ImageClassificationMultilabelJob 類別

  • 參考

AutoML 多重標籤影像分類作業的設定。

初始化新的 AutoML 多重標籤影像分類作業。

繼承
azure.ai.ml.entities._job.automl.image.automl_image_classification_base.AutoMLImageClassificationBase
ImageClassificationMultilabelJob

建構函式

ImageClassificationMultilabelJob(*, primary_metric: str | ClassificationMultilabelPrimaryMetrics | None = None, **kwargs)

參數

primary_metric
必要

要用於優化的主要計量

kwargs
必要

作業特定引數

方法

dump

以 YAML 格式將作業內容傾印到檔案中。
extend_search_space

新增 AutoML 影像分類和影像分類多標籤工作的搜尋空間。
set_data
set_limits

限制所有 AutoML 影像垂直的設定。
set_sweep

所有 AutoML 影像垂直的掃掠設定。
set_training_parameters

設定 AutoML 影像分類和影像分類多標籤工作的影像定型參數。

dump

以 YAML 格式將作業內容傾印到檔案中。

dump(dest: str | PathLike | IO, **kwargs) -> None

參數

dest
Union[<xref:PathLike>, str, IO[AnyStr]]
必要

要寫入 YAML 內容的本機路徑或檔案資料流程。 如果 dest 是檔案路徑，則會建立新的檔案。 如果 dest 是開啟的檔案，則會直接寫入檔案。

kwargs
dict

要傳遞至 YAML 序列化程式的其他引數。

例外狀況

FileExistsError

如果 dest 是檔案路徑且檔案已經存在，則引發。

IOError

如果 dest 是開啟的檔案，而且無法寫入檔案，則引發。

extend_search_space

新增 AutoML 影像分類和影像分類多標籤工作的搜尋空間。

extend_search_space(value: SearchSpace | List[SearchSpace]) -> None

參數

value
Union[ImageClassificationSearchSpace, List[ImageClassificationSearchSpace]]
必要

指定 ImageClassificationSearchSpace 的實例或 ImageClassificationSearchSpace 清單，以搜尋參數空間

例外狀況

FileExistsError

如果 dest 是檔案路徑且檔案已經存在，則引發。

IOError

如果 dest 是開啟的檔案，而且無法寫入檔案，則引發。

set_data 

set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None

例外狀況

FileExistsError

如果 dest 是檔案路徑且檔案已經存在，則引發。

IOError

如果 dest 是開啟的檔案，而且無法寫入檔案，則引發。

set_limits

限制所有 AutoML 影像垂直的設定。

set_limits(*, max_concurrent_trials: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None) -> None

參數

timeout_minutes
timedelta

AutoML 作業逾時。

例外狀況

FileExistsError

如果 dest 是檔案路徑且檔案已經存在，則引發。

IOError

如果 dest 是開啟的檔案，而且無法寫入檔案，則引發。

set_sweep

所有 AutoML 影像垂直的掃掠設定。

set_sweep(*, sampling_algorithm: str | Random | Grid | Bayesian, early_termination: BanditPolicy | MedianStoppingPolicy | TruncationSelectionPolicy | None = None) -> None

參數

sampling_algorithm

必要。 [必要]超參數取樣演算法的類型。 可能的值為：「Grid」、「Random」、「Bayesian」。

early_termination
Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]

早期終止原則的類型。

例外狀況

FileExistsError

如果 dest 是檔案路徑且檔案已經存在，則引發。

IOError

如果 dest 是開啟的檔案，而且無法寫入檔案，則引發。

set_training_parameters

設定 AutoML 影像分類和影像分類多標籤工作的影像定型參數。

set_training_parameters(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: str | LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: str | StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, training_crop_size: int | None = None, validation_crop_size: int | None = None, validation_resize_size: int | None = None, weighted_loss: int | None = None) -> None

參數

advanced_settings
str

進階案例的設定。

ams_gradient
bool

當優化器為 'adam' 或 'adamw' 時啟用 AMSGrad。

beta1
float

當優化器為 'adam' 或 'adamw' 時，'Beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。

beta2
float

當優化器為 'adam' 或 'adamw' 時，'Beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。

checkpoint_frequency
int

儲存模型檢查點的頻率。 必須是正整數。

checkpoint_run_id
str

先前執行之識別碼，其具有累加式定型的預先定型檢查點。

distributed
bool

是否要使用分散式定型。

early_stopping
bool

在定型期間啟用提早停止邏輯。

early_stopping_delay
int

在追蹤主要計量改進之前，要等候的最小 Epoch 數目或驗證評估，以便提早停止。 必須是正整數。

early_stopping_patience
int

停止執行之前，沒有主要計量改善的最小 Epoch 或驗證評估數目。 必須是正整數。

enable_onnx_normalization
bool

匯出 ONNX 模型時啟用正規化。

evaluation_frequency
int

評估驗證資料集以取得計量分數的頻率。 必須是正整數。

gradient_accumulation_step
int

漸層累積表示執行已設定數目的 「GradAccumulationStep」 步驟，而不更新模型權數，同時累積這些步驟的漸層，然後使用累積的漸層來計算權數更新。 必須是正整數。

