Run Clase

Se agregan propiedades inmutables a la ejecución.

Las etiquetas y propiedades (dict[str, str]) difieren en su mutabilidad. Las propiedades son inmutables, por lo que crean un registro permanente con fines de auditoría. Las etiquetas son mutables. Para más información sobre cómo trabajar con etiquetas y propiedades, vea Etiquetado y búsqueda de ejecuciones.

add_properties(properties)

Parámetros

Enlace de extensibilidad para tipos de ejecución personalizados almacenados en el historial de ejecución.

static add_type_provider(runtype, run_factory)

Parámetros

Se marca la ejecución como cancelada.

Si hay un trabajo asociado con un campo cancel_uri establecido, se finaliza también ese trabajo.

cancel()

Se crea una ejecución secundaria.

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

Parámetros

Devoluciones

Comentarios

Se usa para aislar parte de una ejecución en una subsección. Se puede usar para las "partes" identificables de una ejecución que es interesante separar o para capturar métricas independientes en una interacción de un subproceso.

Si se establece un directorio de salida para la ejecución secundaria, el contenido de ese directorio se cargará en el registro de ejecución secundario cuando se complete el elemento secundario.

Se quitan los archivos correspondientes a la ejecución actual en el destino especificado en la configuración de ejecución.

clean()

Devoluciones

Se espera a que se procese la cola de tareas.

A continuación, la ejecución se marca como completada. Este script se usa normalmente en escenarios de cuaderno interactivos.

complete(_set_status=True)

Parámetros

Se crea una o varias ejecuciones secundarias.

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

Parámetros

Devoluciones

Comentarios

Se debe especificar el parámetro count O los parámetros tag_key Y tag_values.

Se descarga un archivo asociado del almacenamiento.

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

Parámetros

Se descargan los archivos de un prefijo de almacenamiento determinado (nombre de carpeta) o de todo el contenedor si el prefijo no está especificado.

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

Parámetros

Se marca la ejecución como con errores.

Opcionalmente, se establece la propiedad Error de la ejecución con un mensaje o una excepción pasados a error_details.

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

Parámetros

Se espera a que se procese la cola de tareas.

flush(timeout_seconds=300)

Parámetros

Se obtiene la ejecución de esta área de trabajo con su identificador de ejecución.

static get(workspace, run_id)

Parámetros

Devoluciones

Se descargan todos los registros de la ejecución en un directorio.

get_all_logs(destination=None)

Parámetros

Devoluciones

Se obtienen todos los elementos secundarios de la ejecución actual seleccionados por los filtros especificados.

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

Parámetros

Devoluciones

Se devuelve el contexto de servicio actual.

Use este método para recuperar el contexto de servicio actual para registrar métricas y cargar archivos. Si allow_offline es True (valor predeterminado), las acciones realizadas en el objeto de ejecución se imprimirán en salida estándar.

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

Parámetros

Devoluciones

Comentarios

Esta función se usa normalmente para recuperar el objeto de ejecución autenticado dentro de un script que se va a enviar para su ejecución a través de experiment.submit(). Este objeto de ejecución es un contexto autenticado para comunicarse con los servicios de Azure Machine Learning y un contenedor conceptual en el que se encuentran las métricas, los archivos (artefactos) y los modelos.

   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)

Se captura el estado más reciente de la ejecución. Si el estado de la ejecución es "Queued", se mostrarán los detalles.

get_detailed_status()

Devoluciones

Comentarios

• status: estado actual de la ejecución. El mismo valor que el devuelto por get_status().

• details: información detallada del estado actual.

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

Se obtiene la definición, la información de estado, los archivos de registro actuales y otros detalles de la ejecución.

get_details()

Devoluciones

Comentarios

El diccionario devuelto contiene los siguientes pares clave-valor:

• runId: identificador de esta ejecución.

• Destino

• status: estado actual de la ejecución. El mismo valor que el devuelto por get_status().

