TensorFlow Klas

Een lokale map met experimentconfiguratiebestanden.

Het rekendoel waar de training plaatsvindt. Dit kan een object zijn of de tekenreeks 'lokaal'.

De VM-grootte van het rekendoel dat wordt gemaakt voor de training. Ondersteunde waarden: elke Azure-VM-grootte.

De vm-prioriteit van het rekendoel dat wordt gemaakt voor de training. Als dit niet is opgegeven, wordt 'dedicated' gebruikt.

Ondersteunde waarden: 'dedicated' en 'lowpriority'.

Dit wordt alleen van kracht wanneer de vm_size param invoer is opgegeven.

Het relatieve pad naar het bestand met het trainingsscript.

Een woordenlijst met opdrachtregelargumenten die moeten worden doorgegeven aan het trainingsscript dat is opgegeven in entry_script.

Het aantal knooppunten in het rekendoel dat wordt gebruikt voor training. Alleen het AmlCompute doel wordt ondersteund voor gedistribueerde training (node_count> 1).

Wanneer u MPI gebruikt, wordt het aantal processen per knooppunt gebruikt.

Bij het gebruik van parameterserver voor gedistribueerde training, het aantal werkknooppunten.

VEROUDERD. Geef op als onderdeel van de distributed_training parameter.

Wanneer u parameterserver gebruikt voor gedistribueerde training, is het aantal parameterserverknooppunten.

De communicatieback-end voor gedistribueerde training.

VEROUDERD. Gebruik de distributed_training parameter.

Ondersteunde waarden: 'mpi' en 'ps'. 'mpi' vertegenwoordigt MPI/Horovod en 'ps' vertegenwoordigt parameterserver.

Deze parameter is vereist wanneer een vannode_count, process_count_per_nodeof worker_countparameter_server_count> 1. In het geval van 'ps' moet de som van worker_count en parameter_server_count kleiner zijn dan of gelijk zijn aan node_count * (aantal CPU's of GPU's per knooppunt)

Wanneer node_count == 1 en process_count_per_node == 1, wordt er geen back-end gebruikt, tenzij de back-end expliciet is ingesteld. Alleen het AmlCompute doel wordt ondersteund voor gedistribueerde training.

Parameters voor het uitvoeren van een gedistribueerde trainingstaak.

Als u een gedistribueerde taak wilt uitvoeren met de back-end van parameterserver, gebruikt u het ParameterServer object om op te geven worker_count en parameter_server_count. De som van de worker_count en de parameter_server_count parameters moet kleiner zijn dan of gelijk zijn aan node_count * (het aantal CPU's of GPU's per knooppunt).

Voor het uitvoeren van een gedistribueerde taak met MPI-back-end gebruikt u het Mpi object om op te geven process_count_per_node.

Hiermee geeft u op of de omgeving voor het uitvoeren van het experiment GPU's moet ondersteunen. Indien waar, wordt een op GPU gebaseerde standaard docker-installatiekopieën gebruikt in de omgeving. Als dit onwaar is, wordt een op CPU gebaseerde installatiekopieën gebruikt. Standaard-Docker-installatiekopieën (CPU of GPU) worden alleen gebruikt als de custom_docker_image parameter niet is ingesteld. Deze instelling wordt alleen gebruikt in rekendoelen waarvoor Docker is ingeschakeld.

Hiermee geeft u op of de omgeving waarin het experiment moet worden uitgevoerd, docker moet zijn.

De naam van de Docker-installatiekopie waaruit de installatiekopie voor training moet worden gebouwd.

VEROUDERD. Gebruik de custom_docker_image parameter.

Als deze niet is ingesteld, wordt een standaardinstallatiekopieën op basis van CPU gebruikt als basisinstallatiekopieën.

De naam van de Docker-installatiekopie waaruit de installatiekopie voor training moet worden gebouwd. Als deze niet is ingesteld, wordt een standaardinstallatiekopieën op basis van CPU gebruikt als basisinstallatiekopieën.

De details van het Docker-installatiekopieënregister.

Hiermee geeft u op of Azure ML een bestaande Python-omgeving opnieuw gebruikt. Als dit onwaar is, maakt Azure ML een Python-omgeving op basis van de conda-afhankelijkhedenspecificatie.

Een lijst met tekenreeksen die conda-pakketten vertegenwoordigen die moeten worden toegevoegd aan de Python-omgeving voor het experiment.

Een lijst met tekenreeksen die pip-pakketten vertegenwoordigen die moeten worden toegevoegd aan de Python-omgeving voor het experiment.

Een tekenreeks die het relatieve pad naar het yaml-bestand conda-afhankelijkheden aangeeft. Indien opgegeven, installeert Azure ML geen frameworkgerelateerde pakketten. VEROUDERD. Gebruik de conda_dependencies_file parameter.

Een tekenreeks die het relatieve pad naar het tekstbestand pip-vereisten aangeeft. Dit kan worden opgegeven in combinatie met de pip_packages parameter. VEROUDERD. Gebruik de pip_requirements_file parameter.

