Run Třída

Přidejte do spuštění neměnné vlastnosti.

Značky a vlastnosti (dict[str, str]) se liší v jejich proměnlivosti. Vlastnosti jsou neměnné, takže vytvářejí trvalý záznam pro účely auditování. Značky jsou proměnlivé. Další informace o práci se značkami a vlastnostmi najdete v tématu Označování a hledání spuštění.

add_properties(properties)

Parametry

Háček rozšiřitelnosti pro vlastní typy spuštění uložené v historii spuštění

static add_type_provider(runtype, run_factory)

Parametry

Označte spuštění jako zrušené.

Pokud existuje přidružená úloha s nastaveným polem cancel_uri, ukončete také tuto úlohu.

cancel()

Vytvořte podřízené spuštění.

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

Parametry

Návraty

Poznámky

Používá se k izolaci části běhu do pododdílu. To lze provést pro identifikovatelné "části" běhu, které je zajímavé oddělit, nebo zachytit nezávislé metriky v rámci interations podprocesu.

Pokud je pro podřízené spuštění nastavený výstupní adresář, obsah tohoto adresáře se po dokončení nahraje do podřízeného záznamu spuštění.

Odeberte soubory odpovídající aktuálnímu spuštění v cíli zadaném v konfiguraci spuštění.

clean()

Návraty

Počkejte na zpracování fronty úkolů.

Pak se spuštění označí jako dokončené. Obvykle se používá ve scénářích interaktivních poznámkových bloků.

complete(_set_status=True)

Parametry

Vytvořte jedno nebo více podřízených spuštění.

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

Parametry

Návraty

Poznámky

Musí být zadán parametr count NEBO parametry tag_key A tag_values .

Stáhněte si přidružený soubor z úložiště.

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

Parametry

Stáhněte soubory z dané předpony úložiště (název složky) nebo z celého kontejneru, pokud není předpona určená.

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

Parametry

Označte spuštění jako neúspěšné.

Volitelně nastavte vlastnost Error spuštění se zprávou nebo výjimkou předanou do error_details.

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

Parametry

Počkejte na zpracování fronty úkolů.

flush(timeout_seconds=300)

Parametry

Získejte spuštění pro tento pracovní prostor s ID spuštění.

static get(workspace, run_id)

Parametry

Návraty

Stáhněte všechny protokoly pro spuštění do adresáře.

get_all_logs(destination=None)

Parametry

Návraty

Získá všechny podřízené položky pro aktuální spuštění vybrané pomocí zadaných filtrů.

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

Parametry

Návraty

Vrátí aktuální kontext služby.

Tato metoda slouží k načtení aktuálního kontextu služby pro protokolování metrik a nahrávání souborů. Pokud allow_offline je hodnota True (výchozí), akce proti objektu Run se vytisknou jako standardní.

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

Parametry

Návraty

Poznámky

Tato funkce se běžně používá k načtení ověřeného objektu Run uvnitř skriptu, který se odešle ke spuštění prostřednictvím příkazu experiment.submit(). Tento spuštěný objekt je ověřeným kontextem pro komunikaci se službami Azure Machine Learning a koncepčním kontejnerem, ve kterém jsou obsaženy metriky, soubory (artefakty) a modely.

   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)

Načtěte nejnovější stav spuštění. Pokud je spuštění ve stavu Zařazeno do fronty, zobrazí se podrobnosti.

get_detailed_status()

Návraty

Poznámky

• status: Aktuální stav spuštění. Stejná hodnota jako hodnota vrácená z get_status().

• details: Podrobné informace o aktuálním stavu.

   run = experiment.submit(config)
   details = run.get_detailed_status()
   # details = {
   #     'status': 'Queued',
   #     'details': 'Run requested 1 node(s). Run is in pending status.',
   # }

Získejte definici, informace o stavu, aktuální soubory protokolů a další podrobnosti o spuštění.

get_details()

Návraty

Poznámky

Vrácený slovník obsahuje následující páry klíč-hodnota:

• runId: ID tohoto spuštění.

• Cíl

• status: Aktuální stav spuštění. Stejná hodnota jako hodnota vrácená z get_status().

