Modeli hiper parametre ayarlama (v2)

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)Python SDK azure-ai-ml v2 (geçerli)

SweepJob türü aracılığıyla Azure Machine Learning SDK v2 ve CLI v2 kullanarak verimli hiper parametre ayarlamayı otomatikleştirin.

1. Deneme sürümünüz için parametre arama alanını tanımlama
2. Süpürme işiniz için örnekleme algoritmasını belirtme
3. İyileştireceğiniz hedefi belirtin
4. Düşük performanslı işler için erken sonlandırma ilkesi belirtme
5. Süpürme işi için sınırları tanımlama
6. Tanımlı yapılandırmayla deneme başlatma
7. Eğitim işlerini görselleştirme
8. Modeliniz için en iyi yapılandırmayı seçin

Hiper parametre ayarlama nedir?

Hiper parametreler , model eğitim sürecini denetlemenize olanak sağlayan ayarlanabilir parametrelerdir. Örneğin sinir ağları ile gizli katman sayısına ve her katmandaki düğüm sayısına siz karar verirsiniz. Model performansı büyük ölçüde hiper parametrelere bağlıdır.

Hiper parametre iyileştirmesi olarak da adlandırılan hiper parametre ayarlaması, en iyi performansa neden olan hiper parametre yapılandırmasını bulma işlemidir. İşlem genellikle işlem açısından pahalı ve el ile gerçekleştirilir.

Azure Machine Learning, hiper parametreleri verimli bir şekilde iyileştirmek için hiper parametre ayarlamasını otomatikleştirmenize ve denemeleri paralel olarak çalıştırmanıza olanak tanır.

Arama alanını tanımlama

Her hiper parametre için tanımlanan değer aralığını keşfederek hiper parametreleri ayarlayın.

Hiper parametreler ayrık veya sürekli olabilir ve parametre ifadesi tarafından açıklanan değerlerin dağılımına sahiptir.

Ayrık hiper parametreler

Ayrık hiper parametreler, ayrık değerler arasında belirtilir Choice . Choice şu olabilir:

• bir veya daha fazla virgülle ayrılmış değer
• nesne range
• herhangi bir rastgele list nesne

from azure.ai.ml.sweep import Choice

command_job_for_sweep = command_job(
    batch_size=Choice(values=[16, 32, 64, 128]),
    number_of_hidden_layers=Choice(values=range(1,5)),
)

Bu durumda, [16, batch_size 32, 64, 128] değerlerinden biri ve number_of_hidden_layers [1, 2, 3, 4] değerlerinden birini alır.

Aşağıdaki gelişmiş ayrık hiper parametreler bir dağıtım kullanılarak da belirtilebilir:

• QUniform(min_value, max_value, q) - Round(Uniform(min_value, max_value) / q) * q gibi bir değer döndürür
• QLogUniform(min_value, max_value, q) - Round(exp(Uniform(min_value, max_value)) / q) * q gibi bir değer döndürür
• QNormal(mu, sigma, q) - Round(Normal(mu, sigma) / q) * q gibi bir değer verir
• QLogNormal(mu, sigma, q) - Round(exp(Normal(mu, sigma)) / q) * q gibi bir değer verir

Sürekli hiper parametreler

Sürekli hiper parametreler, sürekli bir değer aralığı üzerinden bir dağıtım olarak belirtilir:

• Uniform(min_value, max_value) - min_value ile max_value arasında tekdüzen dağıtılmış bir değer döndürür
• LogUniform(min_value, max_value) - Dönüş değerinin logaritmasının tekdüzen olarak dağıtıldığı exp(Uniform(min_value, max_value)) değerine göre çizilmiş bir değer döndürür
• Normal(mu, sigma) - Normal olarak ortalama mu ve standart sapma sigması ile dağıtılmış gerçek bir değer döndürür
• LogNormal(mu, sigma) - Dönüş değerinin logaritması normal olarak dağıtılırken exp(Normal(mu, sigma)) değerine göre çizilen bir değer döndürür

Parametre alanı tanımı örneği:

from azure.ai.ml.sweep import Normal, Uniform

command_job_for_sweep = command_job(   
    learning_rate=Normal(mu=10, sigma=3),
    keep_probability=Uniform(min_value=0.05, max_value=0.1),
)

Bu kod iki parametreye sahip bir arama alanı tanımlar: learning_rate ve keep_probability. learning_rate ortalama değeri 10 ve standart sapması 3 olan normal bir dağılıma sahiptir. keep_probability en az 0,05 ve en yüksek değer 0,1 olan tekdüzen bir dağılıma sahiptir.

