çalıştırmaya sabit özellikler ekleyin.

Etiketler ve özellikler (her ikisi de dict[str, str]) değişebilirlik açısından farklılık gösterir. Özellikler sabittir, bu nedenle denetim amacıyla kalıcı bir kayıt oluştururlar. Etiketler değişebilir. Etiketler ve özelliklerle çalışma hakkında daha fazla bilgi için bkz. Çalıştırmaları etiketleme ve bulma.

add_type_provider

Çalıştırma Geçmişi'nde depolanan özel Çalıştırma türleri için genişletilebilirlik kancası.

cancel

Çalıştırmayı iptal edildi olarak işaretleyin.

Ayarlanmış bir cancel_uri alanıyla ilişkili bir iş varsa, bu işi de sonlandır.

child_run

Bir alt çalıştırma oluşturun.

clean

Çalıştırma yapılandırmasında belirtilen hedefteki geçerli çalıştırmaya karşılık gelen dosyaları kaldırın.

complete

Görev kuyruğun işlenmesini bekleyin.

Ardından çalıştırma tamamlandı olarak işaretlenir. Bu genellikle etkileşimli not defteri senaryolarında kullanılır.

create_children

Bir veya daha fazla alt çalıştırma oluşturun.

download_file

Depolama alanından ilişkili bir dosyayı indirin.

download_files

Belirli bir depolama ön ekinden (klasör adı) veya ön ek belirtilmemişse kapsayıcının tamamından dosyaları indirin.

fail

Çalıştırmayı başarısız olarak işaretleyin.

İsteğe bağlı olarak, komutuna ileti veya özel durum geçirilirken error_detailsçalıştırmanın Error özelliğini ayarlayın.

flush

Görev kuyruğun işlenmesini bekleyin.

get

Bu çalışma alanı için çalıştırma kimliğini içeren çalıştırmayı alın.

get_all_logs

Çalıştırmanın tüm günlüklerini bir dizine indirin.

get_children

Belirtilen filtreler tarafından seçilen geçerli çalıştırmanın tüm alt öğelerini alın.

get_context

Geçerli hizmet bağlamı döndür.

Ölçümleri günlüğe kaydetmek ve dosyaları karşıya yüklemek için geçerli hizmet bağlamını almak için bu yöntemi kullanın. True (varsayılan) ise allow_offline , Run nesnesine yönelik eylemler standart olarak yazdırılır.

get_detailed_status

Çalıştırmanın en son durumunu getirin. Çalıştırmanın durumu "Kuyruğa Alındı" ise ayrıntıları gösterir.

get_details

Çalıştırmanın tanımını, durum bilgilerini, geçerli günlük dosyalarını ve diğer ayrıntılarını alın.

get_details_with_logs

Günlük dosyası içeriği dahil olmak üzere dönüş çalıştırma durumu.

get_environment

Bu çalıştırma tarafından kullanılan ortam tanımını alın.

get_file_names

Çalıştırmayla ilişkili olarak depolanan dosyaları listeleyin.

get_metrics

Çalıştırmada günlüğe kaydedilen ölçümleri alın.

True (Varsayılan olarak False) ise recursive , verilen çalıştırmanın alt ağacındaki çalıştırmalar için ölçümleri getirin.

get_properties

Hizmetten çalıştırmanın en son özelliklerini getirin.

get_secret

Çalıştırma bağlamından gizli dizi değerini alın.

Sağlanan ad için gizli dizi değerini alın. Gizli dizi adı, çalışma alanınızla ilişkili Azure Key Vault depolanan bir değere başvurur. Gizli dizilerle çalışma örneği için bkz. Eğitim çalıştırmalarında gizli dizileri kullanma.

get_secrets

Belirli bir gizli dizi adları listesi için gizli dizi değerlerini alın.

Sağlanan adlar listesi için bulunan ve bulunamaz gizli dizileri içeren bir sözlük alın. Her gizli dizi adı, çalışma alanınızla ilişkili Azure Key Vault depolanan bir değere başvurur. Gizli dizilerle çalışma örneği için bkz. Eğitim çalıştırmalarında gizli dizileri kullanma.

get_snapshot_id

En son anlık görüntü kimliğini alın.

get_status

Çalıştırmanın en son durumunu getirin.

Döndürülen yaygın değerler şunlardır: "Çalışıyor", "Tamamlandı" ve "Başarısız".

get_submitted_run

KALDIRIL -MIŞ. get_context komutunu kullanın.

Bu deneme için gönderilen çalıştırmayı alın.

get_tags

Hizmetten çalıştırıldığında en son değiştirilebilir etiket kümesini getirin.

list

İsteğe bağlı filtreler tarafından belirtilen bir denemedeki çalıştırmaların listesini alın.

list_by_compute

İsteğe bağlı filtreler tarafından belirtilen bir işlemdeki çalıştırmaların listesini alın.

log

Çalıştırmaya verilen adla bir ölçüm değeri günlüğe kaydeder.

log_accuracy_table

Bir doğruluk tablosunu yapıt deposuna günlüğe kaydetme.

Doğruluk tablosu ölçümü, tahmin edilen olasılıkların alanı üzerinde sürekli değişen birden çok çizgi grafik türü üretmek için kullanılabilen çok kullanımlı, skaler olmayan bir ölçümdür. Bu grafiklere örnek olarak ROC, duyarlık yakalama ve lift eğrileri verilebilir.

Doğruluk tablosunun hesaplanması, ROC eğrisinin hesaplamasına benzer. ROC eğrisi gerçek pozitif oranları ve hatalı pozitif oranları birçok farklı olasılık eşiğinde depolar. Doğruluk tablosu gerçek pozitiflerin ham sayısını, hatalı pozitifleri, gerçek negatifleri ve hatalı negatifleri birçok olasılık eşiğinde depolar.

Eşikleri seçmek için kullanılan iki yöntem vardır: "olasılık" ve "yüzdebirlik." Tahmin edilen olasılıkların alanından örnekleme yöntemine göre farklılık gösterirler.

Olasılık eşikleri, 0 ile 1 arasında eşit aralıklı eşiklerdir. NUM_POINTS 5 ise olasılık eşikleri [0,0, 0,25, 0,5, 0,75, 1,0] olur.

Yüzdelik dilim eşikleri, tahmin edilen olasılıkların dağılımına göre aralıklanır. Her eşik, bir olasılık eşiğindeki verilerin yüzdebirlik dilimine karşılık gelir. Örneğin, NUM_POINTS 5 ise, ilk eşik 0. yüzdebirlik dilimde, ikinci yüzdebirlik dilimde, üçüncü yüzdebirlik dilimde, üçüncü yüzde 50'de vb. olur.

