Estimator Klasse

Stellt eine generische Schätzung dar, um Daten mit einem beliebigen bereitgestellten Framework zu trainieren.

VERALTET. Verwenden Sie das ScriptRunConfig Objekt mit Ihrer eigenen definierten Umgebung oder einer kuratierten Azure ML-Umgebung. Eine Einführung in das Konfigurieren von Experimentläufen mit ScriptRunConfig finden Sie unter Konfigurieren und Übermitteln von Schulungsläufen.

Diese Klasse wurde für die Verwendung mit Machine Learning-Frameworks entwickelt, die noch nicht über eine vorkonfigurierte Azure Machine Learning-Schätzung verfügen. Vorkonfigurierte Schätzzeichen sind für Chainer, , PyTorch, TensorFlowund SKLearn. Informationen zum Erstellen einer nicht vorkonfigurierten Estimator finden Sie unter "Train models with Azure Machine Learning using estimator".To create an Estimator that is not preconfigured, see Train models with Azure Machine Learning using estimator.

Die Estimator-Klasse umschließt Konfigurationsinformationen, um die Aufgaben der Angabe der Ausführung eines Skripts zu vereinfachen. Sie unterstützt die Ausführung mit einem einzelnen Knoten sowie die Ausführung mit mehreren Knoten. Wenn Sie den Schätzer ausführen, wird ein Modell im Ausgabeverzeichnis erstellt, das in Ihrem Schulungsskript angegeben ist.

Initialisieren Sie den Schätzer.

azureml.core.environment._DEFAULT_SHM_SIZE wird verwendet. Weitere Informationen finden Sie in der Referenz zur Docker-Ausführung. :type shm_size: str :p aram resume_from: Der Datenpfad mit den Prüfpunkt- oder Modelldateien, aus denen das Experiment fortgesetzt werden soll. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: Die maximal zulässige Zeit für die Ausführung. Azure ML versucht automatisch,

abbrechen, wenn die Ausführung länger dauert als dieser Wert.

Konstruktor

Estimator(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, node_count=1, process_count_per_node=1, distributed_backend=None, distributed_training=None, use_gpu=False, use_docker=True, custom_docker_base_image=None, custom_docker_image=None, image_registry_details=None, user_managed=False, conda_packages=None, pip_packages=None, conda_dependencies_file_path=None, pip_requirements_file_path=None, conda_dependencies_file=None, pip_requirements_file=None, environment_variables=None, environment_definition=None, inputs=None, source_directory_data_store=None, shm_size=None, resume_from=None, max_run_duration_seconds=None, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)

