TensorFlow Classe

Répertoire local contenant des fichiers de configuration d’expérience.

Cible de calcul où l’entraînement se produira. Il peut s’agir d’un objet ou de la chaîne « local ».

Taille de machine virtuelle de la cible de calcul qui sera créée pour l’entraînement. Valeurs prises en charge : n’importe quelle taille de machine virtuelle Azure.

Priorité de machine virtuelle de la cible de calcul qui sera créée pour l’entraînement. S’il n’est pas spécifié, « dédié » est utilisé.

Valeurs prises en charge : « dédié » et « lowpriority ».

Cela prend effet uniquement lorsque l’élément vm_size param est spécifié dans l’entrée.

Chemin d’accès relatif au fichier contenant le script d’entraînement.

Dictionnaire d’arguments de ligne de commande à passer au script d’entraînement spécifié dans entry_script.

Nombre de nœuds dans la cible de calcul utilisée pour l’entraînement. Seule la cible est prise en charge pour l’entraînement AmlCompute distribué (node_count> 1).

Lors de l’utilisation de MPI, nombre de processus par nœud.

Lors de l’utilisation du serveur de paramètres pour l’entraînement distribué, le nombre de nœuds Worker.

OBSOLESCENT. Spécifiez dans le cadre du distributed_training paramètre.

Lors de l’utilisation du serveur de paramètres pour l’entraînement distribué, nombre de nœuds de serveur de paramètres.

Back-end de communication pour l’entraînement distribué.

OBSOLESCENT. Utilise le paramètre distributed_training.

Valeurs prises en charge : « mpi » et « ps ». 'mpi' représente MPI/Horovod et 'ps' représente le serveur de paramètres.

Ce paramètre est requis quand l’un des node_countéléments , process_count_per_node, worker_countou parameter_server_count> 1. En cas de « ps », la somme worker_count et parameter_server_count doit être inférieure ou égale à node_count * (nombre de processeurs ou de GPU par nœud)

Quand node_count == 1 et process_count_per_node == 1, aucun back-end n’est utilisé, sauf si le back-end est défini explicitement. Seule la cible est prise en charge pour l’entraînement AmlCompute distribué.

Paramètres pour l’exécution d’un travail d’entraînement distribué.

Pour exécuter un travail distribué avec le serveur principal Parameter Server, utilisez l’objet ParameterServer pour spécifier worker_count et parameter_server_count. La somme des worker_count paramètres et des parameter_server_count paramètres doit être inférieure ou égale à node_count * (nombre de processeurs ou de GPU par nœud).

Pour exécuter un travail distribué avec le back-end MPI, utilisez l’objet Mpi pour spécifier process_count_per_node.

Spécifie si l’environnement à exécuter l’expérience doit prendre en charge les GPU. Si la valeur est true, une image Docker par défaut basée sur GPU est utilisée dans l’environnement. Si la valeur est false, une image basée sur le processeur est utilisée. Les images Docker par défaut (PROCESSEUR ou GPU) ne seront utilisées que si le custom_docker_image paramètre n’est pas défini. Ce paramètre est utilisé uniquement dans les cibles de calcul avec Docker.

Spécifie si l’environnement dans lequel exécuter l’expérience doit être basé sur Docker.

Nom de l’image Docker à partir de laquelle l’image à utiliser pour l’entraînement sera générée.

OBSOLESCENT. Utilise le paramètre custom_docker_image.

Si elle n’est pas définie, une image basée sur le processeur par défaut est utilisée comme image de base.

Nom de l’image Docker à partir de laquelle l’image à utiliser pour l’entraînement sera générée. Si elle n’est pas définie, une image basée sur le processeur par défaut est utilisée comme image de base.

Détails du registre d’images Docker.

Spécifie si Azure ML réutilise un environnement Python existant. Si la valeur est false, Azure ML crée un environnement Python en fonction de la spécification des dépendances conda.

Liste de chaînes représentant des packages conda à ajouter à l’environnement Python pour l’expérience.

Liste de chaînes représentant des packages pip à ajouter à l’environnement Python pour l’expérience.

Chaîne représentant le chemin d’accès relatif au fichier yaml des dépendances conda. S’il est spécifié, Azure ML n’installe aucun package lié à l’infrastructure. OBSOLESCENT. Utilise le paramètre conda_dependencies_file.

Chaîne représentant le chemin d’accès relatif au fichier texte de configuration requise pip. Cela peut être fourni en combinaison avec le pip_packages paramètre. OBSOLESCENT. Utilise le paramètre pip_requirements_file.