CLI için, YAML'nizdeki arama alanını tanımlamak için süpürme işi YAML şemasını kullanabilirsiniz:

    search_space:
        conv_size:
            type: choice
            values: [2, 5, 7]
        dropout_rate:
            type: uniform
            min_value: 0.1
            max_value: 0.2

Hiper parametre alanını örnekleme

Hiper parametre alanı üzerinden kullanılacak parametre örnekleme yöntemini belirtin. Azure Machine Learning aşağıdaki yöntemleri destekler:

• Rastgele örnekleme
• Kılavuz örnekleme
• Bayes örneklemesi

Rastgele örnekleme

Rastgele örnekleme, ayrık ve sürekli hiper parametreleri destekler. Düşük performanslı işlerin erken sonlandırılmasına destek olur. Bazı kullanıcılar rastgele örneklemeyle ilk aramayı yapar ve ardından sonuçları geliştirmek için arama alanını iyileştirir.

Rastgele örneklemede hiper parametre değerleri tanımlı arama alanından rastgele seçilir. Komut işinizi oluşturduktan sonra süpürme parametresini kullanarak örnekleme algoritmasını tanımlayabilirsiniz.

from azure.ai.ml.sweep import Normal, Uniform, RandomParameterSampling

command_job_for_sweep = command_job(   
    learning_rate=Normal(mu=10, sigma=3),
    keep_probability=Uniform(min_value=0.05, max_value=0.1),
    batch_size=Choice(values=[16, 32, 64, 128]),
)

sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm = "random",
    ...
)

Sobol

Sobol, süpürme işi türleri tarafından desteklenen rastgele örnekleme türüdür. Sobol kullanarak sonuçlarınızı tohum kullanarak yeniden oluşturabilir ve arama alanı dağılımını daha eşit şekilde kaplayabilirsiniz.

Sobol kullanmak için, aşağıdaki örnekte gösterildiği gibi tohum ve kuralı eklemek için RandomParameterSampling sınıfını kullanın.

from azure.ai.ml.sweep import RandomParameterSampling

sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm = RandomParameterSampling(seed=123, rule="sobol"),
    ...
)

Kılavuz örnekleme

Kılavuz örneklemesi ayrı hiper parametreleri destekler. Arama alanında kapsamlı arama yapmak için bütçe ayırabiliyorsanız kılavuz örneklemeyi kullanın. Düşük performanslı işlerin erken sonlandırılmasına destek sağlar.

Kılavuz örnekleme, tüm olası değerler üzerinde basit bir kılavuz araması yapar. Kılavuz örneklemesi yalnızca hiper parametrelerle choice kullanılabilir. Örneğin, aşağıdaki alanda altı örnek vardır:

from azure.ai.ml.sweep import Choice

command_job_for_sweep = command_job(
    batch_size=Choice(values=[16, 32]),
    number_of_hidden_layers=Choice(values=[1,2,3]),
)

sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm = "grid",
    ...
)

Bayes örneklemesi

Bayes örneklemesi, Bayes iyileştirme algoritmasını temel alır. Yeni örneklerin birincil ölçümü geliştirmesi için önceki örneklerin yaptıklarına göre örnekleri seçer.

Hiper parametre alanını keşfetmek için yeterli bütçeniz varsa Bayes örneklemesi önerilir. En iyi sonuçları elde etmek için, ayarlanmış hiper parametre sayısının 20 katı veya daha fazla iş olmasını öneririz.

Eş zamanlı iş sayısı, ayarlama işleminin etkililiğini etkiler. Daha az sayıda eş zamanlı iş daha iyi örnekleme yakınsamasına yol açabilir, çünkü paralellik derecesi daha az olduğundan, daha önce tamamlanan işlerden yararlanan iş sayısı artar.