Parameter

Name	Beschreibung
source_directory Erforderlich	str Ein lokales Verzeichnis mit Experimentkonfigurations- und Codedateien, die für einen Schulungsauftrag erforderlich sind.
compute_target Erforderlich	AbstractComputeTarget oder str Das Computeziel, in dem die Schulung stattfinden wird. Dies kann entweder ein Objekt oder die Zeichenfolge "local" sein.
vm_size Erforderlich	str Die VM-Größe des Computeziels, das für die Schulung erstellt wird. Unterstützte Werte: Eine beliebige Größe eines virtuellen Azure-Computers.
vm_priority Erforderlich	str Die VM-Priorität des Computeziels, das für die Schulung erstellt wird. Wenn nicht angegeben, wird "dedicated" verwendet. Unterstützte Werte: "dedicated" und "lowpriority". Dies wird nur wirksam, wenn der `vm_size` Parameter in der Eingabe angegeben wird.
entry_script Erforderlich	str Der relative Pfad zu der Datei, die zum Starten der Schulung verwendet wird.
script_params Erforderlich	dict Ein Wörterbuch mit Befehlszeilenargumenten, das an das in `entry_script`der Datei angegebene Schulungsskript übergeben werden soll.
node_count Erforderlich	int Die Anzahl der Knoten im Computeziel, das für die Schulung verwendet wird. Wenn größer als 1, wird ein MPI verteilter Auftrag ausgeführt.
process_count_per_node Erforderlich	int Die Anzahl der Prozesse (oder "Worker"), die auf jedem Knoten ausgeführt werden sollen. Wenn größer als 1, wird ein MPI verteilter Auftrag ausgeführt. Nur das AmlCompute Ziel wird für verteilte Aufträge unterstützt.
distributed_backend Erforderlich	str Das Kommunikations-Back-End für verteilte Schulungen. VERALTET. Verwenden Sie den Parameter `distributed_training`. Unterstützte Werte: 'mpi'. "mpi" stellt MPI/Horovod dar. Dieser Parameter ist erforderlich, wenn `node_count` oder `process_count_per_node`> 1. Wenn `node_count` == 1 und `process_count_per_node` == 1, wird kein Back-End verwendet, es sei denn, das Back-End ist explizit festgelegt. Nur das AmlCompute Ziel wird für verteilte Schulungen unterstützt.
distributed_training Erforderlich	Mpi Parameter zum Ausführen eines verteilten Schulungsauftrags. Verwenden Sie Mpi zum Ausführen eines verteilten Auftrags mit MPI-Back-End das Objekt, um anzugeben `process_count_per_node`.
use_gpu Erforderlich	bool Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, GPUs unterstützen soll. Wenn true, wird ein GPU-basiertes Standard-Docker-Image in der Umgebung verwendet. Bei "false" wird ein CPU-basiertes Image verwendet. Standardmäßige Docker-Images (CPU oder GPU) werden nur verwendet, wenn der `custom_docker_image` Parameter nicht festgelegt ist. Diese Einstellung wird nur in Docker-aktivierten Computezielen verwendet.
use_docker Erforderlich	bool Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, Docker-basiert sein soll.
custom_docker_base_image Erforderlich	str Der Name des Docker-Images, aus dem das für Schulungen zu verwendende Image erstellt wird. VERALTET. Verwenden Sie den Parameter `custom_docker_image`. Wenn nicht festgelegt, wird ein CPU-basiertes Standardimage als Basisimage verwendet.
custom_docker_image Erforderlich	str Der Name des Docker-Images, aus dem das für Schulungen zu verwendende Image erstellt wird. Wenn nicht festgelegt, wird ein CPU-basiertes Standardimage als Basisimage verwendet. Geben Sie nur Bilder an, die in öffentlichen Docker-Repositorys (Docker Hub) verfügbar sind. Wenn Sie ein Image aus einem privaten Docker-Repository verwenden möchten, verwenden Sie stattdessen den Parameter des `environment_definition` Konstruktors.
image_registry_details Erforderlich	ContainerRegistry Die Details der Docker-Imageregistrierung.
user_managed Erforderlich	bool Gibt an, ob Azure ML eine vorhandene Python-Umgebung wiederverwendet. Wenn false, wird eine Python-Umgebung basierend auf der Conda-Abhängigkeitsspezifikation erstellt.
conda_packages Erforderlich	list Eine Liste der Zeichenfolgen, die Conda-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen.
pip_packages Erforderlich	list Eine Liste der Zeichenfolgen, die Pip-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen.
conda_dependencies_file_path Erforderlich	str Der relative Pfad zur Conda-Abhängigkeiten yaml-Datei. Wenn angegeben, installiert Azure ML keine Framework-bezogenen Pakete. VERALTET. Verwenden Sie den `conda_dependencies_file` Paramenter. Geben Sie entweder `conda_dependencies_file_path` oder `conda_dependencies_file` an. Wenn beide angegeben werden, `conda_dependencies_file` wird verwendet.
