HyperDriveStep Clase

Referencia

Crea un paso de Azure ML Pipeline para ejecutar el ajuste de hiperparámetros para modelos de Machine Learning.

Para obtener un ejemplo del uso de HyperDriveStep, vea el cuaderno https://aka.ms/pl-hyperdrive.

Cree un paso de canalización de Azure ML para ejecutar la asignación de hiperparámetros para el entrenamiento del modelo de Machine Learning.

Herencia: PipelineStep

HyperDriveStep

Constructor

HyperDriveStep(name, hyperdrive_config, estimator_entry_script_arguments=None, inputs=None, outputs=None, metrics_output=None, allow_reuse=True, version=None)

Parámetros

Nombre	Description
name Requerido	str [Obligatorio] El nombre del paso.
hyperdrive_config Requerido	HyperDriveConfig [Obligatorio] Un elemento HyperDriveConfig que define la configuración de la ejecución de HyperDrive.
estimator_entry_script_arguments	list Lista de argumentos de línea de comandos para el script de entrada del estimador. Si el script de entrada del estimador no acepta argumentos de línea de comandos, establezca este valor de parámetro en una lista vacía. Valor predeterminado: None
inputs	list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]] Una lista de enlaces de puerto de entrada. Valor predeterminado: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]] Una lista de enlaces de puerto de salida Valor predeterminado: None
metrics_output	Union[PipelineData, DataReference, OutputPortBinding] Valor opcional que especifica la ubicación para almacenar las métricas de ejecución de HyperDrive como un archivo JSON. Valor predeterminado: None
allow_reuse	bool Indica si el paso debe volver a usar los resultados anteriores cuando se ejecuta con la misma configuración o entrada. La reutilización está habilitada de manera predeterminada. Si el contenido del paso (scripts o dependencias), así como las entradas y los parámetros permanecen sin cambios, se reutiliza la salida de la ejecución anterior de este paso. Al volver a usar el paso, en lugar de enviar el trabajo al proceso, los resultados de la ejecución anterior se hacen disponibles inmediatamente para los pasos posteriores. Si usa conjuntos de datos de Azure Machine Learning como entradas, la reutilización viene determinada por si la definición del conjunto de datos ha cambiado, no por si los datos subyacentes han cambiado. Valor predeterminado: True
version	str Una etiqueta de versión opcional para indicar un cambio en la funcionalidad del módulo. Valor predeterminado: None
name Requerido	str [Obligatorio] El nombre del paso.
hyperdrive_config Requerido	HyperDriveConfig [Obligatorio] Un elemento HyperDriveConfig que define la configuración de la ejecución de HyperDrive.
estimator_entry_script_arguments Requerido	list Lista de argumentos de línea de comandos para el script de entrada del estimador. Si el script de entrada del estimador no acepta argumentos de línea de comandos, establezca este valor de parámetro en una lista vacía.
inputs Requerido	list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]] Una lista de enlaces de puerto de entrada.
outputs Requerido	list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]] Una lista de enlaces de puerto de salida.
metrics_output Requerido	Union[PipelineData, DataReference, OutputPortBinding] Valor opcional que especifica la ubicación para almacenar las métricas de ejecución de HyperDrive como un archivo JSON.
allow_reuse Requerido	bool Indica si el paso debe volver a usar los resultados anteriores cuando se ejecuta con la misma configuración o entrada. La reutilización está habilitada de manera predeterminada. Si el contenido del paso (scripts o dependencias), así como las entradas y los parámetros permanecen sin cambios, se reutiliza la salida de la ejecución anterior de este paso. Al volver a usar el paso, en lugar de enviar el trabajo al proceso, los resultados de la ejecución anterior se hacen disponibles inmediatamente para los pasos posteriores. Si usa conjuntos de datos de Azure Machine Learning como entradas, la reutilización viene determinada por si la definición del conjunto de datos ha cambiado, no por si los datos subyacentes han cambiado.
version Requerido	str version

Comentarios

Tenga en cuenta que los argumentos del script de entrada usados en el objeto del estimador (por ejemplo, el objeto TensorFlow) deben especificarse como lista mediante el parámetro estimator_entry_script_arguments al crear instancias de HyperDriveStep. El parámetro estimador script_params acepta un diccionario. Sin embargo, el parámetro estimator_entry_script_argument espera argumentos como una lista.

La inicialización de HyperDriveStep implica especificar una lista de objetos DataReference con el parámetro inputs. En Azure ML Pipelines, un paso de canalización puede tomar la salida de otro paso o los objetos DataReference como entrada. Por lo tanto, al crear un HyperDriveStep, los parámetros inputs y outputs deben establecerse explícitamente, lo que invalida el parámetro inputs especificado en el objeto Estimator.

El procedimiento recomendado para trabajar con HyperDriveStep es usar una carpeta independiente para los scripts y los archivos dependientes asociados al paso, y especificar esa carpeta como el objeto del estimador source_directory. Por ejemplo, vea el parámetro source_directory de la clase TensorFlow. Si lo hace, tiene dos ventajas. En primer lugar, ayuda a reducir el tamaño de la instantánea creada para el paso porque solo se crea una instantánea de lo que se necesita para el paso. En segundo lugar, la salida del paso de una ejecución anterior se puede reutilizar si no hay ningún cambio en source_directory que desencadene una nueva carga de la instantánea.

En el ejemplo siguiente se muestra cómo usar HyperDriveStep en una canalización de Azure Machine Learning.


   metrics_output_name = 'metrics_output'
   metrics_data = PipelineData(name='metrics_data',
                               datastore=datastore,
                               pipeline_output_name=metrics_output_name,
                               training_output=TrainingOutput("Metrics"))

   model_output_name = 'model_output'
   saved_model = PipelineData(name='saved_model',
                               datastore=datastore,
                               pipeline_output_name=model_output_name,
                               training_output=TrainingOutput("Model",
                                                              model_file="outputs/model/saved_model.pb"))

   hd_step_name='hd_step01'
   hd_step = HyperDriveStep(
       name=hd_step_name,
       hyperdrive_config=hd_config,
       inputs=[data_folder],
       outputs=[metrics_data, saved_model])

El ejemplo completo está disponible en https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-parameter-tuning-with-hyperdrive.ipynb.

Métodos

create_node

Cree un nodo a partir del paso de HyperDrive y agregue al gráfico especificado.

No se debe llamar a este método directamente. Cuando se crea una instancia de una canalización con este paso, Azure ML pasa automáticamente los parámetros necesarios a través de este método para que ese paso se pueda agregar a un gráfico de canalización que represente el flujo de trabajo.

create_node

Cree un nodo a partir del paso de HyperDrive y agregue al gráfico especificado.

create_node(graph, default_datastore, context)

Parámetros

Nombre	Description
graph Requerido	Graph El objeto de grafo al que se agrega el nodo.
default_datastore Requerido	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] El almacén de datos predeterminado.
context Requerido	<xref:azureml.pipeline.core._GraphContext> El contexto del grafo.

Devoluciones

Tipo	Description
Node	El nodo creado.

Compartir a través de

HyperDriveStep Clase

Constructor

Parámetros

Comentarios

Métodos

create_node

Parámetros

Devoluciones

Comentarios

Recursos adicionales