• startTimeUtc: čas UTC, kdy bylo toto spuštění spuštěno, v ISO8601.

• endTimeUtc: čas UTC, kdy bylo toto spuštění dokončeno (dokončeno nebo neúspěšné) v ISO8601.

  Tento klíč neexistuje, pokud spuštění stále probíhá.

• properties: Neměnné páry klíč-hodnota přidružené ke spuštění. Mezi výchozí vlastnosti patří ID snímku spuštění a informace o úložišti Git, ze kterého se spuštění vytvořilo (pokud existuje). Další vlastnosti je možné přidat do spuštění pomocí příkazu add_properties.

• inputDatasets: Vstupní datové sady přidružené ke spuštění.

• outputDatasets: Výstupní datové sady přidružené ke spuštění.

• Logfiles

• odeslal(a)

   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'
   # }

Vrátit stav spuštění včetně obsahu souboru protokolu.

get_details_with_logs()

Návraty

Získejte definici prostředí, která byla použita při tomto spuštění.

get_environment()

Návraty

Vypíše soubory, které jsou uloženy ve spojení se spuštěním.

get_file_names()

Návraty

Načtěte metriky zaprotokolované ke spuštění.

Pokud recursive je hodnota True (ve výchozím nastavení False), načtěte metriky pro spuštění v podstromu daného spuštění.

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

Parametry

Návraty

Poznámky

   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

Načte ze služby nejnovější vlastnosti spuštění.

get_properties()

Návraty

Poznámky

Vlastnosti jsou neměnné systémem generované informace, jako je doba trvání, datum spuštění, uživatel a vlastní vlastnosti přidané pomocí add_properties metody . Další informace najdete v tématu Označování a hledání spuštění.

Pokud jsou zdrojové soubory při odesílání úlohy do služby Azure Machine Learning uložené v místním úložišti Git, informace o úložišti se ukládají jako vlastnosti. Tyto vlastnosti gitu se přidají při vytváření spuštění nebo volání Experiment.submit. Další informace o vlastnostech Gitu najdete v tématu Integrace Gitu pro Azure Machine Learning.

Získejte hodnotu tajného klíče z kontextu spuštění.

Získejte hodnotu tajného kódu pro zadaný název. Název tajného kódu odkazuje na hodnotu uloženou v Azure Key Vault přidruženou k vašemu pracovnímu prostoru. Příklad práce s tajnými kódy najdete v tématu Použití tajných kódů při trénovacích spuštěních.

get_secret(name)

Parametry

Návraty

Získá hodnoty tajných kódů pro daný seznam názvů tajných kódů.

Získejte slovník nalezených a nenalezených tajných kódů pro seznam zadaných názvů. Každý název tajného kódu odkazuje na hodnotu uloženou v Azure Key Vault přidruženou k vašemu pracovnímu prostoru. Příklad práce s tajnými kódy najdete v tématu Použití tajných kódů při trénovacích spuštěních.

get_secrets(secrets)

Parametry

Návraty

Získejte ID nejnovějšího snímku.

get_snapshot_id()

Návraty

Načtěte nejnovější stav spuštění.

Mezi běžné vrácené hodnoty patří Spuštěno, Dokončeno a Neúspěšné.

get_status()

Návraty

Poznámky

• NotStarted – jedná se o dočasný stav objektů spuštění na straně klienta, které jsou v před odesláním do cloudu.

• Spuštění – Spuštění se začalo zpracovávat v cloudu. Volající má v tuto chvíli ID spuštění.

• Zřizování – vrátí se, když se pro danou úlohu vytváří výpočetní prostředky na vyžádání.

• Příprava – připravuje se prostředí spuštění:

  • sestavení image dockeru

  • Nastavení prostředí conda

• Zařazeno do fronty – Úloha je zařazena do fronty v cílovém výpočetním objektu. Například ve službě BatchAI je úloha ve frontě.

  při čekání na připravenost všech požadovaných uzlů.

• Spuštěno – Úloha se začala spouštět v cílovém výpočetním objektu.

• Finalizace – uživatelský kód se dokončil a spuštění je ve fázích následného zpracování.

• CancelRequested – pro úlohu bylo požádáno o zrušení.