Olasılık tabloları ve yüzdebirlik tabloları, ilk boyutun sınıf etiketini temsil ettiği, ikinci boyutun örneği bir eşikte temsil ettiği (NUM_POINTS ile ölçeklendirildiği) ve üçüncü boyutun her zaman 4 değeri olduğu 3B listelerdir: TP, FP, TN, FN ve her zaman bu sırada.

Karışıklık değerleri (TP, FP, TN, FN) tek ve rest stratejisiyle hesaplanır. Diğer ayrıntılar için aşağıdaki bağlantıya bakın: https://en.wikipedia.org/wiki/Multiclass_classification

N = Doğrulama veri kümesindeki örneklerin sayısı (örnekte 200) M = # eşikler = # olasılık alanından alınan örnekler (örnekte 5) C = # tam veri kümesindeki sınıflar (örnekte 3)

Doğruluk tablosunun bazı sabitleri:

  • TP + FP + TN + FN = Tüm sınıflar için tüm eşikler için N
  • TP + FN, herhangi bir sınıf için tüm eşiklerde aynıdır
  • TN + FP, herhangi bir sınıf için tüm eşiklerde aynıdır
  • Olasılık tablolarının ve yüzde birlik tabloların şekli [C, M, 4]

Not: M herhangi bir değer olabilir ve grafiklerin çözünürlüğünü denetler Bu veri kümesinden bağımsızdır, ölçümleri hesaplarken tanımlanır ve depolama alanı, hesaplama süresi ve çözünürlükten bağımsızdır.

Sınıf etiketleri dize, karışıklık değerleri tamsayı ve eşikler ise kayan değer olmalıdır.

log_confusion_matrix

Karışıklık matrisini yapıt deposuna kaydedin.

Bu, sklearn karışıklık matrisinin etrafına bir sarmalayıcı kaydeder. Ölçüm verileri, matrisin kendisi için sınıf etiketlerini ve 2B listeyi içerir. Ölçümün nasıl hesaplandığından daha fazla ayrıntı için aşağıdaki bağlantıya bakın: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_image

Çalıştırma kaydına bir görüntü ölçümü kaydedin.

log_list

Ölçüm değerlerinin listesini verilen adla çalıştırmaya günlüğe kaydeder.

log_predictions

Tahminleri yapıt deposuna günlüğe kaydetme.

Bu, gerçek hedef değerlerin dağıtımlarını bir regresyon görevi için tahmin edilen değerlerin dağılımıyla karşılaştırmak için kullanılabilecek bir ölçüm puanını günlüğe kaydeder.

Tahminler gruplanır ve çizgi grafikteki hata çubukları için standart sapmalar hesaplanır.

log_residuals

Yapıt deposuna artıkları günlüğe kaydetme.

Bu, regresyon görevi için artıkların histogramını görüntülemek için gereken verileri günlüğe kaydeder. Artıklar tahmin edilir- gerçek.

Sayım sayısından bir kenar daha olmalıdır. Histogramı temsil etmek için sayıları ve kenarları kullanma örnekleri için lütfen numpy histogram belgelerine bakın. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_row

Verilen adla çalıştırmaya bir satır ölçümü günlüğe kaydeder.

log_table

Verilen adla bir tablo ölçümünü çalıştırmaya günlüğe kaydeder.

register_model

Kullanıma hazır hale getirme için bir model kaydedin.

remove_tags

Bu çalıştırmada değiştirilebilir etiketlerin listesini silin.

restore_snapshot

Anlık görüntüyü ZIP dosyası olarak geri yükleyin. ZIP yolunu döndürür.

set_tags

Çalıştırmada bir etiket kümesi ekleyin veya değiştirin. Sözlükte geçirilmeyen etiketlere dokunulmaz.

Ayrıca basit dize etiketleri de ekleyebilirsiniz. Bu etiketler etiket sözlüğünde anahtar olarak göründüğünde Hiçbiri değerine sahip olurlar. Daha fazla bilgi için bkz. Çalıştırmaları etiketleme ve bulma.

start

Çalıştırmayı başlatıldı olarak işaretleyin.

Bu genellikle çalıştırma başka bir aktör tarafından oluşturulduğunda gelişmiş senaryolarda kullanılır.

submit_child

Bir deneme gönderin ve etkin alt çalıştırmayı döndürin.

tag

Çalıştırmayı bir dize anahtarı ve isteğe bağlı dize değeriyle etiketleyin.

take_snapshot

Giriş dosyasının veya klasörünün anlık görüntüsünü kaydedin.

upload_file

Çalıştırma kaydına bir dosya yükleyin.

upload_files

Dosyaları çalıştırma kaydına yükleyin.

upload_folder

Belirtilen klasörü belirtilen ön ek adına yükleyin.

wait_for_completion

Bu çalıştırmanın tamamlanmasını bekleyin. Beklemeden sonra durum nesnesini döndürür.

add_properties

Çalıştırmaya sabit özellikler ekleyin.

Etiketler ve özellikler (her ikisi de dict[str, str]) değişebilirlik açısından farklılık gösterir. Özellikler sabittir, bu nedenle denetim amacıyla kalıcı bir kayıt oluştururlar. Etiketler değişebilir. Etiketler ve özelliklerle çalışma hakkında daha fazla bilgi için bkz. Çalıştırmaları etiketleme ve bulma.

add_properties(properties)

Parametreler

properties
dict
Gerekli

Çalıştırma nesnesinde depolanan gizli özellikler.

add_type_provider

Çalıştırma Geçmişi'nde depolanan özel Çalıştırma türleri için genişletilebilirlik kancası.

static add_type_provider(runtype, run_factory)

Parametreler

runtype
str
Gerekli

Fabrikanın çağrılacağı Run.type değeri. Örnek olarak 'hyperdrive' veya 'azureml.scriptrun' verilebilir, ancak özel türlerle genişletilebilir.

run_factory
<xref:function>
Gerekli

İmzalı bir işlev (Deneme, ÇalıştırDto) -> Listeleme çalıştırılırken çağrılacak şekilde çalıştır.

cancel

Çalıştırmayı iptal edildi olarak işaretleyin.

Ayarlanmış bir cancel_uri alanıyla ilişkili bir iş varsa, bu işi de sonlandır.

cancel()

child_run

Bir alt çalıştırma oluşturun.

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

Parametreler

name
str
varsayılan değer: None

Alt çalıştırma için isteğe bağlı bir ad, genellikle bir "bölüm" için belirtilir.

run_id
str
varsayılan değer: None

Alt öğe için isteğe bağlı bir çalıştırma kimliği, aksi takdirde otomatik olarak oluşturulur. Genellikle bu parametre ayarlanmaz.

outputs
str
varsayılan değer: None

Alt öğe için izlenen isteğe bağlı çıkış dizini.

