HyperDriveStep 类
创建 Azure ML 管道步骤以运行机器学习模型训练的超参数优化。
有关使用 HyperDriveStep 的示例,请参阅笔记本 https://aka.ms/pl-hyperdrive。
创建 Azure ML 管道步骤,以便为机器学习模型训练运行超参数优化。
- 继承
-
HyperDriveStep
构造函数
HyperDriveStep(name, hyperdrive_config, estimator_entry_script_arguments=None, inputs=None, outputs=None, metrics_output=None, allow_reuse=True, version=None)
参数
- inputs
- list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]]
输入端口绑定的列表。
- outputs
- list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]]
输出端口绑定的列表
- metrics_output
- Union[PipelineData, DataReference, OutputPortBinding]
可选值,指定将 HyperDrive 运行指标存储为 JSON 文件的位置。
- allow_reuse
- bool
指示当使用相同的设置重新运行时,该步骤是否应重用以前的结果。 默认情况下启用重用。 如果步骤内容(脚本/依赖项)以及输入和参数保持不变,则重用此步骤以前运行的输出。 重用该步骤时,不是将作业提交到计算,而是使前一运行的结果立即可供后续步骤使用。 如果使用 Azure 机器学习数据集作为输入,则重用取决于数据集的定义是否已更改,而不是基础数据是否已更改。
- inputs
- list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]]
输入端口绑定的列表。
- metrics_output
- Union[PipelineData, DataReference, OutputPortBinding]
一个可选值,指定将 HyperDrive 运行指标存储为 JSON 文件的位置。
- allow_reuse
- bool
指示当使用相同的设置重新运行时,该步骤是否应重用以前的结果。 默认情况下启用重用。 如果步骤内容(脚本/依赖项)以及输入和参数保持不变,则重用此步骤以前运行的输出。 重用该步骤时,不是将作业提交到计算,而是使前一运行的结果立即可供后续步骤使用。 如果使用 Azure 机器学习数据集作为输入,则重用取决于数据集的定义是否已更改,而不是基础数据是否已更改。
注解
请注意,在估算器对象中使用的条目脚本的参数(例如,在实例化 HyperDriveStep 时,必须使用 estimator_entry_script_arguments
参数将 TensorFlow 对象指定为列表)。 估算器参数 script_params
接受字典。 然而,estimator_entry_script_argument
参数需要参数作为列表。
HyperDriveStep 初始化涉及到使用 inputs
参数指定 DataReference 对象的列表。 在 Azure ML 管道中,管道步骤可以使用另一个步骤的输出或 DataReference 对象作为输入。 因此,在创建 HyperDriveStep 时,必须显式设置 inputs
和 outputs
参数,这会重写估算器对象中指定的 inputs
参数。
使用 HyperDriveStep 的最佳做法是将单独的文件夹用于脚本以及与该步骤关联的任何依赖文件,并将该文件夹指定为估算器对象的 source_directory
。 有关示例,请参阅 TensorFlow 类的 source_directory
参数。 这样做有两个优点。 首先,它有助于减少为该步骤创建的快照的大小,因为只有该步骤需要进行快照操作。 其次,如果 source_directory
没有任何更改会触发快照的重新上载,则可以重复使用前一次运行的步骤输出。
以下示例演示如何在 Azure 机器学习管道中使用 HyperDriveStep。
metrics_output_name = 'metrics_output'
metrics_data = PipelineData(name='metrics_data',
datastore=datastore,
pipeline_output_name=metrics_output_name,
training_output=TrainingOutput("Metrics"))
model_output_name = 'model_output'
saved_model = PipelineData(name='saved_model',
datastore=datastore,
pipeline_output_name=model_output_name,
training_output=TrainingOutput("Model",
model_file="outputs/model/saved_model.pb"))
hd_step_name='hd_step01'
hd_step = HyperDriveStep(
name=hd_step_name,
hyperdrive_config=hd_config,
inputs=[data_folder],
outputs=[metrics_data, saved_model])
方法
create_node |
从 HyperDrive 步骤创建节点并将其添加到给定的图。 此方法不能直接使用。 通过此步骤实例化管道时,Azure 机器学习会自动通过此方法传递所需的参数,以便可以将步骤添加到表示工作流的管道图形中。 |
create_node
从 HyperDrive 步骤创建节点并将其添加到给定的图。
此方法不能直接使用。 通过此步骤实例化管道时,Azure 机器学习会自动通过此方法传递所需的参数,以便可以将步骤添加到表示工作流的管道图形中。
create_node(graph, default_datastore, context)
参数
- context
- <xref:azureml.pipeline.core._GraphContext>
图形上下文。
返回
创建的节点。
返回类型
反馈
https://aka.ms/ContentUserFeedback。
即将发布:在整个 2024 年,我们将逐步淘汰作为内容反馈机制的“GitHub 问题”,并将其取代为新的反馈系统。 有关详细信息,请参阅:提交和查看相关反馈