• Dokončeno – spuštění bylo úspěšně dokončeno. To zahrnuje jak uživatelský kód, tak spuštění

  fáze následného zpracování.

• Neúspěšné – spuštění se nezdařilo. Vlastnost Error při spuštění obvykle obsahuje podrobné informace o tom, proč tomu tak je.

• Zrušeno – následuje žádost o zrušení a indikuje, že spuštění se teď úspěšně zrušilo.

• Nereaguje – U spuštění s povolenými prezenčními signály se v nedávné době neodeslal žádný prezenční signál.

   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)

ZASTARALÉ. Použijte get_context.

Získejte odeslané spuštění pro tento experiment.

get_submitted_run(**kwargs)

Návraty

Načtěte ze služby nejnovější sadu měnitelných značek na spuštění.

get_tags()

Návraty

Získejte seznam spuštění v experimentu určeném volitelnými filtry.

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

Parametry

Návraty

Poznámky

Následující příklad kódu ukazuje některá použití list metody .

   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)

Získejte seznam spuštění ve výpočetních prostředcích určených volitelnými filtry.

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

Parametry

Návraty

Protokolujte do spuštění hodnotu metriky s daným názvem.

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

Parametry

Poznámky

Protokolování metriky do spuštění způsobí, že se metrika uloží do záznamu spuštění v experimentu. Stejnou metriku můžete během běhu protokolovat několikrát, výsledek se považuje za vektor této metriky. Pokud je pro metriku zadaný krok, musí být zadán pro všechny hodnoty.

Zapíše tabulku přesnosti do úložiště artefaktů.

Metrika tabulky přesnosti je multiužitková, nesakulární metrika, kterou lze použít k vytvoření více typů spojnicových grafů, které se neustále liší v rámci prostoru predikovaných pravděpodobností. Příklady těchto grafů jsou ROC, přesnost a úplnost a křivky lift.

Výpočet tabulky přesnosti je podobný výpočtu křivky ROC. Křivka ROC ukládá pravdivě pozitivní sazby a falešně pozitivní sazby při mnoha různých prahových hodnotách pravděpodobnosti. Tabulka přesnosti ukládá nezpracovaný počet pravdivě pozitivních, falešně pozitivních, pravdivě negativních a falešně negativních výsledků při mnoha prahových hodnotách pravděpodobnosti.

Pro výběr prahových hodnot se používají dvě metody: pravděpodobnost a percentil. Liší se ve způsobu vzorkování od prostoru předpovězených pravděpodobností.

Prahové hodnoty pravděpodobnosti jsou prahové hodnoty rovnoměrně rozmístěné mezi 0 a 1. Pokud je NUM_POINTS 5, prahové hodnoty pravděpodobnosti by byly [0,0, 0,25, 0,5, 0,75, 1,0].

Prahové hodnoty percentilu jsou rozloženy podle rozdělení predikovaných pravděpodobností. Každá prahová hodnota odpovídá percentilu dat při prahové hodnotě pravděpodobnosti. Pokud je například NUM_POINTS 5, první prahová hodnota by byla na 0. percentilu, druhá na 25. percentilu, třetí na 50. percentilu atd.

Tabulky pravděpodobnosti i tabulky percentilu jsou 3D seznamy, kde první dimenze představuje popisek třídy, druhá dimenze představuje vzorek při jedné prahové hodnotě (škáluje se s NUM_POINTS) a třetí dimenze má vždy 4 hodnoty: TP, FP, TN, FN a vždy v tomto pořadí.

Konfuzní hodnoty (TP, FP, TN, FN) se počítají pomocí strategie "jeden vs. rest". Další podrobnosti najdete na následujícím odkazu: https://en.wikipedia.org/wiki/Multiclass_classification

N = počet vzorků v ověřovací datové sadě (například 200) M = # prahové hodnoty = # vzorky odebrané z pravděpodobnostního prostoru (například 5) C = # třídy v celé datové sadě (v příkladu 3)

Některé invarianty tabulky přesnosti:

• TP + FP + TN + FN = N pro všechny prahové hodnoty pro všechny třídy
• TP + FN je stejné při všech prahových hodnotách pro libovolnou třídu
• TN + FP je stejné při všech prahových hodnotách pro libovolnou třídu.
• Tabulky pravděpodobnosti a tabulky percentilu mají tvar [C, M, 4]

Poznámka: M může být libovolná hodnota a řídí rozlišení grafů. Tato hodnota je nezávislá na datové sadě, definuje se při výpočtu metrik a využívá prostor úložiště, čas výpočtu a rozlišení.