Döndürülenler

Çocuk koşuyor.

Dönüş türü

Run

Açıklamalar

Bu, bir çalıştırmanın bir bölümünü bir alt bölüme ayırmak için kullanılır. Bu işlem, bir çalıştırmanın birbirinden ayrılması ilginç olan tanımlanabilir "bölümleri" için veya bir alt işlem arasında bağımsız ölçümler yakalamak için yapılabilir.

Alt çalıştırma için bir çıkış dizini ayarlanırsa, alt öğe tamamlandığında bu dizinin içeriği alt çalıştırma kaydına yüklenir.

clean

Çalıştırma yapılandırmasında belirtilen hedefteki geçerli çalıştırmaya karşılık gelen dosyaları kaldırın.

clean()

Döndürülenler

Silinen dosyaların listesi.

Dönüş türü

complete

Görev kuyruğun işlenmesini bekleyin.

Ardından çalıştırma tamamlandı olarak işaretlenir. Bu genellikle etkileşimli not defteri senaryolarında kullanılır.

complete(_set_status=True)

Parametreler

_set_status
bool
varsayılan değer: True

Durum olayının izlenmek üzere gönderilip gönderilmeydiğini gösterir.

create_children

Bir veya daha fazla alt çalıştırma oluşturun.

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

Parametreler

count
int
varsayılan değer: None

Oluşturulacak isteğe bağlı alt öğe sayısı.

tag_key
str
varsayılan değer: None

Oluşturulan tüm alt öğelerde Etiketler girdisini doldurmak için isteğe bağlı bir anahtar.

tag_Values
Gerekli

Oluşturulan çalıştırmaların listesi için Etiketler[tag_key] ile eşlenecek isteğe bağlı değerler listesi.

tag_values
varsayılan değer: None

Döndürülenler

Alt çalıştırmaların listesi.

Dönüş türü

Açıklamalar

VEYA parametresi count VE tag_values parametresi tag_key belirtilmelidir.

download_file

Depolama alanından ilişkili bir dosyayı indirin.

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

Parametreler

name
str
Gerekli

İndirilecek yapıtın adı.

output_file_path
str
Gerekli

Yapıtın depolandığı yerel yol.

download_files

Belirli bir depolama ön ekinden (klasör adı) veya ön ek belirtilmemişse kapsayıcının tamamından dosyaları indirin.

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

Parametreler

prefix
str
Gerekli

Kapsayıcı içindeki tüm yapıtların indirildiği dosya yolu ön eki.

output_directory
str
Gerekli

Tüm yapıt yollarının ön ek olarak kullandığı isteğe bağlı dizin.

output_paths
[str]
Gerekli

İndirilen yapıtların depolandığı isteğe bağlı dosya yolları. Benzersiz olmalı ve yolların uzunluğuyla eşleşmelidir.

batch_size
int
Gerekli

Toplu iş başına indirilmesi gereken dosya sayısı. Varsayılan değer 100 dosyadır.

append_prefix
bool
Gerekli

Belirtilen ön ekin son çıkış dosyası yolundan eklenip eklenmeyeceğini gösteren isteğe bağlı bir bayrak. False ise ön ek çıkış dosyası yolundan kaldırılır.

timeout_seconds
int
Gerekli

Dosyaları indirme zaman aşımı.

fail

Çalıştırmayı başarısız olarak işaretleyin.

İsteğe bağlı olarak, komutuna ileti veya özel durum geçirilirken error_detailsçalıştırmanın Error özelliğini ayarlayın.

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

Parametreler

error_details
str veya BaseException
varsayılan değer: None

Hatanın isteğe bağlı ayrıntıları.

error_code
str
varsayılan değer: None

Hata sınıflandırması için hatanın isteğe bağlı hata kodu.

_set_status
bool
varsayılan değer: True

Durum olayının izlenmek üzere gönderilip gönderilmeydiğini gösterir.

flush

Görev kuyruğun işlenmesini bekleyin.

flush(timeout_seconds=300)

Parametreler

timeout_seconds
int
varsayılan değer: 300

Görev kuyruğun işlenmesi için ne kadar süre beklenecek (saniye cinsinden).

get

Bu çalışma alanı için çalıştırma kimliğini içeren çalıştırmayı alın.

static get(workspace, run_id)

Parametreler

workspace
Workspace
Gerekli

İçeren çalışma alanı.

run_id
string
Gerekli

Çalıştırma kimliği.

Döndürülenler

Gönderilen çalıştırma.

Dönüş türü

Run

get_all_logs

Çalıştırmanın tüm günlüklerini bir dizine indirin.

get_all_logs(destination=None)

Parametreler

destination
str
varsayılan değer: None

Günlükleri depolamak için hedef yol. Belirtilmemişse, proje dizininde çalıştırma kimliği olarak adlandırılan bir dizin oluşturulur.

Döndürülenler

İndirilen günlüklerin adlarının listesi.

Dönüş türü

get_children

Belirtilen filtreler tarafından seçilen geçerli çalıştırmanın tüm alt öğelerini alın.

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

Parametreler

recursive
bool
varsayılan değer: False

Tüm alt öğelerde özyineleme yapılıp yapılmayacağını gösterir.

tags
str veya dict
varsayılan değer: None

Belirtilirse, belirtilen "etiket" veya {"etiket": "value"} ile eşleşen çalıştırmaları döndürür.

properties
str veya dict
varsayılan değer: None

Belirtilirse, belirtilen "özellik" veya {"özellik": "value"} ile eşleşen çalıştırmaları döndürür.

type
str
varsayılan değer: None

Belirtilirse, bu türle eşleşen çalıştırmaları döndürür.

status
str
varsayılan değer: None

Belirtilirse, "status" durumu belirtilen çalıştırmaları döndürür.

_rehydrate_runs
bool
varsayılan değer: True

Özgün türün çalıştırmasının mı yoksa temel Çalıştırmanın mı başlatılıp başlatılmayacağını gösterir.

Döndürülenler

Nesnelerin listesi Run .

Dönüş türü

get_context

Geçerli hizmet bağlamı döndür.

Ölçümleri günlüğe kaydetmek ve dosyaları karşıya yüklemek için geçerli hizmet bağlamını almak için bu yöntemi kullanın. True (varsayılan) ise allow_offline , Run nesnesine yönelik eylemler standart olarak yazdırılır.

