RunConfiguration Třída

Dědičnost

azureml._base_sdk_common.abstract_run_config_element._AbstractRunConfigElement

RunConfiguration

Konstruktor

RunConfiguration(script=None, arguments=None, framework=None, communicator=None, conda_dependencies=None, _history_enabled=None, _path=None, _name=None, command=None)

Parametry

Poznámky

Systémy strojového učení obvykle vytváříme k řešení konkrétního problému. Může nás například zajímat nalezení nejlepšího modelu, který řadí webové stránky, které můžou být obsluhovány jako výsledky hledání odpovídající dotazu. Naše hledání nejlepšího modelu strojového učení může vyžadovat, abychom vyzkoušeli různé algoritmy nebo zvážili různá nastavení parametrů atd.

V sadě Azure Machine Learning SDK používáme koncept experimentu k zachycení toho, že různé trénovací běhy souvisejí s problémem, který se snaží vyřešit. Potom Experiment funguje jako logický kontejner pro tyto trénovací běhy, což usnadňuje sledování průběhu trénovacích běhů, přímé porovnání dvou trénovacích běhů atd.

RunConfiguration zapouzdřuje nastavení spouštěcího prostředí potřebná k odeslání trénovacího běhu v experimentu. Zaznamenává sdílenou strukturu trénovacích běhů, které jsou navrženy tak, aby řešily stejný problém strojového učení, a také rozdíly v konfiguračních parametrech (např. rychlost učení, ztrátová funkce atd.), které od sebe odlišují odlišné trénovací běhy.

V typických scénářích trénování se RunConfiguration používá k vytvoření objektu ScriptRunConfig , který zabalí objekt RunConfiguration a spouštěcí skript pro trénování.

Konfigurace RunConfiguration zahrnuje:

• Sdružování zdrojového adresáře experimentu včetně odeslaného skriptu

• Nastavení argumentů příkazového řádku pro odeslaný skript.

• Konfigurace cesty pro interpret Pythonu

• Získejte konfiguraci Conda pro pro správu závislostí aplikací. Proces odeslání úlohy může použít konfiguraci ke zřízení dočasného prostředí Conda a spuštění aplikace v rámci. Dočasná prostředí se ukládají do mezipaměti a znovu se používají v následných spuštěních.

• Volitelné použití Dockeru a vlastních základních imagí

• Volitelná volba odeslání experimentu do několika typů výpočetních prostředků Azure.

• Volitelná volba konfigurace materializace vstupů a nahrávání výstupů.

• Upřesňující nastavení modulu runtime pro běžné moduly runtime, jako jsou spark a tensorflow.

Následující příklad ukazuje, jak odeslat trénovací skript na místním počítači.

   from azureml.core import ScriptRunConfig, RunConfiguration, Experiment

   # create or load an experiment
   experiment = Experiment(workspace, "MyExperiment")
   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = experiment.submit(config)

Následující příklad ukazuje, jak odeslat trénovací skript do clusteru pomocí vlastnosti command místo skriptu a argumentů.

   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['python', 'train.py', '--arg1', arg1_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Následující ukázka ukazuje, jak spustit příkaz v clusteru.

   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['ls', '-l'],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Proměnné

Metody

delete

static delete(path, name)

load

static load(path, name=None)

save

save(path=None, name=None, separate_environment_yaml=False)

Atributy

auto_prepare_environment

environment_variables

target