ImageClassificationMultilabelJob Classe

  • Référence

Configuration pour le travail de classification d’images multi-étiquettes AutoML.

Initialisez un nouveau travail de classification d’images multi-étiquettes AutoML.

Héritage
azure.ai.ml.entities._job.automl.image.automl_image_classification_base.AutoMLImageClassificationBase
ImageClassificationMultilabelJob

Constructeur

ImageClassificationMultilabelJob(*, primary_metric: str | ClassificationMultilabelPrimaryMetrics | None = None, **kwargs)

Paramètres

primary_metric
Obligatoire

Métrique principale à utiliser pour l’optimisation

kwargs
Obligatoire

Arguments spécifiques au travail

Méthodes

dump

Vide le contenu du travail dans un fichier au format YAML.
extend_search_space

Ajoutez un espace de recherche pour les tâches AutoML Image Classification et Classification d’images Multilabel.
set_data
set_limits

Paramètres de limite pour toutes les verticales d’images AutoML.
set_sweep

Paramètres de balayage pour toutes les verticales d’image AutoML.
set_training_parameters

Définition des paramètres d’entraînement d’image pour les tâches AutoML Image Classification et Classification d’images Multilabel.

dump

Vide le contenu du travail dans un fichier au format YAML.

dump(dest: str | PathLike | IO, **kwargs) -> None

Paramètres

dest
Union[<xref:PathLike>, str, IO[AnyStr]]
Obligatoire

Chemin d’accès local ou flux de fichiers dans lequel écrire le contenu YAML. Si dest est un chemin de fichier, un nouveau fichier est créé. Si dest est un fichier ouvert, le fichier est écrit directement dans.

kwargs
dict

Arguments supplémentaires à passer au sérialiseur YAML.

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

extend_search_space

Ajoutez un espace de recherche pour les tâches AutoML Image Classification et Classification d’images Multilabel.

extend_search_space(value: SearchSpace | List[SearchSpace]) -> None

Paramètres

value
Union[ImageClassificationSearchSpace, List[ImageClassificationSearchSpace]]
Obligatoire

spécifier une instance d’ImageClassificationSearchSpace ou une liste d’ImageClassificationSearchSpace pour la recherche dans l’espace de paramètre

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

set_data 

set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

set_limits

Paramètres de limite pour toutes les verticales d’images AutoML.

set_limits(*, max_concurrent_trials: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None) -> None

Paramètres

timeout_minutes
timedelta

Délai d’expiration du travail AutoML.

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

set_sweep

Paramètres de balayage pour toutes les verticales d’image AutoML.

set_sweep(*, sampling_algorithm: str | Random | Grid | Bayesian, early_termination: BanditPolicy | MedianStoppingPolicy | TruncationSelectionPolicy | None = None) -> None

Paramètres

sampling_algorithm

Obligatoire. [Obligatoire] Type des algorithmes d’échantillonnage des hyperparamètres. Les valeurs possibles incluent : « Grid », « Random », « Bayésian ».

early_termination
Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]

Type de stratégie de résiliation anticipée.

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

set_training_parameters

Définition des paramètres d’entraînement d’image pour les tâches AutoML Image Classification et Classification d’images Multilabel.

set_training_parameters(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: str | LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: str | StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, training_crop_size: int | None = None, validation_crop_size: int | None = None, validation_resize_size: int | None = None, weighted_loss: int | None = None) -> None

Paramètres

advanced_settings
str

Paramètres pour les scénarios avancés.

ams_gradient
bool

Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».

beta1
float

Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].

beta2
float

Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].

checkpoint_frequency
int

Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif.

checkpoint_run_id
str

ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel.

distributed
bool

Indique s’il faut utiliser l’entraînement distribué.

early_stopping
bool

Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement.

early_stopping_delay
int

Nombre minimal d’époques ou d’évaluations de validation à attendre avant que l’amélioration des métriques primaires soit suivie d’un arrêt précoce. Cette valeur doit être un entier positif.

early_stopping_patience
int

Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’arrêt de l’exécution. Cette valeur doit être un entier positif.

enable_onnx_normalization
bool

Activez la normalisation lors de l’exportation du modèle ONNX.

evaluation_frequency
int

Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif.

gradient_accumulation_step
int

L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les dégradés accumulés pour calculer les mises à jour de pondération. Cette valeur doit être un entier positif.

layers_to_freeze

Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, passer 2 comme valeur pour « seresnext » signifie geler les couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, consultez : https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint : disable=line-too-long

learning_rate
float

Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1].

learning_rate_scheduler

Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ». Les valeurs possibles sont les suivantes : « None », « WarmupCosine », « Step ».

