Run Classe

Adicione propriedades imutáveis à execução.

Marcas e propriedades (ambos dict[str, str]) diferem em sua mutabilidade. As propriedades são imutáveis e, portanto, criam um registro permanente para fins de auditoria. As marcas são mutáveis. Para obter mais informações sobre como trabalhar com marcas e propriedades, consulte Marcar e localizar execuções.

add_properties(properties)

Parâmetros

Gancho de extensibilidade para tipos de execução personalizados armazenados no Histórico de Execuções.

static add_type_provider(runtype, run_factory)

Parâmetros

Marque a execução como cancelada.

Se houver um trabalho associado a um campo de cancel_uri definido, encerre esse trabalho também.

cancel()

Criar uma execução filho.

child_run(name=None, run_id=None, outputs=None)

Parâmetros

Retornos

Comentários

Isso é usado para isolar parte de uma execução em uma subseção. Isso pode ser feito para "partes" identificáveis de uma execução que são interessantes de separar ou para capturar métricas independentes em uma interação de um subprocesso.

Se um diretório de saída for definido para a execução filho, o conteúdo desse diretório será carregado no registro de execução filho quando o filho for concluído.

Remova os arquivos correspondentes à execução atual no destino especificado na configuração de execução.

clean()

Retornos

Aguarde até que a fila de tarefas seja processada.

Em seguida, a execução é marcada como concluída. Normalmente, isso é usado em cenários interativos de notebook.

complete(_set_status=True)

Parâmetros

Crie uma ou muitas execuções filho.

create_children(count=None, tag_key=None, tag_values=None)

Parâmetros

Retornos

Comentários

Os parâmetros count OR do parâmetro tag_key AND tag_values devem ser especificados.

Baixe um arquivo associado do armazenamento.

download_file(name, output_file_path=None, _validate_checksum=False)

Parâmetros

Baixe arquivos de um determinado prefixo de armazenamento (nome da pasta) ou de todo o contêiner se o prefixo não for especificado.

download_files(prefix=None, output_directory=None, output_paths=None, batch_size=100, append_prefix=True, timeout_seconds=None)

Parâmetros

Marque a execução como falha.

Opcionalmente, defina a propriedade Error da execução com uma mensagem ou exceção passada para error_details.

fail(error_details=None, error_code=None, _set_status=True)

Parâmetros

Aguarde até que a fila de tarefas seja processada.

flush(timeout_seconds=300)

Parâmetros

Obtenha a execução deste workspace com sua ID de execução.

static get(workspace, run_id)

Parâmetros

Retornos

Baixe todos os logs para a execução em um diretório.

get_all_logs(destination=None)

Parâmetros

Retornos

Obtenha todos os filhos para a execução atual selecionada por filtros especificados.

get_children(recursive=False, tags=None, properties=None, type=None, status=None, _rehydrate_runs=True)

Parâmetros

Retornos

Retornar o contexto de serviço atual.

Use esse método para recuperar o contexto de serviço atual para registrar em log métricas e carregar arquivos. Se allow_offline for True (o padrão), as ações em relação ao objeto Executar serão impressas no padrão.

get_context(allow_offline=True, used_for_context_manager=False, **kwargs)

Parâmetros

Retornos

Comentários

Essa função geralmente é usada para recuperar o objeto Run autenticado dentro de um script a ser enviado para execução por meio de experiment.submit(). Esse objeto de execução é um contexto autenticado para se comunicar com os serviços do Azure Machine Learning e um contêiner conceitual no qual métricas, arquivos (artefatos) e modelos estão contidos.

   run = Run.get_context() # allow_offline=True by default, so can be run locally as well
   ...
   run.log("Accuracy", 0.98)
   run.log_row("Performance", epoch=e, error=err)

Busque o status mais recente da execução. Se o status da execução for "Enfileirado", ele mostrará os detalhes.

get_detailed_status()

Retornos

Comentários

• status: o status atual da execução. Mesmo valor que o retornado de get_status().

• detalhes: as informações detalhadas sobre o status atual.

   run = experiment.submit(config)
   details = run.get_detailed_status()
   # details = {
   #     'status': 'Queued',
   #     'details': 'Run requested 1 node(s). Run is in pending status.',
   # }

Obtenha a definição, as informações de status, os arquivos de log atuais e outros detalhes da execução.

get_details()

Retornos

Comentários

O dicionário retornado contém os seguintes pares chave-valor:

• runId: ID desta execução.