Popisky tříd by měly být řetězce, konfuzní hodnoty by měly být celá čísla a prahové hodnoty by měly být float.

log_accuracy_table(name, value, description='')

Parametry

Poznámky

Příklad platné hodnoty JSON:

   {
       "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"]
       }
   }

Zapíše do úložiště artefaktů konfuzní matici.

Tím se zaznamená obálka kolem matoucí matice sklearn. Data metrik obsahují popisky tříd a 2D seznam pro samotnou matici. Další podrobnosti o výpočtu metriky najdete na následujícím odkazu: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

Parametry

Poznámky

Příklad platné hodnoty JSON:

   {
       "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]
           ]
       }
   }

Protokolujte do záznamu spuštění metriku image.

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

Parametry

Poznámky

Tato metoda slouží k protokolování souboru obrázku nebo diagramu matplotlib do spuštění. Tyto obrázky budou viditelné a srovnatelné v záznamu spuštění.

Protokolujte do běhu seznam hodnot metrik s daným názvem.

log_list(name, value, description='')

Parametry

Protokolování predikcí do úložiště artefaktů

Tím se zaznamená skóre metriky, které lze použít k porovnání rozdělení skutečných cílových hodnot s rozdělením predikovaných hodnot pro regresní úlohu.

Předpovědi jsou binované a směrodatné odchylky se počítají pro chybové úsečky ve spojnicovém grafu.

log_predictions(name, value, description='')

Parametry

Poznámky

Příklad platné hodnoty JSON:

   {
       "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]
       }
   }

Protokolujte rezidua do úložiště artefaktů.

Tím se protokolují data potřebná k zobrazení histogramu reziduí pro regresní úlohu. Rezidua jsou predikována – skutečná.

Počet počtů by měl být o jednu hranu vyšší. Příklady použití počtů a hran k reprezentaci histogramu najdete v dokumentaci k histogramu numpy. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

Parametry

Poznámky

Příklad platné hodnoty JSON:

   {
       "schema_type": "residuals",
       "schema_version": "1.0.0",
       "data": {
           "bin_edges": [50, 100, 200, 300, 350],
           "bin_counts": [0.88, 20, 30, 50.99]
       }
   }

Protokolujte do běhu metriku řádku s daným názvem.

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

Parametry

Poznámky

Pomocí log_row se vytvoří metrika tabulky se sloupci, jak je popsáno v kwargs. Každý pojmenovaný parametr vygeneruje sloupec se zadanou hodnotou. log_row lze volat jednou za účelem protokolování libovolné řazené kolekce členů nebo vícekrát ve smyčce, aby se vygenerovala kompletní tabulka.

   citrus = ['orange', 'lemon', 'lime']
   sizes = [ 10, 7, 3]
   for index in range(len(citrus)):
       run.log_row("citrus", fruit = citrus[index], size=sizes[index])

Protokolujte do spuštění metriku tabulky s daným názvem.

log_table(name, value, description='')

Parametry

Registrace modelu pro zprovoznění

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)

Parametry

Návraty

Poznámky

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

Odstraňte seznam proměnlivých značek při tomto spuštění.

remove_tags(tags)

Parametry

Návraty

Obnovte snímek jako soubor ZIP. Vrátí cestu k souboru ZIP.

restore_snapshot(snapshot_id=None, path=None)

Parametry

Návraty

Přidejte nebo upravte sadu značek za běhu. Značky, které nejsou předány ve slovníku, zůstanou nedotčené.

Můžete také přidat jednoduché značky řetězců. Pokud se tyto značky zobrazí ve slovníku značek jako klíče, mají hodnotu None. Další informace najdete v tématu Označování a hledání spuštění.

set_tags(tags)

Parametry

Označte spuštění jako spuštěné.