Bayes örneklemesi yalnızca arama alanı üzerinde , uniformve quniform dağıtımlarını desteklerchoice.

from azure.ai.ml.sweep import Uniform, Choice

command_job_for_sweep = command_job(   
    learning_rate=Uniform(min_value=0.05, max_value=0.1),
    batch_size=Choice(values=[16, 32, 64, 128]),
)

sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm = "bayesian",
    ...
)

Süpürme işleminin amacını belirtin

Hiper parametre ayarlamasının iyileştirmesini istediğiniz birincil ölçümü ve hedefi belirterek süpürme işinizin amacını tanımlayın. Her eğitim işi birincil ölçüm için değerlendirilir. Erken sonlandırma ilkesi, düşük performanslı işleri tanımlamak için birincil ölçümü kullanır.

• primary_metric: Birincil ölçümün adının eğitim betiği tarafından günlüğe kaydedilen ölçümün adıyla tam olarak eşleşmesi gerekir
• goal: ya da Maximize Minimize olabilir ve işleri değerlendirirken birincil ölçümün en üst düzeye çıkarılıp büyütülmeyeceğini veya simge durumuna küçültüleceğini belirler.

from azure.ai.ml.sweep import Uniform, Choice

command_job_for_sweep = command_job(   
    learning_rate=Uniform(min_value=0.05, max_value=0.1),
    batch_size=Choice(values=[16, 32, 64, 128]),
)

sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm = "bayesian",
    primary_metric="accuracy",
    goal="Maximize",
)

Bu örnek "doğruluğu" en üst düzeye çıkarır.

Hiper parametre ayarlama için günlük ölçümleri

Modelinizin eğitim betiği, sweepjob'un hiper parametre ayarlaması için modele erişebilmesi için model eğitimi sırasında birincil ölçümü ilgili ölçüm adını kullanarak günlüğe kaydetmelidir.

Eğitim betiğinizdeki birincil ölçümü aşağıdaki örnek kod parçacığıyla günlüğe alın:

import mlflow
mlflow.log_metric("accuracy", float(val_accuracy))

Eğitim betiği, öğesini hesaplar val_accuracy ve birincil ölçüm "doğruluk" olarak günlüğe kaydeder. Ölçüm her günlüğe kaydedilişinde hiper parametre ayarlama hizmeti tarafından alınır. Raporlama sıklığını belirlemek size bağlıdır.

Eğitim işlerinin günlük değerleri hakkında daha fazla bilgi için bkz . Azure Machine Learning eğitim işlerinde günlüğe kaydetmeyi etkinleştirme.

Erken sonlandırma ilkesini belirtme

Kötü performans gösteren işleri otomatik olarak erken sonlandırma ilkesiyle sonlandır. Erken sonlandırma işlem verimliliğini artırır.

İlkenin ne zaman uygulanacağını denetleyebilen aşağıdaki parametreleri yapılandırabilirsiniz:

• evaluation_interval: ilkenin uygulanma sıklığı. Eğitim betiği her günlüğe kaydedişinde birincil ölçüm tek aralık olarak sayılır. 1'inden biri evaluation_interval , eğitim betiği birincil ölçümü her bildirişinde ilkeyi uygular. İlkeyi evaluation_interval her seferinde 2'nin biri uygular. Belirtilmezse, evaluation_interval varsayılan olarak 0 olarak ayarlanır.
• delay_evaluation: belirtilen aralık sayısı için ilk ilke değerlendirmesini geciktirir. Bu, tüm yapılandırmaların en az sayıda aralıkla çalışmasına izin vererek eğitim işlerinin erken sonlandırılmasını önleyen isteğe bağlı bir parametredir. Belirtilirse, ilke delay_evaluation'den büyük veya buna eşit evaluation_interval her katını uygular. Belirtilmezse, delay_evaluation varsayılan olarak 0 olarak ayarlanır.

Azure Machine Learning aşağıdaki erken sonlandırma ilkelerini destekler:

• Eşkıya ilkesi
• Ortanca durdurma ilkesi
• Kesme seçimi ilkesi
• Sonlandırma ilkesi yok

Eşkıya ilkesi

Eşkıya ilkesi slack faktörünü/bolluk miktarını ve değerlendirme aralığını temel alır. Eşkıya ilkesi, birincil ölçüm en başarılı işin belirtilen slack faktörü/bolluk miktarı içinde olmadığında işi sonlandırır.

