Chainer 類別
表示在 Chainer 實驗中定型的估算器。
已淘汰。 使用 ScriptRunConfig 物件搭配您自己的已定義環境或其中一個 Azure ML Chainer 策劃環境。 如需使用 ScriptRunConfig 設定實驗執行的簡介,請參閱 設定和提交定型回合。
支援的版本:5.1.0、7.0.0
初始化 Chainer 估算器。
- 繼承
-
azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimatorChainer
建構函式
Chainer(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, node_count=1, process_count_per_node=1, distributed_backend=None, distributed_training=None, use_gpu=False, use_docker=True, custom_docker_base_image=None, 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, source_directory_data_store=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)
參數
- vm_priority
- str
將針對定型建立之計算目標的 VM 優先順序。 如果未指定,則會使用 'dedicated'。
支援的值:'dedicated' 和 'lowpriority'。
只有在輸入中指定 時 vm_size param
,才會生效。
- distributed_backend
- str
分散式定型的通訊後端。
已淘汰。 distributed_training
使用 參數。
支援的值:'mpi'。
'mpi': MPI/Horovod
當 或 process_count_per_node
> 1 時 node_count
,需要此參數。
當 == 1 和 process_count_per_node
== 1 時 node_count
,除非明確設定後端,否則不會使用後端。 AmlCompute只有分散式定型支援目標。
- use_gpu
- bool
指定執行實驗的環境是否應該支援 GPU。
如果為 true,則會在環境中使用 GPU 型預設 Docker 映射。 如果為 false,則會使用以 CPU 為基礎的映射。 只有在未設定 參數時 custom_docker_image
,才會使用預設 docker 映射 (CPU 或 GPU) 。 此設定僅適用于已啟用 Docker 的計算目標。
- custom_docker_base_image
- str
要用來定型之映射的 Docker 映射名稱。
已淘汰。 custom_docker_image
使用 參數。
如果未設定,則會使用預設 CPU 型映射作為基底映射。
- user_managed
- bool
指定 Azure ML 是否重複使用現有的 Python 環境。 如果為 false,Azure ML 會根據 conda 相依性規格建立 Python 環境。
- conda_dependencies_file_path
- str
conda 相依性 yaml 檔案的相對路徑。
如果指定,Azure ML 將不會安裝任何架構相關套件。
已淘汰。 conda_dependencies_file
使用 參數。
- pip_requirements_file_path
- str
pip 需求文字檔的相對路徑。
這可與 參數搭配 pip_packages
使用。
已淘汰。 pip_requirements_file
使用 參數。
- environment_definition
- Environment
實驗的環境定義。 其中包含 PythonSection、DockerSection 和環境變數。 任何未透過其他參數直接公開至估算器建構的環境選項,都可以使用此參數來設定。 如果指定此參數,則會優先于其他環境相關參數,例如 use_gpu
、 custom_docker_image
、 conda_packages
或 pip_packages
。
錯誤將會報告不正確組合。
- shm_size
- str
Docker 容器的共用記憶體區塊大小。 如果未設定,則會使用預設azureml.core.environment._DEFAULT_SHM_SIZE。 如需詳細資訊,請參閱 Docker 執行參考。
- framework_version
- str
要用來執行定型程式碼的 Chainer 版本。
Chainer.get_supported_versions()
會傳回目前 SDK 支援的版本清單。
- vm_priority
- str
將針對定型建立之計算目標的 VM 優先順序。 如果未指定,則會預設為 「專用」。
支援的值:'dedicated' 和 'lowpriority'。
只有在輸入中指定vm_size參數時,才會生效。
- distributed_backend
- str
分散式定型的通訊後端。
已淘汰。 distributed_training
使用 參數。