pip_requirements_file_path Erforderlich	str Der relative Pfad zur Pip-Anforderungstextdatei. VERALTET. Verwenden Sie den Parameter `pip_requirements_file`. Dieser Parameter kann in Kombination mit dem `pip_packages` Parameter angegeben werden. Geben Sie entweder `pip_requirements_file_path` oder `pip_requirements_file` an. Wenn beide angegeben werden, `pip_requirements_file` wird verwendet.
conda_dependencies_file Erforderlich	str Der relative Pfad zur Conda-Abhängigkeiten yaml-Datei. Wenn angegeben, installiert Azure ML keine Framework-bezogenen Pakete.
pip_requirements_file Erforderlich	str Der relative Pfad zur Pip-Anforderungstextdatei. Dieser Parameter kann in Kombination mit dem `pip_packages` Parameter angegeben werden.
environment_variables Erforderlich	dict Ein Wörterbuch mit Namen und Werten für Umgebungsvariablen. Diese Umgebungsvariablen werden für den Prozess festgelegt, bei dem Benutzerskript ausgeführt wird.
environment_definition Erforderlich	Environment Die Umgebungsdefinition für das Experiment. Es enthält PythonSection-, DockerSection- und Umgebungsvariablen. Jede Umgebungsoption, die nicht direkt über andere Parameter für die Estimator-Konstruktion verfügbar gemacht wird, kann mit diesem Parameter festgelegt werden. Wenn dieser Parameter angegeben wird, hat er Vorrang vor anderen umgebungsbezogenen Parametern wie `use_gpu`, , `custom_docker_image`, , `conda_packages`oder `pip_packages`. Fehler werden für ungültige Kombinationen gemeldet.
inputs Erforderlich	list Eine Liste von objekten, DataReference die DatasetConsumptionConfig als Eingabe verwendet werden sollen.
source_directory_data_store Erforderlich	Datastore Der Sicherungsdatenspeicher für die Projektfreigabe.
shm_size Erforderlich	str Die Größe des freigegebenen Speicherblocks des Docker-Containers. Wenn nicht festgelegt, wird der Standard-azureml.core.environment._DEFAULT_SHM_SIZE verwendet. Weitere Informationen finden Sie in der Referenz zur Docker-Ausführung.
resume_from Erforderlich	DataPath Der Datenpfad, der die Prüfpunkt- oder Modelldateien enthält, aus denen das Experiment fortgesetzt werden soll.
max_run_duration_seconds Erforderlich	int Die maximal zulässige Zeit für die Ausführung. Azure ML versucht, die Ausführung automatisch abzubrechen, wenn dieser Wert länger dauert.
source_directory Erforderlich	str Ein lokales Verzeichnis mit Experimentkonfigurations- und Codedateien, die für einen Schulungsauftrag erforderlich sind.
compute_target Erforderlich	AbstractComputeTarget oder str Das Computeziel, in dem die Schulung stattfinden wird. Dies kann entweder ein Objekt oder die Zeichenfolge "local" sein.
vm_size Erforderlich	str Die VM-Größe des Computeziels, das für die Schulung erstellt wird. Unterstützte Werte: Eine beliebige Größe eines virtuellen Azure-Computers.
vm_priority Erforderlich	str Die VM-Priorität des Computeziels, das für die Schulung erstellt wird. Wenn nicht angegeben, wird "dedicated" verwendet. Unterstützte Werte: "dedicated" und "lowpriority". Dies wird nur wirksam, wenn der `vm_size` Parameter in der Eingabe angegeben wird.
entry_script Erforderlich	str Der relative Pfad zu der Datei, die zum Starten der Schulung verwendet wird.
script_params Erforderlich	dict Ein Wörterbuch mit Befehlszeilenargumenten, das an das in `entry_script`der Datei angegebene Schulungsskript übergeben werden soll.
node_count Erforderlich	int Die Anzahl der Knoten im Computeziel, das für die Schulung verwendet wird. Wenn größer als 1, wird ein verteilter MPI-Auftrag ausgeführt. Nur das AmlCompute Ziel wird für verteilte Aufträge unterstützt.
process_count_per_node Erforderlich	int Die Anzahl der Prozesse pro Knoten. Wenn größer als 1, wird ein verteilter MPI-Auftrag ausgeführt. Nur das AmlCompute Ziel wird für verteilte Aufträge unterstützt.
distributed_backend Erforderlich	str Das Kommunikations-Back-End für verteilte Schulungen. VERALTET. Verwenden Sie den Parameter `distributed_training`. Unterstützte Werte: 'mpi'. "mpi" stellt MPI/Horovod dar. Dieser Parameter ist erforderlich, wenn `node_count` oder `process_count_per_node`> 1. Wenn `node_count` == 1 und `process_count_per_node` == 1, wird kein Back-End verwendet, es sei denn, das Back-End ist explizit festgelegt. Nur das AmlCompute Ziel wird für verteilte Schulungen unterstützt.
distributed_training Erforderlich	Mpi Parameter zum Ausführen eines verteilten Schulungsauftrags. Verwenden Sie Mpi zum Ausführen eines verteilten Auftrags mit MPI-Back-End das Objekt, um anzugeben `process_count_per_node`.
