Estimator Klas

Vertegenwoordigt een algemene estimator voor het trainen van gegevens met behulp van een geleverd framework.

VEROUDERD. Gebruik het ScriptRunConfig object met uw eigen gedefinieerde omgeving of een door Azure ML samengestelde omgeving. Zie Trainingsuitvoeringen configureren en verzenden voor een inleiding tot het configureren van experimentuitvoeringen met ScriptRunConfig.

Deze klasse is ontworpen voor gebruik met machine learning-frameworks die nog geen vooraf geconfigureerde Azure Machine Learning-estimator hebben. Vooraf geconfigureerde schattingen bestaan voor Chainer, PyTorchen TensorFlow SKLearn. Zie Modellen trainen met Azure Machine Learning met behulp van estimator om een estimator te maken die niet vooraf is geconfigureerd.

De Estimator-klasse verpakt configuratiegegevens om de taken van het opgeven van hoe een script wordt uitgevoerd te vereenvoudigen. Het biedt ondersteuning voor uitvoering van één knooppunt en uitvoering van meerdere knooppunten. Als u de estimator uitvoert, wordt een model geproduceerd in de uitvoermap die is opgegeven in uw trainingsscript.

Initialiseer de estimator.

azureml.core.environment._DEFAULT_SHM_SIZE wordt gebruikt. Zie Docker run referentie voor meer informatie. :type shm_size: str :p aram resume_from: het gegevenspad met de controlepunt- of modelbestanden waaruit het experiment moet worden hervat. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: De maximale toegestane tijd voor de uitvoering. Azure ML probeert automatisch

annuleer de uitvoering als het langer duurt dan deze waarde.

Constructor

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)