支援的值:'mpi'。
'mpi': MPI/Horovod
當 或 process_count_per_node
> 1 時 node_count
,需要此參數。
當 == 1 和 process_count_per_node
== 1 時 node_count
,除非明確設定後端,否則不會使用後端。 AmlCompute只有分散式定型支援目標。
- use_gpu
- bool
指定執行實驗的環境是否應該支援 GPU。
如果為 true,則會在環境中使用以 GPU 為基礎的預設 Docker 映射。 如果為 false,則會使用以 CPU 為基礎的映射。 只有在未設定 參數時 custom_docker_image
,才會使用預設 Docker 映射 (CPU 或 GPU) 。 此設定僅適用于已啟用 Docker 的計算目標。
- custom_docker_base_image
- str
要用來定型之映射的 Docker 映射名稱。
已淘汰。 custom_docker_image
使用 參數。
如果未設定,則會使用預設 CPU 型映射作為基底映射。
- user_managed
- bool
指定 Azure ML 是否重複使用現有的 Python 環境。 如果為 false,Azure ML 會根據 conda 相依性規格建立 Python 環境。
- conda_dependencies_file_path
- str
conda 相依性 yaml 檔案的相對路徑。 如果指定,Azure ML 將不會安裝任何架構相關套件。
已淘汰。 conda_dependencies_file
使用 參數。
- pip_requirements_file_path
- str
pip 需求文字檔的相對路徑。
這可與 參數搭配 pip_packages
使用。
已淘汰。 pip_requirements_file
使用 參數。
- environment_definition
- Environment
實驗的環境定義。 其中包含 PythonSection、DockerSection 和環境變數。 任何未透過其他參數直接公開至估算器建構的環境選項,都可以使用此參數來設定。 如果指定此參數,它將會優先于其他環境相關參數,例如 use_gpu
、 custom_docker_image
、 conda_packages
或 pip_packages
。
錯誤將會回報不正確組合。
- shm_size
- str
Docker 容器的共用記憶體區塊大小。 如果未設定,則會使用預設azureml.core.environment._DEFAULT_SHM_SIZE。 如需詳細資訊,請參閱 Docker 執行參考。
- framework_version
- str
要用於執行定型程式碼的 Chainer 版本。
Chainer.get_supported_versions()
會傳回目前 SDK 支援的版本清單。
- _enable_optimized_mode
- bool
使用預先建置的架構映射啟用累加環境建置,以加快環境準備速度。 預先建置的架構映射是以預先安裝架構相依性的 Azure ML 預設 CPU/GPU 基底映射為基礎所建置。
備註
提交定型作業時,Azure ML 會在 Docker 容器內的 conda 環境中執行腳本。 鏈結器容器已安裝下列相依性。
相依性 |Chainer 5.1.0 |Chainer 7.0.0 |—————————- |—————– |————— |Python |3.6.2 |3.6.2 |僅限 CUDA (GPU 映射) |9.0 |9.0 |cuDNN (GPU 映射) |7.6.3 |7.6.3 |只有 NCCL (GPU 映射) |2.4.8 |2.4.8 |azureml-defaults |最新 |最新 |IntelMpi |2018.3.222 |2018.3.222 |horovod |0.15.2 |0.15.2 |miniconda |4.5.11 |4.5.11 |chainer |5.1.0 |7.0.0 |cupy-cuda90 (GPU 映射) |5.2.0 |7.0.0 |git |2.7.4 |2.7.4 |
Docker 映射會擴充 Ubuntu 16.04。
若要安裝其他相依性,您可以使用 pip_packages
或 conda_packages
參數。 或者,您可以指定 pip_requirements_file
或 conda_dependencies_file
參數。
或者,您可以建置自己的映射,並將 參數傳遞 custom_docker_image
至估算器建構函式。
如需鏈結器定型中使用的 Docker 容器詳細資訊,請參閱 https://github.com/Azure/AzureML-Containers 。
屬性
DEFAULT_VERSION
DEFAULT_VERSION = '5.1.0'
FRAMEWORK_NAME
FRAMEWORK_NAME = 'Chainer'
意見反應
https://aka.ms/ContentUserFeedback。
即將登場:在 2024 年,我們將逐步淘汰 GitHub 問題作為內容的意見反應機制,並將它取代為新的意見反應系統。 如需詳細資訊,請參閱:提交並檢視相關的意見反應