Chaîne représentant le chemin d’accès relatif au fichier yaml des dépendances conda. S’il est spécifié, Azure ML n’installe aucun package lié à l’infrastructure.

Chaîne représentant le chemin d’accès relatif au fichier texte de configuration requise pip. Cela peut être fourni en combinaison avec le pip_packages paramètre.

Dictionnaire de noms et de valeurs des variables d’environnement. Ces variables d’environnement sont définies sur le processus où le script utilisateur est en cours d’exécution.

Définition de l’environnement de l’expérience. Il inclut pythonSection, DockerSection et variables d’environnement. Toute option d’environnement non directement exposée via d’autres paramètres à la construction estimateur peut être définie à l’aide de ce paramètre. Si ce paramètre est spécifié, il est prioritaire sur d’autres paramètres liés à l’environnement tels que use_gpu, , custom_docker_imageconda_packagesou pip_packages. Les erreurs sont signalées sur ces combinaisons non valides.

Liste d’objets DataReference à DatasetConsumptionConfig utiliser comme entrée.

Magasin de données de stockage pour le partage de projet.

Taille du bloc de mémoire partagée du conteneur Docker. S’il n’est pas défini, la azureml.core.environment._DEFAULT_SHM_SIZE par défaut est utilisée. Pour plus d’informations, consultez Informations de référence sur l’exécution de Docker.

Chemin d’accès aux données contenant les fichiers de point de contrôle ou de modèle à partir desquels reprendre l’expérience.

Durée maximale autorisée pour l’exécution. Azure ML tente d’annuler automatiquement l’exécution s’il prend plus de temps que cette valeur.

Version de TensorFlow à utiliser pour l’exécution du code d’entraînement. Si aucune version n’est fournie, l’estimateur est défini par défaut sur la dernière version prise en charge par Azure ML. Permet TensorFlow.get_supported_versions() de retourner une liste pour obtenir la liste de toutes les versions prises en charge par le Kit de développement logiciel (SDK) Azure ML actuel.

Répertoire local contenant des fichiers de configuration d’expérience.

Cible de calcul où l’entraînement se produira. Il peut s’agir d’un objet ou de la chaîne « local ».

Taille de machine virtuelle de la cible de calcul qui sera créée pour l’entraînement. Valeurs prises en charge : n’importe quelle taille de machine virtuelle Azure.

Priorité de machine virtuelle de la cible de calcul qui sera créée pour l’entraînement. S’il n’est pas spécifié, « dédié » est utilisé.

Valeurs prises en charge : « dédié » et « lowpriority ».

Cela prend effet uniquement lorsque l’élément vm_size param est spécifié dans l’entrée.

Chemin d’accès relatif au fichier contenant le script d’entraînement.

Dictionnaire d’arguments de ligne de commande à passer au script d’entraînement tne spécifié dans entry_script.

Nombre de nœuds dans la cible de calcul utilisée pour l’entraînement. Seule la cible est prise en charge pour l’entraînement AmlCompute distribué (node_count> 1).

Lors de l’utilisation de MPI, nombre de processus par nœud.

Lors de l’utilisation du serveur de paramètres, le nombre de nœuds Worker.

OBSOLESCENT. Spécifiez dans le cadre du distributed_training paramètre.

Lors de l’utilisation du serveur de paramètres, nombre de nœuds de serveur de paramètres.

Back-end de communication pour l’entraînement distribué.

OBSOLESCENT. Utilise le paramètre distributed_training.

Valeurs prises en charge : « mpi » et « ps ». 'mpi' représente MPI/Horovod et 'ps' représente le serveur de paramètres.

Ce paramètre est requis quand l’un des node_countéléments , process_count_per_node, worker_countou parameter_server_count> 1. En cas de « ps », la somme worker_count et parameter_server_count doit être inférieure ou égale à node_count * (nombre de processeurs ou de GPU par nœud)

Quand node_count == 1 et process_count_per_node == 1, aucun back-end n’est utilisé, sauf si le back-end est défini explicitement. Seule la cible est prise en charge pour l’entraînement AmlCompute distribué. est pris en charge pour l’entraînement distribué.

Paramètres pour l’exécution d’un travail d’entraînement distribué.

Pour exécuter un travail distribué avec le back-end Parameter Server, utilisez ParameterServer l’objet pour spécifier worker_count et parameter_server_count. La somme des worker_count paramètres et des parameter_server_count paramètres doit être inférieure ou égale à node_count * (nombre de processeurs ou de GPU par nœud).

