TensorFlow Classe

Directory locale contenente i file di configurazione dell'esperimento.

Destinazione di calcolo in cui si verificherà il training. Può essere un oggetto o la stringa "local".

Dimensioni della macchina virtuale della destinazione di calcolo che verrà creata per il training. Valori supportati: qualsiasi dimensione della macchina virtuale di Azure.

Priorità della macchina virtuale della destinazione di calcolo che verrà creata per il training. Se non specificato, viene usato "dedicato".

Valori supportati:'dedicato' e 'lowpriority'.

Ciò ha effetto solo quando l'oggetto viene specificato nell'input vm_size param .

Percorso relativo del file contenente lo script di training.

Dizionario degli argomenti della riga di comando da passare allo script di training specificato in entry_script.

Numero di nodi nella destinazione di calcolo usata per il training. Solo la destinazione è supportata per il AmlCompute training distribuito (node_count> 1).

Quando si usa MPI, il numero di processi per nodo.

Quando si usa Parameter Server per il training distribuito, il numero di nodi di lavoro.

DEPRECATO. Specificare come parte del distributed_training parametro.

Quando si usa Parameter Server per il training distribuito, il numero di nodi del server dei parametri.

Back-end di comunicazione per il training distribuito.

DEPRECATO. Usare il distributed_training parametro .

Valori supportati: 'mpi' e 'ps'. 'mpi' rappresenta MPI/Horovod e 'ps' rappresenta il server dei parametri.

Questo parametro è necessario quando uno di node_count, process_count_per_node, worker_counto parameter_server_count> 1. Nel caso di 'ps', la somma di worker_count e parameter_server_count deve essere minore o uguale a node_count * (numero di CPU o GPU per nodo)

Quando node_count == 1 e process_count_per_node == 1, non verrà usato alcun back-end a meno che il back-end non sia impostato in modo esplicito. Solo la destinazione è supportata per il AmlCompute training distribuito.

Parametri per l'esecuzione di un processo di training distribuito.

Per l'esecuzione di un processo distribuito con il back-end di Parameter Server, usare l'oggetto ParameterServer per specificare worker_count e parameter_server_count. La somma dei worker_count parametri e parameter_server_count deve essere minore o uguale a node_count * (numero di CPU o GPU per nodo).

Per l'esecuzione di un processo distribuito con back-end MPI, usare l'oggetto Mpi per specificare process_count_per_node.

Specifica se l'ambiente da eseguire l'esperimento deve supportare GPU. Se true, nell'ambiente verrà usata un'immagine docker predefinita basata su GPU. Se false, verrà usata un'immagine basata sulla CPU. Le immagini docker predefinite (CPU o GPU) verranno usate solo se il custom_docker_image parametro non è impostato. Questa impostazione viene usata solo nelle destinazioni di calcolo abilitate per Docker.

Specifica se l'ambiente in cui eseguire l'esperimento deve essere basato su Docker.

Nome dell'immagine Docker da cui verrà compilata l'immagine da usare per il training.

DEPRECATO. Usare il custom_docker_image parametro .

In caso contrario, un'immagine basata sulla CPU predefinita verrà usata come immagine di base.

Nome dell'immagine Docker da cui verrà compilata l'immagine da usare per il training. In caso contrario, un'immagine basata sulla CPU predefinita verrà usata come immagine di base.

Dettagli del Registro immagini Docker.

Specifica se Azure ML riutilizza un ambiente Python esistente. Se false, Azure ML creerà un ambiente Python in base alla specifica delle dipendenze conda.

Elenco di stringhe che rappresentano pacchetti conda da aggiungere all'ambiente Python per l'esperimento.

Elenco di stringhe che rappresentano i pacchetti pip da aggiungere all'ambiente Python per l'esperimento.

Stringa che rappresenta il percorso relativo del file yaml delle dipendenze conda. Se specificato, Azure ML non installerà pacchetti correlati al framework. DEPRECATO. Usare il conda_dependencies_file parametro .

Stringa che rappresenta il percorso relativo del file di testo dei requisiti pip. Questa opzione può essere fornita in combinazione con il pip_packages parametro . DEPRECATO. Usare il pip_requirements_file parametro .