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

Parametreler

cls
Gerekli

Sınıf yöntemini gösterir.

allow_offline
bool
varsayılan değer: True

Eğitim betiğinin SDK ile bir iş göndermeden yerel olarak test edilebilmesi için hizmet bağlamını çevrimdışı moda geri döndürmeye izin verin. Varsayılan olarak True.

kwargs
dict
Gerekli

Ek parametrelerden oluşan bir sözlük.

used_for_context_manager
varsayılan değer: False

Döndürülenler

Gönderilen çalıştırma.

Dönüş türü

Run

Açıklamalar

Bu işlev genellikle deneme.submit() aracılığıyla yürütülmek üzere gönderilecek betiğin içindeki kimliği doğrulanmış Run nesnesini almak için kullanılır. Bu çalıştırma nesnesi hem Azure Machine Learning hizmetleriyle iletişim kurmak için kimliği doğrulanmış bir bağlam hem de ölçümler, dosyalar (yapıtlar) ve modellerin bulunduğu kavramsal bir kapsayıcıdır.


   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

Çalıştırmanın en son durumunu getirin. Çalıştırmanın durumu "Kuyruğa Alındı" ise ayrıntıları gösterir.

get_detailed_status()

Döndürülenler

En son durum ve ayrıntılar

Dönüş türü

Açıklamalar

  • status: Çalıştırmanın geçerli durumu. get_status() tarafından döndürülen değerle aynı.

  • ayrıntılar: Geçerli durumla ilgili ayrıntılı bilgiler.


   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

Çalıştırmanın tanımını, durum bilgilerini, geçerli günlük dosyalarını ve diğer ayrıntılarını alın.

get_details()

Döndürülenler

Çalıştırmanın ayrıntılarını döndürme

Dönüş türü

Açıklamalar

Döndürülen sözlük aşağıdaki anahtar-değer çiftlerini içerir:

  • runId: Bu çalıştırmanın kimliği.

  • Hedef

  • status: Çalıştırmanın geçerli durumu. get_status() tarafından döndürülen değerle aynı.

  • startTimeUtc: ISO8601'de bu çalıştırmanın başlatıldığı UTC saati.

  • endTimeUtc: ISO8601'de bu çalıştırmanın bittiği (Tamamlandı veya Başarısız) UTC saati.

    Çalıştırma devam ediyorsa bu anahtar mevcut değildir.

  • properties: Çalıştırmayla ilişkilendirilmiş sabit anahtar-değer çiftleri. Varsayılan özellikler, çalıştırmanın anlık görüntü kimliğini ve çalıştırmanın oluşturulduğu git deposu (varsa) hakkındaki bilgileri içerir. kullanılarak add_propertiesbir çalıştırmaya ek özellikler eklenebilir.

  • inputDatasets: Çalıştırmayla ilişkili giriş veri kümeleri.

  • outputDatasets: Çalıştırmayla ilişkili çıktı veri kümeleri.

  • Logfiles

  • 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

Günlük dosyası içeriği dahil olmak üzere dönüş çalıştırma durumu.

get_details_with_logs()

Döndürülenler

Günlük dosyası içeriğiyle çalıştırmanın durumunu döndürür.

Dönüş türü

get_environment

Bu çalıştırma tarafından kullanılan ortam tanımını alın.

get_environment()

Döndürülenler

Ortam nesnesini döndürür.

Dönüş türü

get_file_names

Çalıştırmayla ilişkili olarak depolanan dosyaları listeleyin.

get_file_names()

Döndürülenler

Mevcut yapıtların yollarının listesi

Dönüş türü

get_metrics

Çalıştırmada günlüğe kaydedilen ölçümleri alın.

True (Varsayılan olarak False) ise recursive , verilen çalıştırmanın alt ağacındaki çalıştırmalar için ölçümleri getirin.

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

Parametreler

name
str
varsayılan değer: None

Ölçümün adı.

recursive
bool
varsayılan değer: False

Tüm alt öğelerde özyineleme yapılıp yapılmayacağını gösterir.

run_type
str
varsayılan değer: None
populate
bool
varsayılan değer: False

Ölçüme bağlı dış verilerin içeriğinin getirilip getirilmeyeceğini gösterir.

Döndürülenler

Kullanıcı ölçümlerini içeren bir sözlük.

Dönüş türü

Açıklamalar


   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

Hizmetten çalıştırmanın en son özelliklerini getirin.

get_properties()

Döndürülenler

Çalıştırmanın özellikleri.

Dönüş türü

Açıklamalar

Özellikler, süre, yürütme tarihi, kullanıcı ve yöntemiyle add_properties eklenen özel özellikler gibi sistem tarafından oluşturulan sabit bilgilerdir. Daha fazla bilgi için bkz. Çalıştırmaları etiketleme ve bulma.

Azure Machine Learning'e bir iş gönderirken, kaynak dosyalar yerel git deposunda depolanıyorsa, depo hakkındaki bilgiler özellik olarak depolanır. Bu git özellikleri run oluşturulurken veya Experiment.submit çağrılırken eklenir. Git özellikleri hakkında daha fazla bilgi için bkz. Azure Machine Learning için Git tümleştirmesi.

get_secret

Çalıştırma bağlamından gizli dizi değerini alın.

Sağlanan ad için gizli dizi değerini alın. Gizli dizi adı, çalışma alanınızla ilişkili Azure Key Vault depolanan bir değere başvurur. Gizli dizilerle çalışma örneği için bkz. Eğitim çalıştırmalarında gizli dizileri kullanma.

get_secret(name)

Parametreler

name
str
Gerekli

Gizli dizinin döndürüleceği gizli dizi adı.

Döndürülenler

Gizli dizi değeri.

Dönüş türü

str

get_secrets

Belirli bir gizli dizi adları listesi için gizli dizi değerlerini alın.

Sağlanan adlar listesi için bulunan ve bulunamaz gizli dizileri içeren bir sözlük alın. Her gizli dizi adı, çalışma alanınızla ilişkili Azure Key Vault depolanan bir değere başvurur. Gizli dizilerle çalışma örneği için bkz. Eğitim çalıştırmalarında gizli dizileri kullanma.

get_secrets(secrets)

Parametreler

secrets
list[str]
Gerekli

Gizli dizi değerlerinin döndürüleceği gizli dizi adlarının listesi.

Döndürülenler

Bulunan ve bulunmayan gizli dizilerin sözlüğünü döndürür.

Dönüş türü

dict[<xref:str: str>]

get_snapshot_id

En son anlık görüntü kimliğini alın.

get_snapshot_id()

Döndürülenler

En son anlık görüntü kimliği.

Dönüş türü

str

get_status

Çalıştırmanın en son durumunu getirin.

Döndürülen yaygın değerler şunlardır: "Çalışıyor", "Tamamlandı" ve "Başarısız".

get_status()

Döndürülenler

En son durum.