Parameters

Name	Description
source_directory Vereist	str Een lokale map met experimentconfiguratie- en codebestanden die nodig zijn voor een trainingstaak.
compute_target Vereist	AbstractComputeTarget of str Het rekendoel waar de training plaatsvindt. Dit kan een object zijn of de tekenreeks 'lokaal'.
vm_size Vereist	str De VM-grootte van het rekendoel dat wordt gemaakt voor de training. Ondersteunde waarden: elke Azure-VM-grootte.
vm_priority Vereist	str 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` parameter is opgegeven in de invoer.
entry_script Vereist	str Het relatieve pad naar het bestand dat is gebruikt om de training te starten.
script_params Vereist	dict Een woordenlijst met opdrachtregelargumenten die moeten worden doorgegeven aan het trainingsscript dat is opgegeven in `entry_script`.
node_count Vereist	int Het aantal knooppunten in het rekendoel dat wordt gebruikt voor training. Als deze groter is dan 1, wordt een gedistribueerde MPI-taak uitgevoerd.
process_count_per_node Vereist	int Het aantal processen (of 'workers') dat op elk knooppunt moet worden uitgevoerd. Als deze groter is dan 1, wordt een gedistribueerde MPI-taak uitgevoerd. Alleen het AmlCompute doel wordt ondersteund voor gedistribueerde taken.
distributed_backend Vereist	str De communicatieback-end voor gedistribueerde training. VEROUDERD. Gebruik de `distributed_training` parameter. Ondersteunde waarden: 'mpi'. 'mpi' vertegenwoordigt MPI/Horovod. Deze parameter is vereist wanneer `node_count` of `process_count_per_node`> 1. 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.
distributed_training Vereist	Mpi Parameters voor het uitvoeren van een gedistribueerde trainingstaak. Gebruik het object om op te geven Mpivoor het uitvoeren van een gedistribueerde taak met MPI-back-end`process_count_per_node`.
use_gpu Vereist	bool Hiermee wordt aangegeven 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.
use_docker Vereist	bool Hiermee geeft u op of de omgeving voor het uitvoeren van het experiment Docker moet zijn.
custom_docker_base_image Vereist	str 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.
custom_docker_image Vereist	str 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. Geef alleen installatiekopieën op die beschikbaar zijn in openbare Docker-opslagplaatsen (Docker Hub). Als u een installatiekopieën uit een privé-Docker-opslagplaats wilt gebruiken, gebruikt u in plaats daarvan de parameter van `environment_definition` de constructor.
image_registry_details Vereist	ContainerRegistry De details van het Docker-installatiekopieënregister.
user_managed Vereist	bool Hiermee geeft u op of Azure ML een bestaande Python-omgeving opnieuw gebruikt. Als dit onwaar is, wordt er een Python-omgeving gemaakt op basis van de conda-afhankelijkhedenspecificatie.
conda_packages Vereist	list Een lijst met tekenreeksen die conda-pakketten vertegenwoordigen die moeten worden toegevoegd aan de Python-omgeving voor het experiment.
pip_packages Vereist	list Een lijst met tekenreeksen die pip-pakketten vertegenwoordigen die moeten worden toegevoegd aan de Python-omgeving voor het experiment.
conda_dependencies_file_path Vereist	str Het relatieve pad naar het yaml-bestand van conda-afhankelijkheden. Indien opgegeven, installeert Azure ML geen frameworkgerelateerde pakketten. VEROUDERD. Gebruik de `conda_dependencies_file` paramenter. Geef een `conda_dependencies_file_path` van beide op of `conda_dependencies_file`. Als beide zijn opgegeven, `conda_dependencies_file` wordt gebruikt.
pip_requirements_file_path Vereist	str Het relatieve pad naar het tekstbestand met pip-vereisten. VEROUDERD. Gebruik de `pip_requirements_file` parameter. Deze parameter kan worden opgegeven in combinatie met de `pip_packages` parameter. Geef een `pip_requirements_file_path` van beide op of `pip_requirements_file`. Als beide zijn opgegeven, `pip_requirements_file` wordt gebruikt.
conda_dependencies_file Vereist	str Het relatieve pad naar het yaml-bestand van conda-afhankelijkheden. Indien opgegeven, installeert Azure ML geen frameworkgerelateerde pakketten.
pip_requirements_file Vereist	str Het relatieve pad naar het tekstbestand met pip-vereisten. Deze parameter kan worden opgegeven in combinatie met de `pip_packages` parameter.
environment_variables Vereist	dict Een woordenlijst met namen en waarden van omgevingsvariabelen. Deze omgevingsvariabelen worden ingesteld voor het proces waarin het gebruikersscript wordt uitgevoerd.
environment_definition Vereist	Environment 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_packages`of `pip_packages`. Fouten worden gerapporteerd over ongeldige combinaties.
inputs Vereist	list Een lijst met DataReference objecten die DatasetConsumptionConfig als invoer moeten worden gebruikt.
source_directory_data_store Vereist	Datastore Het back-upgegevensarchief voor de projectshare.
shm_size Vereist	str 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.
resume_from Vereist	DataPath Het gegevenspad met het controlepunt of modelbestanden waaruit het experiment moet worden hervat.
max_run_duration_seconds Vereist	int De maximaal toegestane tijd voor de uitvoering. Azure ML probeert de uitvoering automatisch te annuleren als het langer duurt dan deze waarde.
