ImageClassificationMultilabelJob Classe

  • Referência

Configuração para tarefa de Classificação de Imagens com várias etiquetas autoML.

Inicialize uma nova tarefa de Classificação de Imagens com várias etiquetas autoML.

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

Construtor

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

Parâmetros

primary_metric
Necessário

A métrica principal a utilizar para otimização

kwargs
Necessário

Argumentos específicos da tarefa

Métodos

dump

Captura o conteúdo da tarefa num ficheiro no formato YAML.
extend_search_space

Adicione espaço de Pesquisa para tarefas De Classificação de Imagens autoML e Classificação de Imagens Multilabel.
set_data
set_limits

Limite as definições para todos os Verticais de Imagem de AutoML.
set_sweep

Definições de varrimento para todos os Verticais de Imagem autoML.
set_training_parameters

Definir parâmetros de preparação de imagens para as tarefas AutoML Image Classification e Image Classification Multilabel.

dump

Captura o conteúdo da tarefa num ficheiro no formato YAML.

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

Parâmetros

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

O caminho local ou o fluxo de ficheiros no qual escrever o conteúdo YAML. Se dest for um caminho de ficheiro, será criado um novo ficheiro. Se dest for um ficheiro aberto, o ficheiro será escrito diretamente.

kwargs
dict

Argumentos adicionais a transmitir para o serializador YAML.

Exceções

FileExistsError

Gerado se dest for um caminho de ficheiro e o ficheiro já existir.

IOError

Gerado se dest for um ficheiro aberto e o ficheiro não for gravável.

extend_search_space

Adicione espaço de Pesquisa para tarefas De Classificação de Imagens autoML e Classificação de Imagens Multilabel.

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

Parâmetros

value
Union[ImageClassificationSearchSpace, List[ImageClassificationSearchSpace]]
Necessário

especificar uma instância de ImageClassificationSearchSpace ou uma lista de ImageClassificationSearchSpace para procurar no espaço de parâmetros

Exceções

FileExistsError

Gerado se dest for um caminho de ficheiro e o ficheiro já existir.

IOError

Gerado se dest for um ficheiro aberto e o ficheiro não for gravável.

set_data 

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

Exceções

FileExistsError

Gerado se dest for um caminho de ficheiro e o ficheiro já existir.

IOError

Gerado se dest for um ficheiro aberto e o ficheiro não for gravável.

set_limits

Limite as definições para todos os Verticais de Imagem de AutoML.

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

Parâmetros

timeout_minutes
timedelta

Tempo limite da tarefa de AutoML.

Exceções

FileExistsError

Gerado se dest for um caminho de ficheiro e o ficheiro já existir.

IOError

Gerado se dest for um ficheiro aberto e o ficheiro não for gravável.

set_sweep

Definições de varrimento para todos os Verticais de Imagem autoML.

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

Parâmetros

sampling_algorithm

Obrigatório. [Obrigatório] Tipo de algoritmos de amostragem de hiperparâmetros. Os valores possíveis incluem: "Grid", "Random", "Bayesian".

early_termination
Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]

Tipo de política de cessação antecipada.

Exceções

FileExistsError

Gerado se dest for um caminho de ficheiro e o ficheiro já existir.

IOError

Gerado se dest for um ficheiro aberto e o ficheiro não for gravável.

set_training_parameters

Definir parâmetros de preparação de imagens para as tarefas AutoML Image Classification e Image Classification 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

Parâmetros

advanced_settings
str

Definições para cenários avançados.

ams_gradient
bool

Ative o AMSGrad quando o otimizador for "adam" ou "adamw".

beta1
float

Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1].

beta2
float

Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1].

checkpoint_frequency
int

Frequência para armazenar pontos de verificação de modelos. Tem de ser um número inteiro positivo.

checkpoint_run_id
str

O ID de uma execução anterior que tem um ponto de verificação pré-preparado para preparação incremental.

distributed
bool

Se pretende utilizar a preparação distribuída.

early_stopping
bool

Ative a lógica de paragem antecipada durante a preparação.

early_stopping_delay
int

Número mínimo de épocas ou avaliações de validação a aguardar antes de a melhoria das métricas primárias ser controlada para paragem antecipada. Tem de ser um número inteiro positivo.

early_stopping_patience
int

Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes de a execução ser parada. Tem de ser um número inteiro positivo.

enable_onnx_normalization
bool

Ativar a normalização ao exportar o modelo ONNX.

evaluation_frequency
int

Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo.

gradient_accumulation_step
int

A acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem atualizar os pesos do modelo enquanto acumula as gradações desses passos e, em seguida, utilizar os gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.

layers_to_freeze

Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo. Por exemplo, transmitir 2 como valor para "seresnext" significa congelar camada0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long

learning_rate
float

Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1].

learning_rate_scheduler

Tipo de agendador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". Os valores possíveis incluem: "None", "WarmupCosine", "Step".

model_name

Nome do modelo a utilizar para preparação. Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum
float