Dönüş türü

str

Açıklamalar

  • NotStarted - Bu, istemci tarafı Çalıştırma nesnelerinin bulut gönderimi öncesinde içinde olduğu geçici bir durumdur.

  • Başlatılıyor - Çalıştırma bulutta işlenmeye başladı. Çağıranın bu noktada bir çalıştırma kimliği vardır.

  • Sağlama - Belirli bir iş gönderimi için isteğe bağlı işlem oluşturulduğunda döndürülür.

  • Hazırlanıyor - Çalıştırma ortamı hazırlanıyor:

    • docker görüntü derlemesi

    • conda ortamı kurulumu

  • Kuyruğa alındı - İş, işlem hedefinde kuyruğa alınır. Örneğin, BatchAI'de iş kuyruğa alınmış durumdadır

    tüm istenen düğümlerin hazır olmasını beklerken.

  • Çalışıyor - İş işlem hedefinde çalışmaya başladı.

  • Sonlandırma - Kullanıcı kodu tamamlandı ve çalıştırma işlem sonrası aşamalarda.

  • CancelRequested - İş için iptal istendi.

  • Tamamlandı - Çalıştırma başarıyla tamamlandı. Bu hem kullanıcı kodunu hem de çalıştırmayı içerir

    işlem sonrası aşamalar.

  • Başarısız - Çalıştırma başarısız oldu. Genellikle bir çalıştırmadaki Error özelliği nedenine ilişkin ayrıntıları sağlar.

  • İptal edildi - İptal isteğini izler ve çalıştırmanın artık başarıyla iptal edilmiş olduğunu gösterir.

  • NotResponding - Sinyallerin etkinleştirildiği çalıştırmalar için yakın zamanda sinyal gönderilmedi.


   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

KALDIRIL -MIŞ. get_context komutunu kullanın.

Bu deneme için gönderilen çalıştırmayı alın.

get_submitted_run(**kwargs)

Döndürülenler

Gönderilen çalıştırma.

Dönüş türü

Run

get_tags

Hizmetten çalıştırıldığında en son değiştirilebilir etiket kümesini getirin.

get_tags()

Döndürülenler

Çalıştırma nesnesinde depolanan etiketler.

Dönüş türü

list

İsteğe bağlı filtreler tarafından belirtilen bir denemedeki çalıştırmaların listesini alın.

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

Parametreler

experiment
Experiment
Gerekli

İçeren deneme.

type
str
varsayılan değer: None

Belirtilirse, belirtilen türle eşleşen çalıştırmaları döndürür.

tags
str veya dict
varsayılan değer: None

Belirtilirse, belirtilen "etiket" veya {"etiket": "value"} ile eşleşen çalıştırmaları döndürür.

properties
str veya dict
varsayılan değer: None

Belirtilirse, belirtilen "özellik" veya {"özellik": "value"} ile eşleşen çalıştırmaları döndürür.

status
str
varsayılan değer: None

Belirtilirse, "status" durumu belirtilen çalıştırmaları döndürür.

include_children
bool
varsayılan değer: False

true olarak ayarlanırsa, yalnızca üst düzey çalıştırmaları değil tüm çalıştırmaları getirin.

_rehydrate_runs
bool
varsayılan değer: True

True olarak ayarlanırsa (varsayılan olarak), temel Çalıştırma yerine bu tür için bir nesneyi yeniden doğrulamak için kayıtlı sağlayıcıyı kullanır.

Döndürülenler

Çalıştırma listesi.

Dönüş türü

Açıklamalar

Aşağıdaki kod örneği, yönteminin bazı kullanımlarını list gösterir.


   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

İsteğe bağlı filtreler tarafından belirtilen bir işlemdeki çalıştırmaların listesini alın.

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

Parametreler

compute
ComputeTarget
Gerekli

İçeren işlem.

type
str
varsayılan değer: None

Belirtilirse, belirtilen türle eşleşen çalıştırmaları döndürür.

tags
str veya dict
varsayılan değer: None

Belirtilirse, belirtilen "etiket" veya {"etiket": "value"} ile eşleşen çalıştırmaları döndürür.

properties
str veya dict
varsayılan değer: None

Belirtilirse, belirtilen "özellik" veya {"özellik": "value"} ile eşleşen çalıştırmaları döndürür.

status
str
varsayılan değer: None

Belirtilirse, "status" durumu belirtilen çalıştırmaları döndürür. Yalnızca izin verilen değerler "Çalışıyor" ve "Kuyruğa Alındı" değerleridir.

Döndürülenler

~_restclient.models.RunDto oluşturucusu

Dönüş türü

<xref:builtin.generator>

log

Çalıştırmaya verilen adla bir ölçüm değeri günlüğe kaydeder.

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

Parametreler

name
str
Gerekli

Ölçümün adı.

value
Gerekli

Hizmete nakledilecek değer.

description
str
Gerekli

İsteğe bağlı ölçüm açıklaması.

step
int
varsayılan değer: None

Bir ölçüm içinde değer sırasını belirtmek için isteğe bağlı bir eksen.

Açıklamalar

Bir ölçümün bir çalıştırmaya kaydedilmesi, bu ölçümün denemedeki çalıştırma kaydında depolanmasına neden olur. Aynı ölçümü bir çalıştırma içinde birden çok kez günlüğe kaydedebilirsiniz ve sonuç bu ölçümün vektör olarak kabul edilir. Bir ölçüm için adım belirtilirse, tüm değerler için belirtilmelidir.

log_accuracy_table

Bir doğruluk tablosunu yapıt deposuna günlüğe kaydetme.

Doğruluk tablosu ölçümü, tahmin edilen olasılıkların alanı üzerinde sürekli değişen birden çok çizgi grafik türü üretmek için kullanılabilen çok kullanımlı, skaler olmayan bir ölçümdür. Bu grafiklere örnek olarak ROC, duyarlık yakalama ve lift eğrileri verilebilir.

Doğruluk tablosunun hesaplanması, ROC eğrisinin hesaplamasına benzer. ROC eğrisi gerçek pozitif oranları ve hatalı pozitif oranları birçok farklı olasılık eşiğinde depolar. Doğruluk tablosu gerçek pozitiflerin ham sayısını, hatalı pozitifleri, gerçek negatifleri ve hatalı negatifleri birçok olasılık eşiğinde depolar.

Eşikleri seçmek için kullanılan iki yöntem vardır: "olasılık" ve "yüzdebirlik." Tahmin edilen olasılıkların alanından örnekleme yöntemine göre farklılık gösterirler.