• startTimeUtc: hora UTC de cuando se inició esta ejecución, en ISO8601.

• endTimeUtc: hora UTC de cuando esta ejecución finalizó (completado o con error), en ISO8601.

  Esta clave no existe si la ejecución todavía está en curso.

• properties: pares clave-valor inmutables asociados a la ejecución. Las propiedades predeterminadas incluyen el identificador de instantánea de la ejecución e información sobre el repositorio de Git desde el que se creó la ejecución (si existe). Se pueden agregar propiedades adicionales a una ejecución mediante add_properties.

• inputDatasets: conjuntos de datos de entrada asociados a la ejecución.

• outputDatasets: conjuntos de datos de salida asociados a la ejecución.

• logFiles

• submittedBy

   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'
   # }

Se devuelve el estado de la ejecución, incluido el contenido del archivo de registro.

get_details_with_logs()

Devoluciones

Se obtiene la definición de entorno que usó esta ejecución.

get_environment()

Devoluciones

Se enumeran los archivos almacenados en asociación con la ejecución.

get_file_names()

Devoluciones

Se recuperan las métricas registradas en la ejecución.

Si recursive es True (False de manera predeterminada), se capturan las métricas de las ejecuciones en el subárbol de la ejecución determinada.

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

Parámetros

Devoluciones

Comentarios

   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

Se capturan las propiedades más recientes de la ejecución desde el servicio.

get_properties()

Devoluciones

Comentarios

Las propiedades son información inmutable generada por el sistema, como la duración, la fecha de ejecución, el usuario y las propiedades personalizadas agregadas con el método add_properties. Para obtener más información, vea Etiquetado y búsqueda de ejecuciones.

Al enviar un trabajo a Azure Machine Learning, si los archivos de origen se almacenan en un repositorio de Git local, se almacena la información sobre el repositorio como propiedades. Estas propiedades de Git se agregan al crear una ejecución o llamar a Experiment.submit. Para más información, consulte Integración de Git con Azure Machine Learning.

Se obtiene el valor del secreto del contexto de una ejecución.

Se obtiene el valor del secreto para el nombre proporcionado. El nombre del secreto hace referencia a un valor almacenado en Azure Key Vault asociado al área de trabajo. Para obtener un ejemplo de cómo trabajar con secretos, consulte Uso de secretos en ejecuciones de entrenamiento.

get_secret(name)

Parámetros

Devoluciones

Se obtienen los valores de secretos para una lista determinada de nombres de secretos.

Se obtiene un diccionario de secretos encontrados y no encontrados para la lista de nombres proporcionados. Cada nombre de secreto hace referencia a un valor almacenado en Azure Key Vault asociado al área de trabajo. Para obtener un ejemplo de cómo trabajar con secretos, consulte Uso de secretos en ejecuciones de entrenamiento.

get_secrets(secrets)

Parámetros

Devoluciones

Se obtiene el identificador de instantánea más reciente.

get_snapshot_id()

Devoluciones

Se captura el estado más reciente de la ejecución.

Los valores comunes devueltos incluyen "Running", "Completed" y "Failed".

get_status()

Devoluciones

Comentarios

• NotStarted: se trata de un estado temporal en el que se encuentran los objetos de ejecución del lado cliente antes del envío a la nube.

• Starting: la ejecución ha empezado a procesarse en la nube. El autor de la llamada tiene un identificador de ejecución en este momento.

• Provisioning: se devuelve cuando se crea un proceso a petición para un envío de trabajo determinado.

• Preparing: el entorno de ejecución se está preparando:

  • creación de la imagen de Docker

  • configuración del entorno Conda

• Queued: el trabajo está en cola en el destino de proceso. Por ejemplo, en BatchAI, el trabajo está en estado en cola

  mientras espera a que todos los nodos solicitados estén listos.

• Running: el trabajo comenzó a ejecutarse en el destino de proceso.

• Finalizing: el código de usuario se ha completado y la ejecución se encuentra en fases posteriores al procesamiento.