Een tekenreeks die het relatieve pad naar het yaml-bestand conda-afhankelijkheden aangeeft. Indien opgegeven, installeert Azure ML geen frameworkgerelateerde pakketten.

Een tekenreeks die het relatieve pad naar het tekstbestand pip-vereisten aangeeft. Dit kan worden opgegeven in combinatie met de pip_packages parameter.

Een woordenlijst met namen en waarden van omgevingsvariabelen. Deze omgevingsvariabelen worden ingesteld voor het proces waarin het gebruikersscript wordt uitgevoerd.

De omgevingsdefinitie voor het experiment. Dit omvat PythonSection, DockerSection en omgevingsvariabelen. Elke omgevingsoptie die niet rechtstreeks via andere parameters aan de Estimator-constructie wordt blootgesteld, kan worden ingesteld met behulp van deze parameter. Als deze parameter is opgegeven, heeft deze voorrang op andere omgevingsgerelateerde parameters, zoals use_gpu, custom_docker_image, conda_packagesof pip_packages. Fouten worden gerapporteerd over deze ongeldige combinaties.

Een lijst met DataReference objecten die DatasetConsumptionConfig als invoer moeten worden gebruikt.

Het back-upgegevensarchief voor projectshare.

De grootte van het gedeelde geheugenblok van de Docker-container. Als dit niet is ingesteld, wordt de standaard-azureml.core.environment._DEFAULT_SHM_SIZE gebruikt. Zie Docker run referentie voor meer informatie.

Het gegevenspad met het controlepunt of modelbestanden waaruit het experiment moet worden hervat.

De maximaal toegestane tijd voor de uitvoering. Azure ML probeert de uitvoering automatisch te annuleren als het langer duurt dan deze waarde.

De TensorFlow-versie die moet worden gebruikt voor het uitvoeren van trainingscode. Als er geen versie is opgegeven, wordt de estimator standaard ingesteld op de nieuwste versie die wordt ondersteund door Azure ML. Gebruik TensorFlow.get_supported_versions() dit om een lijst te retourneren om een lijst op te halen met alle versies die de huidige Azure ML SDK ondersteunen.

Een lokale map met experimentconfiguratiebestanden.

Het rekendoel waar de training plaatsvindt. Dit kan een object zijn of de tekenreeks 'lokaal'.

De VM-grootte van het rekendoel dat wordt gemaakt voor de training. Ondersteunde waarden: elke Azure-VM-grootte.

De vm-prioriteit van het rekendoel dat wordt gemaakt voor de training. Als dit niet is opgegeven, wordt 'dedicated' gebruikt.

Ondersteunde waarden: 'dedicated' en 'lowpriority'.

Dit wordt alleen van kracht wanneer de vm_size param invoer is opgegeven.

Het relatieve pad naar het bestand met het trainingsscript.

Een woordenlijst met opdrachtregelargumenten die moeten worden doorgegeven aan een trainingsscript dat is opgegeven in entry_script.

Het aantal knooppunten in het rekendoel dat wordt gebruikt voor training. Alleen het AmlCompute doel wordt ondersteund voor gedistribueerde training (node_count> 1).

Wanneer u MPI gebruikt, wordt het aantal processen per knooppunt gebruikt.

Wanneer u parameterserver gebruikt, is het aantal werkknooppunten.

VEROUDERD. Geef op als onderdeel van de distributed_training parameter.

Wanneer u parameterserver gebruikt, is het aantal parameterserverknooppunten.

De communicatieback-end voor gedistribueerde training.

VEROUDERD. Gebruik de distributed_training parameter.

Ondersteunde waarden: 'mpi' en 'ps'. 'mpi' vertegenwoordigt MPI/Horovod en 'ps' vertegenwoordigt parameterserver.

Deze parameter is vereist wanneer een vannode_count, process_count_per_nodeof worker_countparameter_server_count> 1. In het geval van 'ps' moet de som van worker_count en parameter_server_count kleiner zijn dan of gelijk zijn aan node_count * (aantal CPU's of GPU's per knooppunt)

Wanneer node_count == 1 en process_count_per_node == 1, wordt er geen back-end gebruikt, tenzij de back-end expliciet is ingesteld. Alleen het AmlCompute doel wordt ondersteund voor gedistribueerde training. wordt ondersteund voor gedistribueerde training.

Parameters voor het uitvoeren van een gedistribueerde trainingstaak.

Gebruik voor het uitvoeren van een gedistribueerde taak met de back-end ParameterServer parameterserver het object om op te geven worker_count en parameter_server_count. De som van de worker_count en de parameter_server_count parameters moet kleiner zijn dan of gelijk zijn aan node_count * (het aantal CPU's of GPU's per knooppunt).

Gebruik het object om op te geven Mpivoor het uitvoeren van een gedistribueerde taak met MPI-back-endprocess_count_per_node.