Valor do impulso quando o otimizador é "sgd". Tem de ser um flutuante no intervalo [0, 1].

nesterov
bool

Ative o aninhado quando o otimizador é "sgd".

number_of_epochs
int

Número de épocas de preparação. Tem de ser um número inteiro positivo.

number_of_workers
int

Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo.

optimizer

Tipo de otimizador. Os valores possíveis incluem: "None", "Sgd", "Adam", "Adamw".

random_seed
int

Semente aleatória a utilizar ao utilizar a preparação determinista.

step_lr_gamma
float

Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1].

step_lr_step_size
int

Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo.

training_batch_size
int

Tamanho do lote de preparação. Tem de ser um número inteiro positivo.

validation_batch_size
int

Tamanho do lote de validação. Tem de ser um número inteiro positivo.

warmup_cosine_lr_cycles
float

Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1].

warmup_cosine_lr_warmup_epochs
int

Valor das épocas de aquecimento quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo.

weight_decay
float

Valor da decadência do peso quando o otimizador é "sgd", "adam" ou "adamw". Tem de ser um flutuante no intervalo[0, 1].

training_crop_size
int

Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de preparação. Tem de ser um número inteiro positivo.

validation_crop_size
int

Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de validação. Tem de ser um número inteiro positivo.

validation_resize_size
int

Tamanho da imagem para o qual redimensionar antes de recortar para o conjunto de dados de validação. Tem de ser um número inteiro positivo.

weighted_loss
int

Perda ponderada. Os valores aceites são 0 sem perda ponderada. 1 para perda ponderada com sqrt. (class_weights). 2 para perda ponderada com class_weights. Tem de ser 0 ou 1 ou 2.

Exceções

FileExistsError

Gerado se dest for um caminho de ficheiro e o ficheiro já existir.

IOError

Gerado se dest for um ficheiro aberto e o ficheiro não for gravável.

Atributos

base_path

O caminho base do recurso.

Devoluções

O caminho base do recurso.

Tipo de retorno

str

creation_context

O contexto de criação do recurso.

Devoluções

Os metadados de criação do recurso.

Tipo de retorno

Optional[SystemData]

id

O ID do recurso.

Devoluções

O ID global do recurso, um ID de Resource Manager do Azure (ARM).

Tipo de retorno

Optional[str]

inputs

limits

log_files

Ficheiros de saída da tarefa.

Devoluções

O dicionário de nomes de registo e URLs.

Tipo de retorno

Optional[Dict[str, str]]

log_verbosity

outputs

primary_metric

search_space

status

O estado da tarefa.

Os valores comuns devolvidos incluem "Em Execução", "Concluído" e "Com Falhas". Todos os valores possíveis são:

  • NotStarted - Este é um estado temporário em que os objetos Run do lado do cliente estão antes da submissão da cloud.

  • A iniciar – a Execução começou a ser processada na cloud. O autor da chamada tem um ID de execução neste momento.

  • Aprovisionamento – a computação a pedido está a ser criada para uma determinada submissão de trabalho.

  • Preparação – o ambiente de execução está a ser preparado e encontra-se numa de duas fases:

    • Compilação da imagem do Docker

    • configuração do ambiente conda

  • Em fila – a tarefa está em fila de espera no destino de computação. Por exemplo, no BatchAI, a tarefa está num estado em fila

    enquanto aguarda que todos os nós pedidos estejam prontos.

  • Em execução – a tarefa começou a ser executada no destino de computação.

  • Finalização – a execução do código do utilizador foi concluída e a execução encontra-se em fases de pós-processamento.

  • CancelRequested - Foi pedido o cancelamento para a tarefa.

  • Concluído – a execução foi concluída com êxito. Isto inclui a execução do código do utilizador e a execução

    fases de pós-processamento.

  • Falha – a execução falhou. Normalmente, a propriedade Error numa execução irá fornecer detalhes sobre o motivo.

  • Cancelado – segue um pedido de cancelamento e indica que a execução foi cancelada com êxito.

  • NotResponding – para execuções com Heartbeats ativados, não foi enviado nenhum heartbeat recentemente.

Devoluções

Estado da tarefa.

Tipo de retorno

Optional[str]

studio_url

Ponto final do Azure ML Studio.

Devoluções

O URL para a página de detalhes da tarefa.

Tipo de retorno

Optional[str]

sweep

task_type

Obter tipo de tarefa.

Devoluções

O tipo de tarefa a executar. Os valores possíveis incluem: "classification", "regression", "forecasting".

Tipo de retorno

str

test_data

Obter dados de teste.

Devoluções

Entrada de dados de teste

Tipo de retorno

Input

training_data

Obter dados de preparação.

Devoluções

Entrada de dados de preparação

Tipo de retorno

Input

training_parameters

type

O tipo de tarefa.

Devoluções

O tipo de tarefa.

Tipo de retorno

Optional[str]

validation_data

Obter dados de validação.

Devoluções

Entrada de dados de validação

Tipo de retorno

Input