layers_to_freeze

要凍結模型的層數。 必須是正整數。 例如，傳遞 2 作為 'seresnext' 的值表示凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及有關圖層凍結的詳細資料，請參閱： https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters 。 # pylint： disable=line-too-long

learning_rate
float

初始學習速率。 必須是範圍 [0, 1] 內的浮點數。

learning_rate_scheduler

學習率排程器的類型。 必須是 'warmup_cosine' 或 'step'。 可能的值包括：「None」、「WarmupCosine」、「Step」。

model_name

要用於定型的模型名稱。 如需可用模型的詳細資訊，請流覽官方檔： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models 。

momentum
float

優化工具為 'sgd' 時的動向值。 必須是範圍 [0, 1] 內的浮點數。

nesterov
bool

當優化器為 'sgd' 時啟用 nesterov。

number_of_epochs
int

定型 Epoch 的數目。 必須是正整數。

number_of_workers
int

資料載入器背景工作角色的數目。 必須是非負整數。

optimizer

最佳化工具的類型。 可能的值包括：「None」、「Sgd」、「Adam」、「Adamw」。

random_seed
int

使用決定性定型時要使用的隨機種子。

step_lr_gamma
float

當學習速率排程器為 'step' 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。

step_lr_step_size
int

當學習速率排程器為 'step' 時，步驟大小的值。 必須是正整數。

training_batch_size
int

定型批次大小。 必須是正整數。

validation_batch_size
int

驗證批次大小。 必須是正整數。

warmup_cosine_lr_cycles
float

學習速率排程器為「warmup_cosine」時的余弦週期值。 必須是範圍 [0, 1] 內的浮點數。

warmup_cosine_lr_warmup_epochs
int

當學習速率排程器為 'warmup_cosine' 時，暖 Epoch 的值。 必須是正整數。

weight_decay
float

當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。

training_crop_size
int

影像裁剪大小，為訓練資料集輸入類神經網路。 必須是正整數。

validation_crop_size
int

影像裁剪大小，這是驗證資料集之類神經網路的輸入。 必須是正整數。

validation_resize_size
int

在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。

weighted_loss
int

加權損失。 接受的值為 0，不會遺失加權。 1 用於 sqrt. (class_weights) 的加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。

例外狀況

FileExistsError

如果 dest 是檔案路徑且檔案已經存在，則引發。

IOError

如果 dest 是開啟的檔案，而且無法寫入檔案，則引發。

屬性

base_path

資源的基底路徑。

傳回

資源的基底路徑。

傳回類型

str

creation_context

資源的建立內容。

傳回

資源的建立中繼資料。

傳回類型

Optional[SystemData]

id

資源識別碼。

傳回

資源的全域識別碼，Azure Resource Manager (ARM) 識別碼。

傳回類型

Optional[str]

inputs

limits

log_files

作業輸出檔案。

傳回

記錄名稱和 URL 的字典。

傳回類型

Optional[Dict[str, str]]

log_verbosity

outputs

primary_metric

search_space

status

工作的狀態。

傳回的常見值包括 「Running」、「Completed」 和 「Failed」。 所有可能的值為：

  • NotStarted - 這是用戶端 Run 物件在雲端提交之前所在的暫時狀態。

  • 啟動 - 執行已在雲端中開始處理。 呼叫端此時有執行識別碼。

  • 布建 - 針對指定的作業提交建立隨選計算。

  • 準備 - 正在準備執行環境，且處於兩個階段之一：

    • Docker 映射組建

    • conda 環境設定

  • 已排入佇列 - 作業會排入計算目標上的佇列。 例如，在 BatchAI 中，作業處於佇列狀態

    等候所有要求的節點準備就緒時。

  • 執行 - 作業已開始在計算目標上執行。

  • 完成 - 使用者程式碼執行已完成，且執行處於後續處理階段。

  • CancelRequested - 已要求取消作業。

  • 已完成 - 執行已順利完成。 這包括使用者程式碼執行和執行

    後續處理階段。

  • 失敗 - 執行失敗。 執行上的 Error 屬性通常會提供原因的詳細資料。

  • 已取消 - 遵循取消要求，並指出現在已成功取消執行。

  • NotResponding - 針對已啟用活動訊號的執行，最近不會傳送活動訊號。

傳回

作業的狀態。

傳回類型

Optional[str]

studio_url

Azure ML Studio 端點。

傳回

作業詳細資料頁面的 URL。

傳回類型

Optional[str]

sweep

task_type

取得工作類型。

傳回

要執行的工作類型。 可能的值包括：「classification」、「regression」、「forecasting」。

傳回類型

str

test_data

取得測試資料。

傳回

測試資料輸入

傳回類型

Input

training_data

取得定型資料。

傳回

定型資料輸入

傳回類型

Input

training_parameters

type

作業的類型。

傳回

作業的類型。

傳回類型

Optional[str]

validation_data

取得驗證資料。

傳回

驗證資料輸入

傳回類型

Input