Hiermee geeft u op of de omgeving voor het uitvoeren van het experiment GPU's moet ondersteunen. Indien waar, wordt een op GPU gebaseerde standaard Docker-installatiekopieën gebruikt in de omgeving. Als dit onwaar is, wordt een op CPU gebaseerde installatiekopieën gebruikt. Standaard docker-installatiekopieën (CPU of GPU) worden alleen gebruikt als custom_docker_image de parameter niet is ingesteld. Deze instelling wordt alleen gebruikt in rekendoelen waarvoor Docker is ingeschakeld.

Hiermee geeft u op of de omgeving waarin het experiment moet worden uitgevoerd, docker moet zijn.

De naam van de Docker-installatiekopie waaruit de installatiekopie voor training moet worden gebouwd.

VEROUDERD. Gebruik de custom_docker_image parameter.

Als deze niet is ingesteld, wordt een standaardinstallatiekopieën op basis van CPU gebruikt als basisinstallatiekopieën.

De naam van de Docker-installatiekopie waaruit de installatiekopie voor training moet worden gebouwd. Als deze niet is ingesteld, wordt een standaardinstallatiekopieën op basis van CPU gebruikt als basisinstallatiekopieën.

De details van het Docker-installatiekopieënregister.

Hiermee geeft u op of Azure ML een bestaande Python-omgeving opnieuw gebruikt. Als dit onwaar is, maakt Azure ML een Python-omgeving op basis van de conda-afhankelijkhedenspecificatie.

Een lijst met tekenreeksen die conda-pakketten vertegenwoordigen die moeten worden toegevoegd aan de Python-omgeving voor het experiment.

Een lijst met tekenreeksen die pip-pakketten vertegenwoordigen die moeten worden toegevoegd aan de Python-omgeving voor het experiment.

Het relatieve pad naar het yaml-bestand van conda-afhankelijkheden. Indien opgegeven, installeert Azure ML geen frameworkgerelateerde pakketten. VEROUDERD. Gebruik de conda_dependencies_file parameter.

Het relatieve pad naar het tekstbestand met pip-vereisten. Dit kan worden opgegeven in combinatie met de pip_packages parameter. VEROUDERD. Gebruik de pip_requirements_file parameter.

Een woordenlijst met namen en waarden van omgevingsvariabelen. Deze omgevingsvariabelen worden ingesteld voor het proces waarin het gebruikersscript wordt uitgevoerd.

Een tekenreeks die het relatieve pad naar het yaml-bestand conda-afhankelijkheden aangeeft. Indien opgegeven, installeert Azure ML geen frameworkgerelateerde pakketten.

Het relatieve pad naar het tekstbestand met pip-vereisten. Dit kan worden opgegeven in combinatie met de pip_packages parameter.

Een woordenlijst met namen en waarden van omgevingsvariabelen. Deze omgevingsvariabelen worden ingesteld voor het proces waarin het gebruikersscript wordt uitgevoerd.

De omgevingsdefinitie voor het experiment. Dit omvat PythonSection, DockerSection en omgevingsvariabelen. Elke omgevingsoptie die niet rechtstreeks via andere parameters aan de Estimator-constructie wordt blootgesteld, kan worden ingesteld met behulp van deze parameter. Als deze parameter is opgegeven, heeft deze voorrang op andere omgevingsgerelateerde parameters, zoals use_gpu, custom_docker_image, conda_packagesof pip_packages. Fouten worden gerapporteerd over deze ongeldige combinaties.

Een lijst met azureml.data.data_reference. DataReference-objecten die moeten worden gebruikt als invoer.

Het back-upgegevensarchief voor projectshare.

De grootte van het gedeelde geheugenblok van de Docker-container. Als deze niet is ingesteld, wordt de standaardwaarde azureml.core.environment._DEFAULT_SHM_SIZE. Zie voor meer informatie

De TensorFlow-versie die moet worden gebruikt voor het uitvoeren van trainingscode. Als er geen versie is opgegeven, wordt de estimator standaard ingesteld op de nieuwste versie die wordt ondersteund door Azure ML. Gebruik TensorFlow.get_supported_versions() om een lijst te retourneren om een lijst op te halen met alle versies die de huidige Azure ML SDK ondersteunen.

Schakel incrementele omgevingsbuild in met vooraf gebouwde frameworkinstallatiekopieën voor snellere voorbereiding van de omgeving. Een vooraf gebouwde frameworkinstallatiekopie is gebouwd op basis van azure ML-standaard-CPU/GPU-basisinstallatiekopieën met vooraf geïnstalleerde frameworkafhankelijkheden.

Schakel scriptvalidatie uit voordat het verzenden wordt uitgevoerd. De standaardwaarde is Waar.

Waarschuwingen voor het linten van scripts weergeven. De standaardwaarde is Onwaar.

Pakketvalidatiewaarschuwingen weergeven. De standaardwaarde is Onwaar.