Stringa che rappresenta il percorso relativo del file yaml delle dipendenze conda. Se specificato, Azure ML non installerà pacchetti correlati al framework.

Stringa che rappresenta il percorso relativo del file di testo dei requisiti pip. Questa opzione può essere fornita in combinazione con il pip_packages parametro .

Dizionario dei nomi e dei valori delle variabili di ambiente. Queste variabili di ambiente vengono impostate nel processo in cui viene eseguito lo script utente.

Definizione dell'ambiente per l'esperimento. Include PythonSection, DockerSection e variabili di ambiente. Qualsiasi opzione di ambiente non esposta direttamente tramite altri parametri alla costruzione di Estimator può essere impostata usando questo parametro. Se questo parametro è specificato, avrà la precedenza su altri parametri correlati all'ambiente, ad esempio use_gpu, custom_docker_image, conda_packageso pip_packages. Gli errori verranno segnalati in queste combinazioni non valide.

Elenco di DataReference oggetti da DatasetConsumptionConfig usare come input.

Archivio dati di backup per la condivisione progetto.

Dimensioni del blocco di memoria condiviso del contenitore Docker. Se non è impostato, viene usato il azureml.core.environment._DEFAULT_SHM_SIZE predefinito. Per altre informazioni, vedere Informazioni di riferimento sull'esecuzione di Docker.

Percorso dati contenente i file di checkpoint o modello da cui riprendere l'esperimento.

Tempo massimo consentito per l'esecuzione. Azure ML tenterà di annullare automaticamente l'esecuzione se richiede più tempo di questo valore.

Versione di TensorFlow da usare per l'esecuzione del codice di training. Se non viene fornita alcuna versione, lo strumento di stima verrà impostato per impostazione predefinita sulla versione più recente supportata da Azure ML. Usare TensorFlow.get_supported_versions() per restituire un elenco per ottenere un elenco di tutte le versioni supportate dall'SDK di Azure ML corrente.

Directory locale contenente i file di configurazione dell'esperimento.

Destinazione di calcolo in cui verrà eseguito il training. Può trattarsi di un oggetto o della stringa "local".

Dimensioni della macchina virtuale della destinazione di calcolo che verrà creata per il training. Valori supportati: qualsiasi dimensione della macchina virtuale di Azure.

Priorità della macchina virtuale della destinazione di calcolo che verrà creata per il training. Se non specificato, viene utilizzato 'dedicated'.

Valori supportati:'dedicated' e 'lowpriority'.

Ciò diventa effettivo solo quando l'oggetto vm_size param è specificato nell'input.

Percorso relativo del file contenente lo script di training.

Dizionario di argomenti della riga di comando da passare allo script di training tne specificato in entry_script.

Numero di nodi nella destinazione di calcolo usata per il training. Solo la destinazione è supportata per il AmlCompute training distribuito (node_count> 1).

Quando si usa MPI, il numero di processi per nodo.

Quando si usa Il server dei parametri, il numero di nodi di lavoro.

DEPRECATO. Specificare come parte del distributed_training parametro .

Quando si usa Il server dei parametri, il numero di nodi del server dei parametri.

Back-end di comunicazione per il training distribuito.

DEPRECATO. Usare il distributed_training parametro .

Valori supportati: 'mpi' e 'ps'. 'mpi' rappresenta MPI/Horovod e 'ps' rappresenta il server dei parametri.

Questo parametro è obbligatorio quando uno qualsiasi di node_count, process_count_per_node, worker_counto parameter_server_count> 1. Nel caso di 'ps', la somma di worker_count e parameter_server_count deve essere minore o uguale a node_count * (numero di CPU o GPU per nodo)

Quando node_count == 1 e process_count_per_node == 1, non verrà usato alcun back-end a meno che il back-end non sia impostato in modo esplicito. Solo la destinazione è supportata per il AmlCompute training distribuito. è supportato per il training distribuito.

Parametri per l'esecuzione di un processo di training distribuito.

Per eseguire un processo distribuito con il back-end parameter server, usare l'oggetto ParameterServer per specificare worker_count e parameter_server_count. La somma dei worker_count parametri e parameter_server_count deve essere minore o uguale a node_count * (numero di CPU o GPU per nodo).