• CancelRequested: se ha solicitado la cancelación del trabajo.

• Completed: la ejecución se completó correctamente. Se incluye el código de usuario y las fases

  posteriores al procesamiento de la ejecución.

• Failed: error en la ejecución. Normalmente, la propiedad Error de una ejecución proporcionará detalles sobre por qué se produjo el error.

• Canceled: sigue a una solicitud de cancelación e indica que la ejecución se ha cancelado correctamente.

• NotResponding: en el caso de las ejecuciones que tienen los latidos habilitados, no se ha enviado recientemente ningún latido.

   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)

EN DESUSO. Use get_context.

Se obtiene la ejecución enviada para este experimento.

get_submitted_run(**kwargs)

Devoluciones

Se captura el conjunto más reciente de etiquetas mutables en la ejecución del servicio.

get_tags()

Devoluciones

Se obtiene una lista de ejecuciones en un experimento especificado por filtros opcionales.

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

Parámetros

Devoluciones

Comentarios

En el siguiente ejemplo de código se muestran algunos usos del método list.

   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)

Se obtiene una lista de ejecuciones en un proceso especificado por filtros opcionales.

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

Parámetros

Devoluciones

Registra un valor de métrica en la ejecución con el nombre especificado.

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

Parámetros

Comentarios

Al registrar una métrica en una ejecución, esa métrica se almacena en el registro de ejecución en el experimento. Puede registrar la misma métrica varias veces dentro de una ejecución y el resultado se considerará un vector de esa métrica. Si se especifica step para una métrica, se debe especificar para todos los valores.

Se registra una tabla de precisión en el almacén de artefactos.

La métrica de tabla de precisión es una métrica no escalar de uso múltiple que se puede usar para generar varios tipos de gráficos de líneas que varían continuamente en el espacio de probabilidades previstas. Algunos ejemplos de estos gráficos son ROC, la coincidencia de precisión y las curvas de elevación.

El cálculo de la tabla de precisión es similar al cálculo de una curva ROC. Una curva ROC almacena tasas de verdaderos positivos y tasas de falsos positivos en muchos umbrales de probabilidad diferentes. La tabla de precisión almacena el número sin procesar de verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos en muchos umbrales de probabilidad.

Hay dos métodos que se usan para seleccionar umbrales: "probabilidad" y "percentil". Difieren en la forma en que se muestrean en el espacio de probabilidades previstas.

Los umbrales de probabilidad son umbrales espaciados uniformemente entre 0 y 1. Si NUM_POINTS es 5, los umbrales de probabilidad serían [0,0, 0,25, 0,5, 0,75, 1,0].

Los umbrales de percentil se espacian según la distribución de las probabilidades previstas. Cada umbral corresponde al percentil de los datos en un umbral de probabilidad. Por ejemplo, si NUM_POINTS es 5, el primer umbral estaría en el percentil 0, el segundo en el percentil 25, el tercero en el 50, y así sucesivamente.

Las tablas de probabilidad y las tablas de percentil son listas 3D donde la primera dimensión representa la etiqueta de clase, la segunda dimensión representa la muestra en un umbral (escala con NUM_POINTS) y la tercera dimensión siempre tiene 4 valores: TP, FP, TN, FN y siempre en ese orden.

Los valores de confusión (TP, FP, TN, FN) se procesan con la estrategia de uno frente al resto. Consulte el vínculo siguiente para obtener más detalles: https://en.wikipedia.org/wiki/Multiclass_classification

N = número de muestras del conjunto de datos de validación (200 en el ejemplo) M = número de umbrales = número de muestras tomadas en el espacio de probabilidad (5 en el ejemplo) C = número de clases en el conjunto de datos completo (3 en el ejemplo)

Algunos invariables de la tabla de precisión:

• TP + FP + TN + FN = N para todos los umbrales de todas las clases
• TP + FN es igual en todos los umbrales de cualquier clase
• TN + FP es igual en todos los umbrales de cualquier clase
• Las tablas de probabilidad y las tablas de percentil tienen forma [C, M, 4]

Nota: M puede ser cualquier valor y controla la resolución de los gráficos. Esto es independiente del conjunto de datos, se define al calcular las métricas y equilibra el espacio de almacenamiento, el tiempo de cálculo y la resolución.