Olasılık eşikleri, 0 ile 1 arasında eşit aralıklı eşiklerdir. NUM_POINTS 5 ise olasılık eşikleri [0,0, 0,25, 0,5, 0,75, 1,0] olur.

Yüzdelik dilim eşikleri, tahmin edilen olasılıkların dağılımına göre aralıklanır. Her eşik, bir olasılık eşiğindeki verilerin yüzdebirlik dilimine karşılık gelir. Örneğin, NUM_POINTS 5 ise, ilk eşik 0. yüzdebirlik dilimde, ikinci yüzdebirlik dilimde, üçüncü yüzdebirlik dilimde, üçüncü yüzde 50'de vb. olur.

Olasılık tabloları ve yüzdebirlik tabloları, ilk boyutun sınıf etiketini temsil ettiği, ikinci boyutun örneği bir eşikte temsil ettiği (NUM_POINTS ile ölçeklendirildiği) ve üçüncü boyutun her zaman 4 değeri olduğu 3B listelerdir: TP, FP, TN, FN ve her zaman bu sırada.

Karışıklık değerleri (TP, FP, TN, FN) tek ve rest stratejisiyle hesaplanır. Diğer ayrıntılar için aşağıdaki bağlantıya bakın: https://en.wikipedia.org/wiki/Multiclass_classification

N = Doğrulama veri kümesindeki örneklerin sayısı (örnekte 200) M = # eşikler = # olasılık alanından alınan örnekler (örnekte 5) C = # tam veri kümesindeki sınıflar (örnekte 3)

Doğruluk tablosunun bazı sabitleri:

  • TP + FP + TN + FN = Tüm sınıflar için tüm eşikler için N
  • TP + FN, herhangi bir sınıf için tüm eşiklerde aynıdır
  • TN + FP, herhangi bir sınıf için tüm eşiklerde aynıdır
  • Olasılık tablolarının ve yüzde birlik tabloların şekli [C, M, 4]

Not: M herhangi bir değer olabilir ve grafiklerin çözünürlüğünü denetler Bu veri kümesinden bağımsızdır, ölçümleri hesaplarken tanımlanır ve depolama alanı, hesaplama süresi ve çözünürlükten bağımsızdır.

Sınıf etiketleri dize, karışıklık değerleri tamsayı ve eşikler ise kayan değer olmalıdır.

log_accuracy_table(name, value, description='')

Parametreler

name
str
Gerekli

Doğruluk tablosunun adı.

value
str veya dict
Gerekli

Ad, sürüm ve veri özelliklerini içeren JSON.

description
str
Gerekli

İsteğe bağlı ölçüm açıklaması.

Açıklamalar

Geçerli bir JSON değeri örneği:


   {
       "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

Karışıklık matrisini yapıt deposuna kaydedin.

Bu, sklearn karışıklık matrisinin etrafına bir sarmalayıcı kaydeder. Ölçüm verileri, matrisin kendisi için sınıf etiketlerini ve 2B listeyi içerir. Ölçümün nasıl hesaplandığından daha fazla ayrıntı için aşağıdaki bağlantıya bakın: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

Parametreler

name
str
Gerekli

Karışıklık matrisinin adı.

value
str veya dict
Gerekli

Ad, sürüm ve veri özelliklerini içeren JSON.

description
str
Gerekli

İsteğe bağlı ölçüm açıklaması.

Açıklamalar

Geçerli bir JSON değeri örneği:


   {
       "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

Çalıştırma kaydına bir görüntü ölçümü kaydedin.

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

Parametreler

name
str
Gerekli

Ölçümün adı.

path
str
Gerekli

Görüntünün yolu veya akışı.

plot
<xref:matplotlib.pyplot>
Gerekli

Görüntü olarak günlüğe kaydedilecek çizim.

description
str
Gerekli

İsteğe bağlı ölçüm açıklaması.

Açıklamalar

Bir görüntü dosyasını veya matplotlib çizimini çalıştırmaya günlüğe kaydetmek için bu yöntemi kullanın. Bu görüntüler çalıştırma kaydında görünür ve karşılaştırılabilir olacaktır.

log_list

Ölçüm değerlerinin listesini verilen adla çalıştırmaya günlüğe kaydeder.

log_list(name, value, description='')

Parametreler

name
str
Gerekli

Ölçümün adı.

value
list
Gerekli

Ölçümün değerleri.

description
str
Gerekli

İsteğe bağlı ölçüm açıklaması.

log_predictions

Tahminleri yapıt deposuna günlüğe kaydetme.

Bu, gerçek hedef değerlerin dağıtımlarını bir regresyon görevi için tahmin edilen değerlerin dağılımıyla karşılaştırmak için kullanılabilecek bir ölçüm puanını günlüğe kaydeder.

Tahminler gruplanır ve çizgi grafikteki hata çubukları için standart sapmalar hesaplanır.

log_predictions(name, value, description='')

Parametreler

name
str
Gerekli

Tahminlerin adı.

value
str veya dict
Gerekli

Ad, sürüm ve veri özelliklerini içeren JSON.

description
str
Gerekli

İsteğe bağlı ölçüm açıklaması.

Açıklamalar

Geçerli bir JSON değeri örneği:


   {
       "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

Yapıt deposuna artıkları günlüğe kaydetme.

Bu, regresyon görevi için artıkların histogramını görüntülemek için gereken verileri günlüğe kaydeder. Artıklar tahmin edilir- gerçek.

Sayım sayısından bir kenar daha olmalıdır. Histogramı temsil etmek için sayıları ve kenarları kullanma örnekleri için lütfen numpy histogram belgelerine bakın. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

Parametreler

name
str
Gerekli

Artıkların adı.

value
str veya dict
Gerekli

Ad, sürüm ve veri özelliklerini içeren JSON.

description
str
Gerekli

İsteğe bağlı ölçüm açıklaması.

Açıklamalar

Geçerli bir JSON değeri örneği:


   {
       "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

Verilen adla çalıştırmaya bir satır ölçümü günlüğe kaydeder.

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

Parametreler

name
str
Gerekli

Ölçümün adı.

description
str
varsayılan değer: None

İsteğe bağlı ölçüm açıklaması.

kwargs
dict
Gerekli

Ek parametrelerin sözlüğü. Bu durumda ölçümün sütunları.

Açıklamalar

kullanmak log_row , kwargs'da açıklandığı gibi sütunlarla bir tablo ölçümü oluşturur. Her adlandırılmış parametre, belirtilen değere sahip bir sütun oluşturur. log_row rastgele bir tanımlama grubu günlüğe kaydetmek için bir kez veya tam bir tablo oluşturmak için döngüde birden çok kez çağrılabilir.


