TextClassificationMultilabelJob Classe

  • Référence

Configuration de la tâche multiétiquette de classification de texte AutoML.

Initialise une nouvelle tâche AutoML Text Classification Multilabel.

Héritage
azure.ai.ml.entities._job.automl.nlp.automl_nlp_job.AutoMLNLPJob
TextClassificationMultilabelJob

Constructeur

TextClassificationMultilabelJob(*, target_column_name: str | None = None, training_data: Input | None = None, validation_data: Input | None = None, primary_metric: str | None = None, log_verbosity: str | None = None, **kwargs)

Paramètres

target_column_name
Obligatoire

Nom de la colonne cible

training_data
Obligatoire

Données d’entraînement à utiliser pour l’entraînement

validation_data
Obligatoire

Données de validation à utiliser pour évaluer le modèle entraîné

primary_metric
Obligatoire

Métrique principale à afficher.

log_verbosity
Obligatoire

Niveau de détail du journal

kwargs
Obligatoire

Arguments spécifiques au travail

Méthodes

dump

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

Ajoutez (a) un ou plusieurs espaces de recherche pour ce travail AutoML NLP.
set_data
set_featurization
set_limits
set_sweep

Paramètres de balayage pour toutes les tâches NLP AutoML.
set_training_parameters

Corrigez certains paramètres d’entraînement tout au long de la procédure d’entraînement pour tous les candidats.

Passer. Il doit s’agir d’un entier positif. :mot clé learning_rate : taux d’apprentissage initial. Doit être un float in (0, 1). :mot clé learning_rate_scheduler : type de planificateur de taux d’apprentissage. Vous devez choisir parmi « linéaire », « cosinus », « cosine_with_restarts », « polynomial », « constante » et « constant_with_warmup ». :mot clé model_name : nom du modèle à utiliser pendant l’entraînement. Doit choisir parmi 'bert-base-cased', 'bert-base-uncased', 'bert-base-multilingual-cased', 'bert-base-german-cased', 'bert-large-cased', 'bert-large-uncased', 'distilbert-base-cased', 'distilbert-base-uncased', 'roberta-base', 'roberta-large', 'distilroberta-base', 'xlm-roberta-base', 'xlm-roberta-large', xlnet-base-cased' et 'xlnet-large-cased'. :mot clé number_of_epochs : nombre d’époques avec laquelle effectuer l’apprentissage. Cette valeur doit être un entier positif. :mot clé training_batch_size : taille du lot pendant l’entraînement. Cette valeur doit être un entier positif. :mot clé validation_batch_size : taille du lot pendant la validation. Cette valeur doit être un entier positif. :mot clé warmup_ratio : ratio des étapes d’entraînement totales utilisées pour un préchauffement linéaire de 0 à learning_rate. Doit être un float dans [0, 1]. :mot clé weight_decay : valeur de la décomposition de poids lorsque l’optimiseur est sgd, adam ou adamw. Il doit s’agir d’un float dans la plage [0, 1]. :return : Aucun.

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 (a) un ou plusieurs espaces de recherche pour ce travail AutoML NLP.

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

Paramètres

value
Union[SearchSpace, List[SearchSpace]]
Obligatoire

objet SearchSpace ou liste d’objets SearchSpace avec des paramètres spécifiques au nlp.

Retours

Aucun.

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

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_featurization 

set_featurization(*, dataset_language: str | 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 

set_limits(*, max_trials: int = 1, max_concurrent_trials: int = 1, max_nodes: int = 1, timeout_minutes: int | None = None, trial_timeout_minutes: int | 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_sweep

Paramètres de balayage pour toutes les tâches NLP AutoML.

set_sweep(*, sampling_algorithm: str | SamplingAlgorithmType, early_termination: EarlyTerminationPolicy | None = None)

Paramètres

sampling_algorithm

Obligatoire. Spécifie le type d’algorithme d’échantillonnage des hyperparamètres. Les valeurs possibles sont les suivantes : « Grid », « Random » et « Bayésian ».

early_termination

Politique facultative d’arrêt anticipé pour mettre fin aux candidats à la formation peu performants.

Retours

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_training_parameters

Corrigez certains paramètres d’entraînement tout au long de la procédure d’entraînement pour tous les candidats.

Passer. Il doit s’agir d’un entier positif. :mot clé learning_rate : taux d’apprentissage initial. Doit être un float in (0, 1). :mot clé learning_rate_scheduler : type de planificateur de taux d’apprentissage. Vous devez choisir parmi « linéaire », « cosinus », « cosine_with_restarts », « polynomial », « constante » et « constant_with_warmup ». :mot clé model_name : nom du modèle à utiliser pendant l’entraînement. Doit choisir parmi 'bert-base-cased', 'bert-base-uncased', 'bert-base-multilingual-cased', 'bert-base-german-cased', 'bert-large-cased', 'bert-large-uncased', 'distilbert-base-cased', 'distilbert-base-uncased', 'roberta-base', 'roberta-large', 'distilroberta-base', 'xlm-roberta-base', 'xlm-roberta-large', xlnet-base-cased' et 'xlnet-large-cased'. :mot clé number_of_epochs : nombre d’époques avec laquelle effectuer l’apprentissage. Cette valeur doit être un entier positif. :mot clé training_batch_size : taille du lot pendant l’entraînement. Cette valeur doit être un entier positif. :mot clé validation_batch_size : taille du lot pendant la validation. Cette valeur doit être un entier positif. :mot clé warmup_ratio : ratio des étapes d’entraînement totales utilisées pour un préchauffement linéaire de 0 à learning_rate. Doit être un float dans [0, 1]. :mot clé weight_decay : valeur de la décomposition de poids lorsque l’optimiseur est sgd, adam ou adamw. Il doit s’agir d’un float dans la plage [0, 1]. :return : Aucun.

set_training_parameters(*, gradient_accumulation_steps: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: str | NlpLearningRateScheduler | None = None, model_name: str | None = None, number_of_epochs: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_ratio: float | None = None, weight_decay: float | None = None) -> None

Paramètres

gradient_accumulation_steps

nombre d’étapes sur lesquelles accumuler des dégradés avant un retour

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 de base de la ressource.

Retours

Chemin de base de la ressource.

Type de retour

str

creation_context

Contexte de création de la ressource.

Retours

Métadonnées de création de la ressource.

Type de retour

Optional[SystemData]

featurization

id

ID de la ressource.

Retours

L’ID global de la ressource, un 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 les objets Run côté client se trouvent avant la soumission au 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.

  • 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 phases 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 du code utilisateur et l’exécution

    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 de 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’apprentissage

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