MpiStep Classe

[Obrigatório] O nome do módulo.

[Obrigatório] Uma pasta que contém o script Python, o ambiente do Conda e outros recursos usados na etapa.

[Obrigatório] O nome de um script Python relativo a source_directory.

[Obrigatório] Uma lista de argumentos de linha de comando.

[Obrigatório] Um destino de computação a ser usado.

[Obrigatório] O número de nós no destino de computação usado para treinamento. Se for maior que 1, um trabalho distribuído de MPI executará. Apenas o destino de computação AmlCompute tem suporte para trabalhos distribuídos. Há suporte para os valores de PipelineParameter.

[Obrigatório] O número de processos por nó. Se for maior que 1, um trabalho distribuído de MPI executará. Apenas o destino de computação AmlCompute tem suporte para trabalhos distribuídos. Há suporte para os valores de PipelineParameter.

Uma lista de vinculações de porta de entrada.

Uma lista de vinculações de porta de saída.

Um dicionário de pares nome-valor registrados como variáveis de ambiente com "AML_PARAMETER_".

Indica se a etapa deve ou não reutilizar os resultados anteriores quando executada novamente com as mesmas configurações. A reutilização está habilitada por padrão. Se o conteúdo da etapa (scripts/dependências), as entradas e os parâmetros permanecerem inalterados, será reutilizada a saída da execução anterior dessa etapa. Ao reutilizar a etapa, em vez de enviar o trabalho para computação, os resultados da execução anterior serão disponibilizados imediatamente para etapas posteriores. Se você usar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada dependendo de ter havido ou não alteração da definição do conjunto de dados, não de ter havido alteração dos dados subjacentes.

Uma marca de versão opcional para denotar uma alteração na funcionalidade do módulo.

PRETERIDO: não é mais necessário.

Uma lista de caminhos para hash ao verificar alterações no conteúdo da etapa. Se não houver alterações detectadas, o pipeline reutilizará o conteúdo da etapa de uma execução anterior. Por padrão, o conteúdo de source_directory recebe o hash (exceto os arquivos listados em .amlignore ou .gitignore).

Indica se o ambiente para executar o experimento deve dar suporte a GPUs. Se True, uma imagem padrão do Docker baseada em GPU será usada no ambiente. Se False, uma imagem baseada em CPU será usada. As imagens do Docker (CPU ou GPU) padrão serão usadas somente se o parâmetro custom_docker_image não estiver definido. Essa configuração é usada apenas em destinos de computação habilitados para Docker.

Indica se o ambiente para executar o experimento deve ser baseado em Docker.

O nome da imagem do Docker a partir da qual a imagem a ser usada para treinamento será criada. Se não for definido, uma imagem padrão baseada em CPU será usada como imagem base.

Os detalhes do registro de imagem do Docker.

Indica se o Azure ML reutiliza um ambiente Python existente; False significa que o Azure ML criará um ambiente Python com base na especificação de dependências do conda.

Uma lista de cadeia de caracteres representando pacotes conda a serem adicionados ao ambiente do Python.

Uma lista de cadeia de caracteres representando pacotes pip a serem adicionados ao ambiente do Python.

O caminho relativo para o arquivo de texto de requisitos de pip. Esse parâmetro pode ser especificado em combinação com o parâmetro pip_packages.

A EnvironmentDefinition para o experimento. Inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente por meio de outros parâmetros para a construção MpiStep pode ser definida usando o parâmetro environment_definition. Se esse parâmetro for especificado, ele terá precedência sobre outros parâmetros relacionados ao ambiente, como use_gpu, custom_docker_image, conda_packages ou pip_packages e erros serão relatados nessas combinações inválidas.

[Obrigatório] O nome do módulo.

[Obrigatório] Uma pasta que contém o script Python, o ambiente do Conda e outros recursos usados na etapa.

[Obrigatório] O nome de um script Python relativo a source_directory.

[Obrigatório] Uma lista de argumentos de linha de comando.

[Obrigatório] Um destino de computação a ser usado.

[Obrigatório] Número de nós no destino de computação usado para treinamento. Se for maior que 1, o trabalho distribuído de mpi será executado. Apenas o destino de computação AmlCompute tem suporte para trabalhos distribuídos. Há suporte para os valores de PipelineParameter.

[Obrigatório] Número de processos por nó. Se for maior que 1, o trabalho distribuído de mpi será executado. Apenas o destino de computação AmlCompute tem suporte para trabalhos distribuídos. Há suporte para os valores de PipelineParameter.

Uma lista de vinculações de porta de entrada.

Uma lista de vinculações de porta de saída.

Um dicionário de pares nome-valor registrados como variáveis de ambiente com ">>AML_PARAMETER_<<".

Indica se a etapa deve reutilizar os resultados anteriores quando a nova execução com os mesmos parâmetros permanecer inalterada, a saída da execução anterior desta etapa será reutilizado. Ao reutilizar a etapa, em vez de enviar o trabalho para computação, os resultados da execução anterior serão disponibilizados imediatamente para etapas posteriores. Se você usar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada dependendo de ter havido ou não alteração na definição do conjunto de dados, não de ter havido alteração nos dados subjacentes.

Marca de versão opcional para indicar uma alteração na funcionalidade do módulo

PRETERIDO: não é mais necessário.

Uma lista de caminhos para hash ao verificar alterações no conteúdo da etapa. Se não houver alterações detectadas, o pipeline reutilizará o conteúdo da etapa de uma execução anterior. Por padrão, o conteúdo de source_directory recebe o hash (exceto os arquivos listados em .amlignore ou .gitignore).

Indica se o ambiente para executar o experimento deve dar suporte a GPUs. Se True, uma imagem padrão do Docker baseada em GPU será usada no ambiente. Se False, uma imagem baseada em CPU será usada. As imagens do Docker (CPU ou GPU) padrão serão usadas somente se o parâmetro custom_docker_image não estiver definido. Essa configuração é usada apenas em destinos de computação habilitados para Docker.

Indica se o ambiente para executar o experimento deve ser baseado em Docker. custom_docker_image (str): o nome da imagem do Docker da qual a imagem a ser usada para o trabalho mpi será criada. Se não é definido, uma imagem padrão baseada em CPU é usada como imagem base.

O nome da imagem do Docker a partir da qual a imagem a ser usada para treinamento será criada. Se não for definido, uma imagem padrão baseada em CPU será usada como imagem base.

Os detalhes do registro de imagem do Docker.

Indica se o Azure ML reutiliza um ambiente Python existente; False significa que o Azure ML criará um ambiente Python com base na especificação de dependências do conda.

Uma lista de cadeia de caracteres representando pacotes conda a serem adicionados ao ambiente do Python.

Uma lista de cadeia de caracteres representando pacotes pip a serem adicionados ao ambiente do Python.

O caminho relativo para o arquivo de texto de requisitos de pip. Esse parâmetro pode ser especificado em combinação com o parâmetro pip_packages.

A EnvironmentDefinition para o experimento. Inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente por meio de outros parâmetros para a construção MpiStep pode ser definida usando o parâmetro environment_definition. Se esse parâmetro for especificado, ele terá precedência sobre outros parâmetros relacionados ao ambiente, como use_gpu, custom_docker_image, conda_packages ou pip_packages e erros serão relatados nessas combinações inválidas.