source_directory Vereist	str Een lokale map met experimentconfiguratie- en codebestanden die nodig zijn voor een trainingstaak.
compute_target Vereist	AbstractComputeTarget of str Het rekendoel waar de training plaatsvindt. Dit kan een object zijn of de tekenreeks 'lokaal'.
vm_size Vereist	str De VM-grootte van het rekendoel dat wordt gemaakt voor de training. Ondersteunde waarden: elke Azure-VM-grootte.
vm_priority Vereist	str 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` parameter is opgegeven in de invoer.
entry_script Vereist	str Het relatieve pad naar het bestand dat is gebruikt om de training te starten.
script_params Vereist	dict Een woordenlijst met opdrachtregelargumenten die moeten worden doorgegeven aan het trainingsscript dat is opgegeven in `entry_script`.
node_count Vereist	int Het aantal knooppunten in het rekendoel dat wordt gebruikt voor training. Als deze groter is dan 1, wordt een gedistribueerde MPI-taak uitgevoerd. Alleen het AmlCompute doel wordt ondersteund voor gedistribueerde taken.
process_count_per_node Vereist	int Het aantal processen per knooppunt. Als deze groter is dan 1, wordt een gedistribueerde MPI-taak uitgevoerd. Alleen het AmlCompute doel wordt ondersteund voor gedistribueerde taken.
distributed_backend Vereist	str De communicatieback-end voor gedistribueerde training. VEROUDERD. Gebruik de `distributed_training` parameter. Ondersteunde waarden: 'mpi'. 'mpi' vertegenwoordigt MPI/Horovod. Deze parameter is vereist wanneer `node_count` of `process_count_per_node`> 1. 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.
distributed_training Vereist	Mpi Parameters voor het uitvoeren van een gedistribueerde trainingstaak. Gebruik het object om op te geven Mpivoor het uitvoeren van een gedistribueerde taak met MPI-back-end`process_count_per_node`.
use_gpu Vereist	bool 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.
use_docker Vereist	bool Hiermee geeft u op of de omgeving voor het uitvoeren van het experiment Docker moet zijn.
custom_docker_base_image Vereist	str 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.
custom_docker_image Vereist	str 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. Geef alleen installatiekopieën op die beschikbaar zijn in openbare Docker-opslagplaatsen (Docker Hub). Als u een installatiekopieën uit een privé-Docker-opslagplaats wilt gebruiken, gebruikt u in plaats daarvan de parameter van `environment_definition` de constructor.
image_registry_details Vereist	ContainerRegistry De details van het Docker-installatiekopieënregister.
user_managed Vereist	bool Hiermee geeft u op of Azure ML een bestaande Python-omgeving opnieuw gebruikt. Als dit onwaar is, wordt er een Python-omgeving gemaakt op basis van de conda-afhankelijkhedenspecificatie.
conda_packages Vereist	list Een lijst met tekenreeksen die conda-pakketten vertegenwoordigen die moeten worden toegevoegd aan de Python-omgeving voor het experiment.
pip_packages Vereist	list Een lijst met tekenreeksen die pip-pakketten vertegenwoordigen die moeten worden toegevoegd aan de Python-omgeving voor het experiment.
conda_dependencies_file_path Vereist	Het relatieve pad naar het yaml-bestand van conda-afhankelijkheden. Indien opgegeven, installeert Azure ML geen frameworkgerelateerde pakketten. VEROUDERD. Gebruik de `conda_dependencies_file` paramenter. Geef een `conda_dependencies_file_path` van beide op of `conda_dependencies_file`. Als beide zijn opgegeven, `conda_dependencies_file` wordt gebruikt.
pip_requirements_file_path Vereist	Het relatieve pad naar het tekstbestand met pip-vereisten. VEROUDERD. Gebruik de `pip_requirements_file` parameter. Dit kan worden opgegeven in combinatie met de `pip_packages` parameter. Geef een `pip_requirements_file_path` van beide op of `pip_requirements_file`. Als beide zijn opgegeven, `pip_requirements_file` wordt gebruikt.
pip_requirements_file Vereist	str Het relatieve pad naar het tekstbestand met pip-vereisten. Dit kan worden opgegeven in combinatie met de `pip_packages` parameter.
environment_variables Vereist	dict Een woordenlijst met namen en waarden van omgevingsvariabelen. Deze omgevingsvariabelen worden ingesteld voor het proces waarin het gebruikersscript wordt uitgevoerd.
environment_definition Vereist	Environment 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_packages`of `pip_packages`. Fouten worden gerapporteerd over ongeldige combinaties.
inputs Vereist	list Een lijst met DataReference objecten die DatasetConsumptionConfig als invoer moeten worden gebruikt.
source_directory_data_store Vereist	Datastore Het back-upgegevensarchief voor de projectshare.
shm_size Vereist	De grootte van het gedeelde geheugenblok van de Docker-container. Als dit niet is ingesteld, is de standaardwaarde
_disable_validation Vereist	bool Schakel scriptvalidatie uit voordat het verzenden wordt uitgevoerd. De standaardwaarde is Waar.
_show_lint_warnings Vereist	bool Waarschuwingen voor het linten van scripts weergeven. De standaardwaarde is Onwaar.
_show_package_warnings Vereist	bool Pakketvalidatiewaarschuwingen weergeven. De standaardwaarde is Onwaar.

Feedback

Is deze pagina nuttig?

Delen via

Estimator Klas

Constructor

Parameters

Feedback