Aşağıdaki yapılandırma parametrelerini belirtin:

• slack_factor veya slack_amount: En iyi performans gösteren eğitim işiyle ilgili olarak izin verilen bolluk. slack_factor oran olarak izin verilebilen bolluğu belirtir. slack_amount izin verilebilen bolluğu oran yerine mutlak bir miktar olarak belirtir.

  Örneğin, 10 aralıkta uygulanan bir Eşkıya ilkesini göz önünde bulundurun. 10 aralıkta en iyi performans gösteren işin birincil ölçümü en üst düzeye çıkarma hedefiyle 0,8 olduğunu varsayalım. İlke 0,2'yi belirtirse slack_factor , 10 aralığındaki en iyi ölçümü 0,66'dan (0,8/(1+slack_factor)) küçük olan tüm eğitim işleri sonlandırılır.

• evaluation_interval: (isteğe bağlı) ilkeyi uygulama sıklığı

• delay_evaluation: (isteğe bağlı) belirtilen aralık sayısı için ilk ilke değerlendirmesini geciktirir

from azure.ai.ml.sweep import BanditPolicy
sweep_job.early_termination = BanditPolicy(slack_factor = 0.1, delay_evaluation = 5, evaluation_interval = 1)

Bu örnekte, erken sonlandırma ilkesi ölçümler raporlandığında her aralıkta uygulanır ve değerlendirme aralığı 5'den başlar. En iyi ölçüm (1/(1+0,1) veya en iyi performans gösteren işlerin %91'inden küçük olan tüm işler sonlandırılır.

Ortanca durdurma ilkesi

Ortanca durdurma , işler tarafından bildirilen birincil ölçümlerin çalışan ortalamalarını temel alan bir erken sonlandırma ilkesidir. Bu ilke, tüm eğitim işlerinde çalışan ortalamaları hesaplar ve birincil ölçüm değeri ortalamaların ortanca değerinden daha kötü olan işleri durdurur.

Bu ilke aşağıdaki yapılandırma parametrelerini alır:

• evaluation_interval: ilkeyi uygulama sıklığı (isteğe bağlı parametre).
• delay_evaluation: belirtilen aralık sayısı (isteğe bağlı parametre) için ilk ilke değerlendirmesini geciktirir.

from azure.ai.ml.sweep import MedianStoppingPolicy
sweep_job.early_termination = MedianStoppingPolicy(delay_evaluation = 5, evaluation_interval = 1)

Bu örnekte erken sonlandırma ilkesi, 5 değerlendirme aralığından başlayarak her aralıkta uygulanır. En iyi birincil ölçümü tüm eğitim işlerinde 1:5 aralıklarıyla çalışan ortalamaların ortanca değerinden daha kötüyse, iş 5 aralığında durdurulur.

Kesme seçimi ilkesi

Kesme seçimi , her değerlendirme aralığında en düşük performans gösteren işlerin yüzdesini iptal eder. İşler birincil ölçüm kullanılarak karşılaştırılır.

Bu ilke aşağıdaki yapılandırma parametrelerini alır:

• truncation_percentage: her değerlendirme aralığında sonlandırılması gereken en düşük performanslı işlerin yüzdesi. 1 ile 99 arasında bir tamsayı değeri.
• evaluation_interval: (isteğe bağlı) ilkeyi uygulama sıklığı
• delay_evaluation: (isteğe bağlı) belirtilen aralık sayısı için ilk ilke değerlendirmesini geciktirir
• exclude_finished_jobs: ilkeyi uygularken tamamlanmış işlerin dışlanıp dışlanmayacağını belirtir

from azure.ai.ml.sweep import TruncationSelectionPolicy
sweep_job.early_termination = TruncationSelectionPolicy(evaluation_interval=1, truncation_percentage=20, delay_evaluation=5, exclude_finished_jobs=true)

Bu örnekte erken sonlandırma ilkesi, 5 değerlendirme aralığından başlayarak her aralıkta uygulanır. bir iş, 5 aralığındaki performansı 5 aralığındaki tüm işlerin performansının en düşük %20'sindeyse 5 aralığında sonlandırılır ve ilke uygulanırken tamamlanmış işleri dışlar.