Pour exécuter un travail distribué avec le back-end MPI, utilisez Mpi l’objet pour spécifier process_count_per_node.

Spécifie si l’environnement à exécuter l’expérience doit prendre en charge les GPU. Si la valeur est true, une image Docker par défaut basée sur GPU est utilisée dans l’environnement. Si la valeur est false, une image basée sur le processeur est utilisée. Les images Docker par défaut (PROCESSEUR ou GPU) sont utilisées uniquement si custom_docker_image le paramètre n’est pas défini. Ce paramètre est utilisé uniquement dans les cibles de calcul avec Docker.

Spécifie si l’environnement dans lequel exécuter l’expérience doit être basé sur Docker.

Nom de l’image Docker à partir de laquelle l’image à utiliser pour l’entraînement sera générée.

OBSOLESCENT. Utilise le paramètre custom_docker_image.

Si elle n’est pas définie, une image basée sur le processeur par défaut est utilisée comme image de base.

Nom de l’image Docker à partir de laquelle l’image à utiliser pour l’entraînement sera générée. Si elle n’est pas définie, une image basée sur le processeur par défaut est utilisée comme image de base.

Détails du registre d’images Docker.

Spécifie si Azure ML réutilise un environnement Python existant. Si la valeur est false, Azure ML crée un environnement Python en fonction de la spécification des dépendances conda.

Liste de chaînes représentant des packages conda à ajouter à l’environnement Python pour l’expérience.

Liste de chaînes représentant des packages pip à ajouter à l’environnement Python pour l’expérience.

Chemin d’accès relatif au fichier yaml des dépendances conda. S’il est spécifié, Azure ML n’installe aucun package lié à l’infrastructure. OBSOLESCENT. Utilise le paramètre conda_dependencies_file.

Chemin d’accès relatif au fichier texte de configuration requise pip. Cela peut être fourni en combinaison avec le pip_packages paramètre. OBSOLESCENT. Utilise le paramètre pip_requirements_file.

Dictionnaire de noms et de valeurs des variables d’environnement. Ces variables d’environnement sont définies sur le processus où le script utilisateur est en cours d’exécution.

Chaîne représentant le chemin d’accès relatif au fichier yaml des dépendances conda. S’il est spécifié, Azure ML n’installe aucun package lié à l’infrastructure.

Chemin d’accès relatif au fichier texte de configuration requise pip. Cela peut être fourni en combinaison avec le pip_packages paramètre.

Dictionnaire de noms et de valeurs des variables d’environnement. Ces variables d’environnement sont définies sur le processus où le script utilisateur est en cours d’exécution.

Définition de l’environnement de l’expérience. Il inclut pythonSection, DockerSection et variables d’environnement. Toute option d’environnement non directement exposée via d’autres paramètres à la construction estimateur peut être définie à l’aide de ce paramètre. Si ce paramètre est spécifié, il est prioritaire sur d’autres paramètres liés à l’environnement tels que use_gpu, , custom_docker_imageconda_packagesou pip_packages. Les erreurs sont signalées sur ces combinaisons non valides.

Liste de azureml.data.data_reference. Objets DataReference à utiliser comme entrée.

Magasin de données de stockage pour le partage de projet.

Taille du bloc de mémoire partagée du conteneur Docker. S’il n’est pas défini, la valeur par défaut est azureml.core.environment._DEFAULT_SHM_SIZE. Pour plus d'informations, consultez la rubrique

Version de TensorFlow à utiliser pour l’exécution du code d’entraînement. Si aucune version n’est fournie, l’estimateur est défini par défaut sur la dernière version prise en charge par Azure ML. Utilisez TensorFlow.get_supported_versions() pour renvoyer une liste pour obtenir la liste de toutes les versions prises en charge par le Kit de développement logiciel (SDK) Azure ML actuel.

Activez la génération d’environnement incrémentielle avec des images d’infrastructure prédéfinies pour accélérer la préparation de l’environnement. Une image d’infrastructure prédéfini est basée sur des images de base processeur/GPU Azure ML avec des dépendances d’infrastructure préinstallées.

Désactivez la validation du script avant l’exécution de la soumission. La valeur par défaut est True.

Afficher les avertissements de linting de script. La valeur par défaut est False.

Afficher les avertissements de validation de package. La valeur par défaut est False.