model_name

Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum
float

Valeur de momentum lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1].

nesterov
bool

Activez nesterov lorsque l’optimiseur est « sgd ».

number_of_epochs
int

Nombre d’époques d’entraînement. Cette valeur doit être un entier positif.

number_of_workers
int

Nombre de workers du chargeur de données. Doit être un entier non négatif.

optimizer

Type d’optimiseur. Les valeurs possibles sont les suivantes : « None », « Sgd », « Adam », « Adamw ».

random_seed
int

Valeur de départ aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.

step_lr_gamma
float

Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1].

step_lr_step_size
int

Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Cette valeur doit être un entier positif.

training_batch_size
int

Taille du lot d’entraînement. Cette valeur doit être un entier positif.

validation_batch_size
int

Taille du lot de validation. Cette valeur doit être un entier positif.

warmup_cosine_lr_cycles
float

Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1].

warmup_cosine_lr_warmup_epochs
int

Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif.

weight_decay
float

Valeur de la décroissance de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].

training_crop_size
int

Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données d’entraînement. Cette valeur doit être un entier positif.

validation_crop_size
int

Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Cette valeur doit être un entier positif.

validation_resize_size
int

Taille d’image à laquelle redimensionner avant le rognage du jeu de données de validation. Cette valeur doit être un entier positif.

weighted_loss
int

Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte de poids avec sqrt. (class_weights). 2 pour une perte de poids avec class_weights. Doit être 0 ou 1 ou 2.

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

Attributs

base_path

Chemin d’accès de base de la ressource.

Retours

Chemin d’accès de base de la ressource.

Type de retour

str

creation_context

Contexte de création de la ressource.

Retours

Métadonnées de création pour la ressource.

Type de retour

Optional[SystemData]

id

ID de la ressource.

Retours

ID global de la ressource, id Azure Resource Manager (ARM).

Type de retour

Optional[str]

inputs

limits

log_files

Fichiers de sortie de travail.

Retours

Dictionnaire des noms de journaux et des URL.

Type de retour

Optional[Dict[str, str]]

log_verbosity

outputs

primary_metric

search_space

status

État du travail.

Les valeurs courantes retournées sont « Exécution en cours (Running) », « Terminé (Finished) » et « Échec (Failed) ». Toutes les valeurs possibles sont les suivantes :

  • NotStarted : il s’agit d’un état temporaire dans lequel se trouvent les objets Run côté client avant la soumission cloud.

  • Démarrage : l’exécution a commencé à être traitée dans le cloud. L’appelant a un ID d’exécution à ce stade.

  • Approvisionnement : le calcul à la demande est en cours de création pour une soumission de travail donnée.

  • Préparation : l’environnement d’exécution est en cours de préparation et se trouve dans l’une des deux étapes suivantes :

    • Build d’image Docker

    • Configuration de l’environnement Conda

  • Mis en file d’attente : le travail est mis en file d’attente sur la cible de calcul. Par exemple, dans BatchAI, le travail est dans un état mis en file d’attente

    en attendant que tous les nœuds demandés soient prêts.

  • En cours d’exécution : le travail a commencé à s’exécuter sur la cible de calcul.

  • Finalisation : l’exécution du code utilisateur est terminée et l’exécution est en phase de post-traitement.

  • CancelRequested : l’annulation a été demandée pour le travail.

  • Terminé : l’exécution s’est terminée avec succès. Cela inclut à la fois l’exécution et l’exécution du code utilisateur

    Étapes de post-traitement.

  • Failed (Échec) : l’exécution a échoué. En règle générale, la propriété Error d’une exécution fournit des détails sur la raison de l’échec.

  • Annulé : suit une demande d’annulation et indique que l’exécution a bien été annulée.

  • NotResponding : pour les exécutions pour lesquelles des pulsations sont activées, aucune pulsation n’a été envoyée récemment.

Retours

État du travail.

Type de retour

Optional[str]

studio_url

Point de terminaison Azure ML Studio.

Retours

URL de la page des détails du travail.

Type de retour

Optional[str]

sweep

task_type

Obtenir le type de tâche.

Retours

Type de tâche à exécuter. Les valeurs possibles sont les suivantes : « classification », « régression », « forecasting ».

Type de retour

str

test_data

Obtenir des données de test.

Retours

Entrée de données de test

Type de retour

Input

training_data

Obtenir des données d’entraînement.

Retours

Entrée de données d’entraînement

Type de retour

Input

training_parameters

type

Type du travail.

Retours

Type du travail.

Type de retour

Optional[str]

validation_data

Obtenir des données de validation.

Retours

Entrée de données de validation

Type de retour

Input