Sonlandırma ilkesi yok (varsayılan)

İlke belirtilmezse, hiper parametre ayarlama hizmeti tüm eğitim işlerinin tamamlanmak üzere yürütülmesini sağlar.

sweep_job.early_termination = None

Erken sonlandırma ilkesi seçme

• Gelecek vaat eden işleri sonlandırmadan tasarruf sağlayan muhafazakar bir ilke için 1 ve delay_evaluation 5 ile evaluation_interval Ortanca Durdurma İlkesi'ni göz önünde bulundurun. Bunlar, birincil ölçümde (değerlendirme verilerimize göre) hiçbir kayıp olmadan yaklaşık %25-35 tasarruf sağlayabilen muhafazakar ayarlardır.
• Daha agresif tasarruflar için izin verilebilen daha küçük bir bolluk ile Eşkıya İlkesi'ni veya daha büyük kesme yüzdesine sahip Kesme Seçim İlkesi'ni kullanın.

Süpürme işiniz için sınırlar belirleme

Süpürme işiniz için sınırlar belirleyerek kaynak bütçenizi denetleyin.

• max_total_trials: Deneme işi sayısı üst sınırı. 1 ile 1000 arasında bir tamsayı olmalıdır.
• max_concurrent_trials: (isteğe bağlı) Eşzamanlı olarak çalışabilecek en fazla deneme işi sayısı. Belirtilmezse, max_total_trials sayıda iş paralel olarak başlatılır. Belirtilirse, 1 ile 1000 arasında bir tamsayı olmalıdır.
• timeout: Süpürme işinin tamamının çalışmasına izin verilen saniye cinsinden maksimum süre. Bu sınıra ulaşıldıktan sonra sistem, tüm denemeleri de dahil olmak üzere süpürme işini iptal eder.
• trial_timeout: Her deneme işinin çalışmasına izin verilen saniye cinsinden maksimum süre. Bu sınıra ulaşıldıktan sonra sistem denemeyi iptal eder.

sweep_job.set_limits(max_total_trials=20, max_concurrent_trials=4, timeout=1200)

Bu kod, hiper parametre ayarlama denemesini toplam en fazla 20 deneme işi kullanacak şekilde yapılandırarak, süpürme işinin tamamı için 1.200 saniye zaman aşımı ile aynı anda dört deneme işi çalıştırır.

Hiper parametre ayarlama denemesi yapılandırma

Hiper parametre ayarlama denemenizi yapılandırmak için aşağıdakileri sağlayın:

• Tanımlanan hiper parametre arama alanı
• Örnekleme algoritmanız
• Erken sonlandırma ilkeniz
• Amacınız
• Kaynak sınırları
• CommandJob veya CommandComponent
• Süpürme İşi

SweepJob, Komut veya Komut Bileşeninde hiper parametre taraması çalıştırabilir.

Hiper parametre ayarlama denemenizi yapılandırın:

from azure.ai.ml import MLClient
from azure.ai.ml import command, Input
from azure.ai.ml.sweep import Choice, Uniform, MedianStoppingPolicy
from azure.identity import DefaultAzureCredential

# Create your base command job
command_job = command(
    code="./src",
    command="python main.py --iris-csv ${{inputs.iris_csv}} --learning-rate ${{inputs.learning_rate}} --boosting ${{inputs.boosting}}",
    environment="AzureML-lightgbm-3.2-ubuntu18.04-py37-cpu@latest",
    inputs={
        "iris_csv": Input(
            type="uri_file",
            path="https://azuremlexamples.blob.core.windows.net/datasets/iris.csv",
        ),
        "learning_rate": 0.9,
        "boosting": "gbdt",
    },
    compute="cpu-cluster",
)

# Override your inputs with parameter expressions
command_job_for_sweep = command_job(
    learning_rate=Uniform(min_value=0.01, max_value=0.9),
    boosting=Choice(values=["gbdt", "dart"]),
)

# Call sweep() on your command job to sweep over your parameter expressions
sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm="random",
    primary_metric="test-multi_logloss",
    goal="Minimize",
)

# Specify your experiment details
sweep_job.display_name = "lightgbm-iris-sweep-example"
sweep_job.experiment_name = "lightgbm-iris-sweep-example"
sweep_job.description = "Run a hyperparameter sweep job for LightGBM on Iris dataset."