   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

Verilen adla bir tablo ölçümünü çalıştırmaya günlüğe kaydeder.

log_table(name, value, description='')

Parametreler

name
str
Gerekli

Ölçümün adı.

value
dict
Gerekli

Ölçümün tablo değeri, anahtarların hizmete gönderilecek sütunlar olduğu bir sözlük.

description
str
Gerekli

İsteğe bağlı ölçüm açıklaması.

register_model

Kullanıma hazır hale getirme için bir model kaydedin.

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)

Parametreler

model_name
str
Gerekli

Modelin adı.

model_path
str
varsayılan değer: None

Modelin göreli bulut yolu; örneğin, "outputs/modelname". Belirtilmediğinde (Hiçbiri), model_name yol olarak kullanılır.

tags
dict[str, str]
varsayılan değer: None

Modele atanacak anahtar değer etiketleri sözlüğü.

properties
dict[str, str]
varsayılan değer: None

Modele atanacak anahtar değeri özelliklerinin sözlüğü. Model oluşturulduktan sonra bu özellikler değiştirilemez, ancak yeni anahtar değer çiftleri eklenebilir.

model_framework
str
varsayılan değer: None

Kaydedilecek modelin çerçevesi. Şu anda desteklenen çerçeveler: TensorFlow, ScikitLearn, Onnx, Custom, Multi

model_framework_version
str
varsayılan değer: None

Kayıtlı modelin çerçeve sürümü.

description
str
varsayılan değer: None

Modelin isteğe bağlı açıklaması.

datasets
list[(str, AbstractDataset)]
varsayılan değer: None

İlk öğenin veri kümesi modeli ilişkisini, ikinci öğenin ise veri kümesi olduğu tanımlama grubu listesi.

sample_input_dataset
AbstractDataset
varsayılan değer: None

İsteğe bağlı. Kayıtlı model için örnek giriş veri kümesi

sample_output_dataset
AbstractDataset
varsayılan değer: None

İsteğe bağlı. Kayıtlı model için örnek çıkış veri kümesi

resource_configuration
ResourceConfiguration
varsayılan değer: None

İsteğe bağlı. Kayıtlı modeli çalıştırmak için kaynak yapılandırması

kwargs
dict
Gerekli

İsteğe bağlı parametreler.

Döndürülenler

Kayıtlı model.

Dönüş türü

Açıklamalar


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

remove_tags

Bu çalıştırmada değiştirilebilir etiketlerin listesini silin.

remove_tags(tags)

Parametreler

tags
list
Gerekli

Kaldırılacak etiketlerin listesi.

Döndürülenler

Çalıştırma nesnesinde depolanan etiketler

restore_snapshot

Anlık görüntüyü ZIP dosyası olarak geri yükleyin. ZIP yolunu döndürür.

restore_snapshot(snapshot_id=None, path=None)

Parametreler

snapshot_id
str
varsayılan değer: None

Geri yükleneceği anlık görüntü kimliği. Belirtilmezse en son kullanılır.

path
str
varsayılan değer: None

İndirilen ZIP'in kaydedildiği yol.

Döndürülenler

Yol.

Dönüş türü

str

set_tags

Çalıştırmada bir etiket kümesi ekleyin veya değiştirin. Sözlükte geçirilmeyen etiketlere dokunulmaz.

Ayrıca basit dize etiketleri de ekleyebilirsiniz. Bu etiketler etiket sözlüğünde anahtar olarak göründüğünde Hiçbiri değerine sahip olurlar. Daha fazla bilgi için bkz. Çalıştırmaları etiketleme ve bulma.

set_tags(tags)

Parametreler

tags
dict[str] veya str
Gerekli

Çalıştırma nesnesinde depolanan etiketler.

start

Çalıştırmayı başlatıldı olarak işaretleyin.

Bu genellikle çalıştırma başka bir aktör tarafından oluşturulduğunda gelişmiş senaryolarda kullanılır.

start()

submit_child

Bir deneme gönderin ve etkin alt çalıştırmayı döndürin.

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

Parametreler

config
object
Gerekli

Gönderilecek yapılandırma.

tags
dict
varsayılan değer: None

Gönderilen çalıştırmaya eklenecek etiketler; örneğin, {"tag": "value"}.

kwargs
dict
Gerekli

Yapılandırmalar için gönderme işlevinde kullanılan ek parametreler.

Döndürülenler

Bir çalıştırma nesnesi.

Dönüş türü

Run

Açıklamalar

Gönderme, yerel veya uzak donanımda deneme sürümü yürütmek için Azure Machine Learning platformuna yapılan zaman uyumsuz bir çağrıdır. Yapılandırmaya bağlı olarak, gönderme işlemi yürütme ortamlarınızı otomatik olarak hazırlar, kodunuzu yürütür ve kaynak kodunuzu ve sonuçları denemenin çalıştırma geçmişine yakalar.

Deneme göndermek için öncelikle denemenin nasıl çalıştırılacak olduğunu açıklayan bir yapılandırma nesnesi oluşturmanız gerekir. Yapılandırma, gereken deneme türüne bağlıdır.

kullanarak ScriptRunConfig yerel makinenizden bir alt deneme gönderme örneği aşağıda verilmiştir:


   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()

Çalıştırma yapılandırma hakkında ayrıntılı bilgi için bkz submit. .

tag

Çalıştırmayı bir dize anahtarı ve isteğe bağlı dize değeriyle etiketleyin.

tag(key, value=None)

Parametreler

key
str
Gerekli

Etiket anahtarı

value
str
varsayılan değer: None

Etiket için isteğe bağlı bir değer

Açıklamalar

Bir çalıştırmadaki etiketler ve özellikler dize -> dizenin sözlükleridir. Aralarındaki fark değişebilirliktir: Özellikler yalnızca eklenebilirken etiketler ayarlanabilir, güncelleştirilebilir ve silinebilir. Bu, Özellikler'i sistem/iş akışıyla ilgili davranış tetikleyicileri için daha uygun hale getirirken, Etiketler genellikle kullanıcıya yöneliktir ve denemenin tüketicileri için anlamlıdır.


   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

Giriş dosyasının veya klasörünün anlık görüntüsünü kaydedin.

take_snapshot(file_or_folder_path)

Parametreler

file_or_folder_path
str
Gerekli

Çalıştırma kaynak kodunu içeren dosya veya klasör.

Döndürülenler

Anlık görüntü kimliğini döndürür.

Dönüş türü

str

Açıklamalar

Anlık görüntülerin deneme çalıştırmasını yürütmek için kullanılan kaynak kod olması amaçlanmıştır. Bunlar çalıştırma ile birlikte depolanır, böylece çalıştırma denemesi gelecekte çoğaltılabilir.