use_gpu Erforderlich	bool Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, GPUs unterstützen soll. Wenn true, wird ein GPU-basiertes Standard-Docker-Image in der Umgebung verwendet. Bei "false" wird ein CPU-basiertes Image verwendet. Standardmäßige Docker-Images (CPU oder GPU) werden nur verwendet, wenn der `custom_docker_image` Parameter nicht festgelegt ist. Diese Einstellung wird nur in Docker-fähigen Computezielen verwendet.
use_docker Erforderlich	bool Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, Docker-basiert sein soll.
custom_docker_base_image Erforderlich	str Der Name des Docker-Images, aus dem das für Schulungen zu verwendende Image erstellt wird. VERALTET. Verwenden Sie den Parameter `custom_docker_image`. Wenn nicht festgelegt, wird ein CPU-basiertes Standardimage als Basisimage verwendet.
custom_docker_image Erforderlich	str Der Name des Docker-Images, aus dem das für Schulungen zu verwendende Image erstellt wird. Wenn nicht festgelegt, wird ein CPU-basiertes Standardimage als Basisimage verwendet. Geben Sie nur Bilder an, die in öffentlichen Docker-Repositorys (Docker Hub) verfügbar sind. Wenn Sie ein Image aus einem privaten Docker-Repository verwenden möchten, verwenden Sie stattdessen den Parameter des `environment_definition` Konstruktors.
image_registry_details Erforderlich	ContainerRegistry Die Details der Docker-Imageregistrierung.
user_managed Erforderlich	bool Gibt an, ob Azure ML eine vorhandene Python-Umgebung wiederverwendet. Wenn false, wird eine Python-Umgebung basierend auf der Conda-Abhängigkeitsspezifikation erstellt.
conda_packages Erforderlich	list Eine Liste der Zeichenfolgen, die Conda-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen.
pip_packages Erforderlich	list Eine Liste der Zeichenfolgen, die Pip-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen.
conda_dependencies_file_path Erforderlich	Der relative Pfad zur Conda-Abhängigkeiten yaml-Datei. Wenn angegeben, installiert Azure ML keine Framework-bezogenen Pakete. VERALTET. Verwenden Sie den `conda_dependencies_file` Paramenter. Geben Sie entweder `conda_dependencies_file_path` oder `conda_dependencies_file` an. Wenn beide angegeben werden, `conda_dependencies_file` wird verwendet.
pip_requirements_file_path Erforderlich	Der relative Pfad zur Pip-Anforderungstextdatei. VERALTET. Verwenden Sie den Parameter `pip_requirements_file`. Dies kann in Kombination mit dem `pip_packages` Parameter bereitgestellt werden. Geben Sie entweder `pip_requirements_file_path` oder `pip_requirements_file` an. Wenn beide angegeben werden, `pip_requirements_file` wird verwendet.
pip_requirements_file Erforderlich	str Der relative Pfad zur Pip-Anforderungstextdatei. Dies kann in Kombination mit dem `pip_packages` Parameter bereitgestellt werden.
environment_variables Erforderlich	dict Ein Wörterbuch mit Namen und Werten für Umgebungsvariablen. Diese Umgebungsvariablen werden für den Prozess festgelegt, bei dem Benutzerskript ausgeführt wird.
environment_definition Erforderlich	Environment Die Umgebungsdefinition für das Experiment. Es enthält PythonSection-, DockerSection- und Umgebungsvariablen. Jede Umgebungsoption, die nicht direkt über andere Parameter für die Estimator-Konstruktion verfügbar gemacht wird, kann mit diesem Parameter festgelegt werden. Wenn dieser Parameter angegeben wird, hat er Vorrang vor anderen umgebungsbezogenen Parametern wie `use_gpu`, , `custom_docker_image`, , `conda_packages`oder `pip_packages`. Fehler werden für ungültige Kombinationen gemeldet.
inputs Erforderlich	list Eine Liste von objekten, DataReference die DatasetConsumptionConfig als Eingabe verwendet werden sollen.
source_directory_data_store Erforderlich	Datastore Der Sicherungsdatenspeicher für die Projektfreigabe.
shm_size Erforderlich	Die Größe des freigegebenen Speicherblocks des Docker-Containers. Wenn sie nicht festgelegt ist, wird die Standardeinstellung
_disable_validation Erforderlich	bool Deaktivieren Sie die Skriptüberprüfung vor dem Ausführen der Übermittlung. Der Standardwert ist True.
_show_lint_warnings Erforderlich	bool Anzeigen von Skript-Lintingwarnungen. Der Standardwert ist False.
_show_package_warnings Erforderlich	bool Paketüberprüfungswarnungen anzeigen. Der Standardwert ist False.

Feedback

War diese Seite hilfreich?

Freigeben über

Estimator Klasse

Konstruktor

Parameter

Feedback