Las etiquetas de clase deben ser cadenas, los valores de confusión deben ser enteros y los umbrales deben ser valores float.

log_accuracy_table(name, value, description='')

Parámetros

Comentarios

Ejemplo de un valor JSON válido:

   {
       "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"]
       }
   }

Se registra una matriz de confusión en el almacén de artefactos.

Esto registra un contenedor en torno a la matriz de confusión de sklearn. Los datos de métricas contienen las etiquetas de clase y una lista 2D para la propia matriz. Consulte el vínculo siguiente para obtener más detalles sobre cómo se calcula la métrica: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

Parámetros

Comentarios

Ejemplo de un valor JSON válido:

   {
       "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]
           ]
       }
   }

Registra una métrica de imagen en el registro de ejecución.

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

Parámetros

Comentarios

Use este método para registrar un archivo de imagen o un trazado de matplotlib en la ejecución. Estas imágenes serán visibles y comparables en el registro de ejecución.

Se registra una lista de valores de métrica en la ejecución con el nombre especificado.

log_list(name, value, description='')

Parámetros

Se registran las predicciones en el almacén de artefactos.

Esto registra una puntuación de métrica que se puede usar para comparar las distribuciones de valores de destino verdaderos con la distribución de valores previstos para una tarea de regresión.

Las predicciones se guardan y las desviaciones estándar se calculan para las barras de error en un gráfico de líneas.

log_predictions(name, value, description='')

Parámetros

Comentarios

Ejemplo de un valor JSON válido:

   {
       "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]
       }
   }

Se registran los valores residuales en el almacén de artefactos.

Se registran los datos necesarios para mostrar un histograma de valores residuales para una tarea de regresión. Se predicen los valores residuales: reales.

Debe haber otro límite además del número de recuentos. Consulte la documentación del histograma NumPy para ejemplos del uso de recuentos y límites para representar un histograma. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

Parámetros

Comentarios

Ejemplo de un valor JSON válido:

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

Se registra una métrica de fila en la ejecución con el nombre especificado.

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

Parámetros

Comentarios

El uso de log_row crea una métrica de tabla con columnas, como se describe en kwargs. Cada parámetro con nombre genera una columna con el valor especificado. Se puede llamar a log_row una vez para registrar una tupla arbitraria, o varias veces en un bucle para generar una tabla completa.

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

Registra una métrica de tabla en la ejecución con el nombre especificado.

log_table(name, value, description='')

Parámetros

Se registra un modelo para la operacionalización.

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)

Parámetros

Devoluciones

Comentarios

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

Se elimina la lista de etiquetas mutables en esta ejecución.

remove_tags(tags)

Parámetros

Devoluciones

Se restaura una instantánea como archivo ZIP. Devuelve la ruta de acceso del archivo ZIP.

restore_snapshot(snapshot_id=None, path=None)

Parámetros

Devoluciones

Se agrega o modifica un conjunto de etiquetas en la ejecución. Las etiquetas que no se pasan en el diccionario se mantienen intactas.

También puede agregar etiquetas de cadena simples. Cuando estas etiquetas aparecen en el diccionario de etiquetas como claves, tienen un valor de None. Para obtener más información, vea Etiquetado y búsqueda de ejecuciones.

set_tags(tags)

Parámetros

Se marca la ejecución como iniciada.

Se usa normalmente en escenarios avanzados cuando otro actor ha creado la ejecución.

start()

Se envía un experimento y se devuelve la ejecución secundaria activa.