Per eseguire un processo distribuito con back-end MPI, usare l'oggetto Mpi per specificare process_count_per_node.

Specifica se l'ambiente per eseguire l'esperimento deve supportare GPU. Se true, nell'ambiente verrà usata un'immagine Docker predefinita basata su GPU. Se false, verrà usata un'immagine basata sulla CPU. Le immagini Docker predefinite (CPU o GPU) verranno usate solo se custom_docker_image il parametro non è impostato. Questa impostazione viene usata solo nelle destinazioni di calcolo abilitate per Docker.

Specifica se l'ambiente in cui eseguire l'esperimento deve essere basato su Docker.

Nome dell'immagine Docker da cui verrà compilata l'immagine da usare per il training.

DEPRECATO. Usare il custom_docker_image parametro .

Se non impostato, come immagine di base verrà usata un'immagine predefinita basata sulla CPU.

Nome dell'immagine Docker da cui verrà compilata l'immagine da usare per il training. Se non impostato, come immagine di base verrà usata un'immagine predefinita basata sulla CPU.

Dettagli del registro immagini Docker.

Specifica se Azure ML riutilizza un ambiente Python esistente. Se false, Azure ML creerà un ambiente Python in base alla specifica delle dipendenze conda.

Elenco di stringhe che rappresentano i pacchetti conda da aggiungere all'ambiente Python per l'esperimento.

Elenco di stringhe che rappresentano i pacchetti pip da aggiungere all'ambiente Python per l'esperimento.

Percorso relativo del file yaml delle dipendenze conda. Se specificato, Azure ML non installerà alcun pacchetto correlato al framework. DEPRECATO. Usare il conda_dependencies_file parametro .

Percorso relativo del file di testo dei requisiti pip. Questa opzione può essere fornita in combinazione con il pip_packages parametro . DEPRECATO. Usare il pip_requirements_file parametro .

Dizionario di nomi e valori delle variabili di ambiente. Queste variabili di ambiente vengono impostate nel processo in cui viene eseguito lo script utente.

Stringa che rappresenta il percorso relativo del file yaml delle dipendenze conda. Se specificato, Azure ML non installerà alcun pacchetto correlato al framework.

Percorso relativo del file di testo dei requisiti pip. Questa opzione può essere fornita in combinazione con il pip_packages parametro .

Dizionario di nomi e valori delle variabili di ambiente. Queste variabili di ambiente vengono impostate nel processo in cui viene eseguito lo script utente.

Definizione dell'ambiente per l'esperimento. Include PythonSection, DockerSection e variabili di ambiente. Qualsiasi opzione di ambiente non esposta direttamente tramite altri parametri alla costruzione di Estimator può essere impostata usando questo parametro. Se questo parametro viene specificato, avrà la precedenza su altri parametri correlati all'ambiente, ad esempio use_gpu, custom_docker_image, conda_packageso pip_packages. Gli errori verranno segnalati in queste combinazioni non valide.

Elenco di azureml.data.data_reference. Oggetti DataReference da usare come input.

Archivio dati di backup per la condivisione di progetto.

Dimensioni del blocco di memoria condivisa del contenitore Docker. Se non impostato, il valore predefinito è azureml.core.environment._DEFAULT_SHM_SIZE. Per ulteriori informazioni, vedere

Versione di TensorFlow da usare per l'esecuzione del codice di training. Se non viene fornita alcuna versione, per impostazione predefinita lo strumento di stima sarà la versione più recente supportata da Azure ML. Usare TensorFlow.get_supported_versions() per restituire un elenco per ottenere un elenco di tutte le versioni supportate dall'SDK di Azure ML corrente.

Abilitare la compilazione incrementale dell'ambiente con immagini del framework predefinite per una preparazione più rapida dell'ambiente. Un'immagine del framework predefinita è basata su immagini di base di CPU/GPU predefinite di Azure ML con dipendenze del framework preinstallate.

Disabilitare la convalida dello script prima dell'invio. Il valore predefinito è True.

Mostra avvisi di linting dello script. Il valore predefinito è False.

Mostra avvisi di convalida del pacchetto. Il valore predefinito è False.