# Define the limits for this sweep
sweep_job.set_limits(max_total_trials=20, max_concurrent_trials=10, timeout=7200)

# Set early stopping on this one
sweep_job.early_termination = MedianStoppingPolicy(
    delay_evaluation=5, evaluation_interval=2
)

command_job, süpürme girişlerine parametre ifadelerini uygulayabilmemiz için işlev olarak çağrılır. İşlev sweep daha sonra , , sampling-algorithm, objectivelimitsve computeile trialyapılandırılır. Yukarıdaki kod parçacığı örnek not defterinden alınır Command veya CommandComponent üzerinde hiper parametre süpürme çalıştırma. Bu örnekte learning_rate ve boosting parametreleri ayarlanmıştır. İşlerin erken durdurulması, birincil ölçüm değeri tüm eğitim işlerindeki ortalamaların ortanca değerinden daha kötü olan bir işi durduran bir tarafından MedianStoppingPolicybelirlenir.( bkz . MedianStoppingPolicy sınıf başvurusu).

Parametre değerlerinin nasıl alınıp, ayrıştırıldığını ve ayarlanacak eğitim betiğine nasıl geçirildiğini görmek için bu kod örneğine bakın

Hiper parametre ayarlama denemesi gönderme

Hiper parametre ayarlama yapılandırmanızı tanımladıktan sonra işi gönderin:

# submit the sweep
returned_sweep_job = ml_client.create_or_update(sweep_job)
# get a URL for the status of the job
returned_sweep_job.services["Studio"].endpoint

Hiper parametre ayarlama işlerini görselleştirme

Azure Machine Learning stüdyosu tüm hiper parametre ayarlama işlerinizi görselleştirebilirsiniz. Portalda deneme görüntüleme hakkında daha fazla bilgi için bkz . Stüdyoda iş kayıtlarını görüntüleme.

• Ölçüm grafiği: Bu görselleştirme, hiper parametre ayarlama süresi boyunca her bir hiper sürücü alt işi için günlüğe kaydedilen ölçümleri izler. Her satır bir alt işi temsil eder ve her nokta çalışma zamanı yinelemesinde birincil ölçüm değerini ölçer.

  

• Paralel Koordinatlar Grafiği: Bu görselleştirme, birincil ölçüm performansı ile tek tek hiper parametre değerleri arasındaki bağıntıyı gösterir. Grafik, eksenlerin hareketi (eksen etiketine göre seçip sürükleme) ve değerleri tek bir eksende vurgulayarak etkileşimlidir (istenen değer aralığını vurgulamak için tek bir eksen boyunca dikey olarak seçip sürükleyin). Paralel koordinatlar grafiği, grafiğin en sağdaki bölümünde, bu iş örneği için ayarlanan hiper parametrelere karşılık gelen en iyi ölçüm değerini çizen bir eksen içerir. Bu eksen, grafik gradyan göstergesini verilere daha okunabilir bir şekilde yansıtmak için sağlanır.

  

• 2 Boyutlu Dağılım Grafiği: Bu görselleştirme, ilişkili birincil ölçüm değeriyle birlikte her iki hiper parametre arasındaki bağıntıyı gösterir.

  

• 3 Boyutlu Dağılım Grafiği: Bu görselleştirme 2B ile aynıdır, ancak birincil ölçüm değeriyle bağıntının üç hiper parametre boyutuna izin verir. 3B alanda farklı bağıntıları görüntülemek üzere grafiği yeniden ayarlamak için de seçip sürükleyebilirsiniz.

  

En iyi deneme işini bulma

Hiper parametre ayarlama işlerinin tümü tamamlandıktan sonra en iyi deneme çıktılarınızı alın:

# Download best trial model output
ml_client.jobs.download(returned_sweep_job.name, output_name="model")

EN iyi deneme işinin tüm varsayılan ve adlandırılmış çıkışlarını ve süpürme işinin günlüklerini indirmek için CLI'yi kullanabilirsiniz.

az ml job download --name <sweep-job> --all

İsteğe bağlı olarak, yalnızca en iyi deneme çıkışını indirmek için

az ml job download --name <sweep-job> --output-name model

Başvurular

• Hiper parametre ayarlama örneği
• CLI (v2) süpürme işi YAML şeması burada

Sonraki adımlar

• Denemeyi izleme
• Eğitilmiş model dağıtma