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

Parámetros

Devoluciones

Comentarios

El envío es una llamada asincrónica a la plataforma de Azure Machine Learning para ejecutar una prueba en hardware local o remoto. Según la configuración, el envío preparará automáticamente los entornos de ejecución, ejecutará el código y capturará el código fuente y los resultados en el historial de ejecución del experimento.

Para enviar un experimento, primero debe crear un objeto de configuración que describa cómo se va a ejecutar el experimento. La configuración depende del tipo de prueba necesaria.

Un ejemplo de cómo enviar un experimento secundario desde la máquina local mediante ScriptRunConfig es el siguiente:

   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()

Para obtener detalles sobre cómo configurar una ejecución, vea submit.

Etiqueta la ejecución con una clave de cadena y un valor de cadena opcional.

tag(key, value=None)

Parámetros

Comentarios

Las etiquetas y las propiedades de una ejecución son diccionarios de cadena -> cadena. La diferencia entre ellas es la mutabilidad: las etiquetas se pueden establecer, actualizar y eliminar, mientras que las propiedades solo se pueden agregar. Esto hace que las propiedades sean más adecuadas para los desencadenadores de comportamiento relacionados con el sistema o el flujo de trabajo, mientras que las etiquetas suelen estar orientadas al usuario y tener un significado para los consumidores del experimento.

   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' }

Se guara una instantánea del archivo o carpeta de entrada.

take_snapshot(file_or_folder_path)

Parámetros

Devoluciones

Comentarios

Las instantáneas están diseñadas para ser el código fuente que se usa para la ejecución del experimento. Se almacenan con la ejecución para que la prueba de la ejecución se pueda replicar en el futuro.

Carga un archivo en el registro de ejecución.

upload_file(name, path_or_stream, datastore_name=None)

Parámetros

Devoluciones

Comentarios

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

Se cargan archivos en el registro de ejecución.

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

Parámetros

Comentarios

upload_files tiene el mismo efecto que upload_file en archivos independientes, pero hay ventajas de rendimiento y de uso de recursos al usar upload_files.

   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')

Se carga la carpeta especificada en el nombre de prefijo especificado.

upload_folder(name, path, datastore_name=None)

Parámetros

Comentarios

   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')

Espera a que se complete esta ejecución. Devuelve el objeto de estado después de la espera.

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

Parámetros

Devoluciones

Se devuelve la descripción de la ejecución.

La descripción opcional de la ejecución es una cadena especificada por el usuario útil para describir una ejecución.

Devoluciones

Se devuelve el nombre para mostrar de la ejecución.

El nombre para mostrar opcional de la ejecución es una cadena especificada por el usuario útil para la identificación posterior de la ejecución.

Devoluciones

Se obtiene el experimento que contiene la ejecución.

Devoluciones

Se obtiene el identificador de la ejecución.

El identificador de la ejecución es un identificador único en el experimento que lo contiene.

Devoluciones

EN DESUSO. Use display_name.

El nombre opcional de la ejecución es una cadena especificada por el usuario útil para la identificación posterior de la ejecución.

Devoluciones

Se obtiene el número de la ejecución.

Número que aumenta de forma monotónica y que representa el orden de las ejecuciones dentro de un experimento.

Devoluciones

Se captura la ejecución primaria para esta ejecución del servicio.

Las ejecuciones pueden tener un elemento primario opcional, lo que da lugar a una posible jerarquía de árbol de ejecuciones. Para registrar métricas en una ejecución primaria, use el método log del objeto primario, por ejemplo, run.parent.log().

Devoluciones

Se devuelven las propiedades inmutables de esta ejecución.

Devoluciones

Comentarios

Las propiedades incluyen información generada por el sistema inmutable, como la duración, la fecha de ejecución, el usuario, etc.

Se devuelve el estado del objeto de ejecución.

Se devuelve el conjunto de etiquetas mutables en esta ejecución.

Devoluciones

Se obtiene el tipo de ejecución.

Indica cómo se creó o configuró la ejecución.

Devoluciones