Not

Anlık görüntüler çağrıldığında submit otomatik olarak alınır. Genellikle, bu take_snapshot yöntemi yalnızca etkileşimli (not defteri) çalıştırmaları için gereklidir.

upload_file

Çalıştırma kaydına bir dosya yükleyin.

upload_file(name, path_or_stream, datastore_name=None)

Parametreler

name
str
Gerekli

Karşıya yüklenecek dosyanın adı.

path_or_stream
str
Gerekli

Karşıya yüklenecek dosyaya ilişkin göreli yerel yol veya akış.

datastore_name
str
Gerekli

İsteğe bağlı DataStore adı

Dönüş türü

Açıklamalar


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

Not

Belirtilen çıkış dizininde dosyayı otomatik olarak çalıştırır ve bu dizinde çoğu çalıştırma türü için varsayılan olarak "./outputs" olarak ayarlanır. upload_file yalnızca ek dosyaların yüklenmesi gerektiğinde veya bir çıkış dizini belirtilmediğinde kullanın.

upload_files

Dosyaları çalıştırma kaydına yükleyin.

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

Parametreler

names
list
Gerekli

Karşıya yüklenecek dosyaların adları. Ayarlanırsa, yolların da ayarlanması gerekir.

paths
list
Gerekli

Karşıya yüklenecek dosyaların göreli yerel yolları. Ayarlanırsa, adlar gereklidir.

return_artifacts
bool
Gerekli

Karşıya yüklenen her dosya için bir yapıt nesnesinin döndürülmesi gerektiğini gösterir.

timeout_seconds
int
Gerekli

Dosyaları karşıya yükleme zaman aşımı.

datastore_name
str
Gerekli

İsteğe bağlı DataStore adı

Açıklamalar

upload_files , ayrı dosyalar üzerinde olduğu gibi upload_file aynı etkiye sahiptir, ancak kullanırken upload_filesperformans ve kaynak kullanımı avantajları vardır.


   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')

Not

Belirtilen çıkış dizinindeki dosyaları otomatik olarak yakalar ve çoğu çalıştırma türü için varsayılan olarak "./outputs" olarak ayarlanır. upload_files yalnızca ek dosyaların yüklenmesi gerektiğinde veya bir çıkış dizini belirtilmediğinde kullanın.

upload_folder

Belirtilen klasörü belirtilen ön ek adına yükleyin.

upload_folder(name, path, datastore_name=None)

Parametreler

name
str
Gerekli

Karşıya yüklenecek dosya klasörünün adı.

folder
str
Gerekli

Karşıya yüklenecek klasörün göreli yerel yolu.

datastore_name
str
Gerekli

İsteğe bağlı DataStore adı

Açıklamalar


   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')

Not

Belirtilen çıkış dizinindeki dosyaları otomatik olarak yakalar ve çoğu çalıştırma türü için varsayılan olarak "./outputs" olarak ayarlanır. upload_folder yalnızca ek dosyaların yüklenmesi gerektiğinde veya bir çıkış dizini belirtilmediğinde kullanın.

wait_for_completion

Bu çalıştırmanın tamamlanmasını bekleyin. Beklemeden sonra durum nesnesini döndürür.

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

Parametreler

show_output
bool
varsayılan değer: False

Sys.stdout üzerinde çalıştırma çıkışının gösterilip gösterilmeyeceğini gösterir.

wait_post_processing
bool
varsayılan değer: False

Çalıştırma tamamlandıktan sonra işlem sonrası işleminin tamamlanmasının beklenip beklenmeyeceğini gösterir.

raise_on_error
bool
varsayılan değer: True

Çalıştırma başarısız durumda olduğunda hatanın oluşup oluşmadığını gösterir.

Döndürülenler

Durum nesnesi.

Dönüş türü

Öznitelikler

description

Çalıştırma açıklamasını döndür.

Çalıştırmanın isteğe bağlı açıklaması, bir çalıştırmayı tanımlamak için kullanıcı tarafından belirtilen bir dizedir.

Döndürülenler

Çalıştırma açıklaması.

Dönüş türü

str

display_name

Çalıştırma görünen adını döndürür.

Çalıştırmanın isteğe bağlı görünen adı, çalıştırmanın daha sonra tanımlanması için kullanışlı, kullanıcı tarafından belirtilen bir dizedir.

Döndürülenler

Çalıştırma görünen adı.

Dönüş türü

str

experiment

Çalıştırmayı içeren denemeyi alın.

Döndürülenler

Çalıştırmaya karşılık gelen denemeyi alır.

Dönüş türü

id

Çalıştırma kimliğini alın.

Çalıştırmanın kimliği, içeren deneme genelinde benzersiz bir tanımlayıcıdır.

Döndürülenler

Çalıştırma kimliği.

Dönüş türü

str

name

KALDIRIL -MIŞ. display_name kullanın.

Çalıştırmanın isteğe bağlı adı, çalıştırmanın daha sonra tanımlanması için kullanışlı, kullanıcı tarafından belirtilen bir dizedir.

Döndürülenler

Çalıştırma kimliği.

Dönüş türü

str

number

Çalıştırma numarasını alın.

Deneme içindeki çalıştırmaların sırasını temsil eden monoton olarak artan bir sayı.

Döndürülenler

Çalıştırma numarası.

Dönüş türü

int

parent

Hizmetten bu çalıştırma için üst çalıştırmayı getirin.

Çalıştırmalar isteğe bağlı bir üst öğeye sahip olabilir ve bu da çalıştırmaların olası ağaç hiyerarşisine neden olabilir. Ölçümleri bir üst çalıştırmaya günlüğe kaydetmek için üst nesnenin yöntemini kullanın log , örneğin, run.parent.log().

Döndürülenler

Üst çalıştırma veya ayarlanmadıysa Hiçbiri.

Dönüş türü

Run

properties

Bu çalıştırmanın sabit özelliklerini döndürür.

Döndürülenler

Çalıştırmanın yerel olarak önbelleğe alınmış özellikleri.

Dönüş türü

dict[str],
str

Açıklamalar

Özellikler arasında süre, yürütme tarihi, kullanıcı gibi sabit sistem tarafından oluşturulan bilgiler bulunur.

status

Çalıştırma nesnesinin durumunu döndürür.

tags

Bu çalıştırmada değiştirilebilir etiketler kümesini döndürün.

Döndürülenler

Çalıştırma nesnesinde depolanan etiketler.

Dönüş türü

type

Çalıştırma türünü alma.

Çalıştırmanın nasıl oluşturulduğunu veya yapılandırıldığını gösterir.

Döndürülenler

Çalıştırma türü.

Dönüş türü

str