To se obvykle používá v pokročilých scénářích, když spuštění vytvořil jiný aktér.

start()

Odešlete experiment a vrátíte aktivní podřízené spuštění.

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

Parametry

Návraty

Poznámky

Odeslat je asynchronní volání platformy Azure Machine Learning ke spuštění zkušební verze na místním nebo vzdáleném hardwaru. V závislosti na konfiguraci nástroj Submit automaticky připraví vaše spouštěcí prostředí, spustí kód a zachytí zdrojový kód a výsledky do historie spuštění experimentu.

Pokud chcete experiment odeslat, musíte nejprve vytvořit objekt konfigurace popisující, jak se má experiment spustit. Konfigurace závisí na typu požadované zkušební verze.

Příklad odeslání podřízeného experimentu z místního počítače pomocí ScriptRunConfig je následující:

   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()

Podrobnosti o konfiguraci spuštění najdete v tématu submit.

Označte spuštění pomocí klíče řetězce a volitelné hodnoty řetězce.

tag(key, value=None)

Parametry

Poznámky

Značky a vlastnosti při spuštění jsou slovníky string -> string. Rozdíl mezi nimi je v proměnlivosti: Značky se dají nastavit, aktualizovat a odstranit, zatímco Vlastnosti se dají jenom přidávat. Díky tomu jsou vlastnosti vhodnější pro triggery chování související se systémem nebo pracovním postupem, zatímco značky jsou obecně pro uživatele a smysluplné pro uživatele experimentu.

   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' }

Uložte snímek vstupního souboru nebo složky.

take_snapshot(file_or_folder_path)

Parametry

Návraty

Poznámky

Snímky mají být zdrojovým kódem použitým ke spuštění experimentu. Ty se ukládají společně se spuštěním, aby bylo možné zkušební verzi spustit v budoucnu replikovat.

Nahrajte soubor do záznamu spuštění.

upload_file(name, path_or_stream, datastore_name=None)

Parametry

Návraty

Poznámky

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

Nahrajte soubory do záznamu spuštění.

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

Parametry

Poznámky

upload_files má stejný účinek jako upload_file u samostatných souborů, při použití upload_filesvšak existují výhody výkonu a využití prostředků.

   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')

Nahrajte zadanou složku do zadaného názvu předpony.

upload_folder(name, path, datastore_name=None)

Parametry

Poznámky

   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')

Počkejte na dokončení tohoto spuštění. Vrátí objekt stavu po čekání.

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

Parametry

Návraty

Vraťte popis spuštění.

Volitelný popis spuštění je řetězec zadaný uživatelem, který je užitečný pro popis spuštění.

Návraty

Vrátí zobrazovaný název spuštění.

Volitelný zobrazovaný název spuštění je řetězec zadaný uživatelem, který je užitečný pro pozdější identifikaci spuštění.

Návraty

Získejte experiment obsahující spuštění.

Návraty

Získejte ID spuštění.

ID spuštění je identifikátor jedinečný v rámci experimentu, který obsahuje.

Návraty

ZASTARALÉ. Použijte display_name.

Volitelný název spuštění je řetězec zadaný uživatelem, který je užitečný pro pozdější identifikaci spuštění.

Návraty

Získejte číslo spuštění.

Monotónně rostoucí číslo představující pořadí spuštění v rámci experimentu.

Návraty

Načtěte nadřazené spuštění pro toto spuštění ze služby.

Spuštění můžou mít volitelný nadřazený objekt, což vede k potenciální stromové hierarchii spuštění. Pokud chcete protokolovat metriky do nadřazeného běhu, použijte metodu log nadřazeného objektu, run.parent.log()například .

Návraty

Vrátí neměnné vlastnosti tohoto spuštění.

Návraty

Poznámky

Vlastnosti zahrnují neměnné systémově generované informace, jako je doba trvání, datum spuštění, uživatel atd.

Vrátí stav objektu spuštění.

Při tomto spuštění vraťte sadu proměnlivých značek.

Návraty

Získejte typ spuštění.

Označuje, jak bylo spuštění vytvořeno nebo nakonfigurováno.

Návraty