• de destino

• status: o status atual da execução. Mesmo valor que o retornado de get_status().

• startTimeUtc: hora UTC de quando esta execução foi iniciada, em ISO8601.

• endTimeUtc: hora UTC de quando esta execução foi concluída (concluída ou com falha), em ISO8601.

  Essa chave não existirá se a execução ainda estiver em andamento.

• propriedades: pares chave-valor imutáveis associados à execução. As propriedades padrão incluem a ID de instantâneo da execução e informações sobre o repositório git do qual a execução foi criada (se houver). Propriedades adicionais podem ser adicionadas a uma execução usando add_properties.

• inputDatasets: conjuntos de dados de entrada associados à execução.

• outputDatasets: conjuntos de dados de saída associados à execução.

• logFiles

• submittedBy

   run = experiment.start_logging()

   details = run.get_details()
   # details = {
   #     'runId': '5c24aa28-6e4a-4572-96a0-fb522d26fe2d',
   #     'target': 'sdk',
   #     'status': 'Running',
   #     'startTimeUtc': '2019-01-01T13:08:01.713777Z',
   #     'endTimeUtc': '2019-01-01T17:15:65.986253Z',
   #     'properties': {
   #         'azureml.git.repository_uri': 'https://example.com/my/git/repo',
   #         'azureml.git.branch': 'master',
   #         'azureml.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'azureml.git.dirty': 'True',
   #         'mlflow.source.git.repoURL': 'https://example.com/my/git/repo',
   #         'mlflow.source.git.branch': 'master',
   #         'mlflow.source.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'ContentSnapshotId': 'b4689489-ce2f-4db5-b6d7-6ad11e77079c'
   #     },
   #     'inputDatasets': [{
   #         'dataset': {'id': 'cdebf245-701d-4a68-8055-41f9cf44f298'},
   #         'consumptionDetails': {
   #             'type': 'RunInput',
   #             'inputName': 'training-data',
   #             'mechanism': 'Mount',
   #             'pathOnCompute': '/mnt/datasets/train'
   #         }
   #     }],
   #     'outputDatasets': [{
   #         'dataset': {'id': 'd04e8a19-1caa-4b1f-b318-4cbff9af9615'},
   #         'outputType': 'RunOutput',
   #         'outputDetails': {
   #             'outputName': 'training-result'
   #         }
   #     }],
   #     'runDefinition': {},
   #     'logFiles': {},
   #     'submittedBy': 'Alan Turing'
   # }

Retornar o status da execução, incluindo o conteúdo do arquivo de log.

get_details_with_logs()

Retornos

Obtenha a definição de ambiente usada por essa execução.

get_environment()

Retornos

Liste os arquivos armazenados em associação com a execução.

get_file_names()

Retornos

Recupere as métricas registradas na execução.

Se recursive for True (False por padrão), busque métricas para execuções na subárvore da execução fornecida.

get_metrics(name=None, recursive=False, run_type=None, populate=False)

Parâmetros

Retornos

Comentários

   run = experiment.start_logging() # run id: 123
   run.log("A", 1)
   with run.child_run() as child: # run id: 456
       child.log("A", 2)

   metrics = run.get_metrics()
   # metrics = { 'A': 1 }

   metrics = run.get_metrics(recursive=True)
   # metrics = { '123': { 'A': 1 }, '456': { 'A': 2 } } note key is runId

Busque as propriedades mais recentes da execução do serviço.

get_properties()

Retornos

Comentários

As propriedades são informações imutáveis geradas pelo sistema, como duração, data de execução, usuário e propriedades personalizadas adicionadas com o add_properties método. Para obter mais informações, consulte Marcar e localizar execuções.

Ao enviar um trabalho para o Azure Machine Learning, se os arquivos de origem forem armazenados em um repositório git local, as informações sobre o repositório serão armazenadas como propriedades. Essas propriedades git são adicionadas ao criar uma execução ou chamar Experiment.submit. Para obter mais informações sobre as propriedades do Git, consulte a integração do Git para o Azure Machine Learning.

Obtenha o valor do segredo do contexto de uma execução.

Obtenha o valor do segredo para o nome fornecido. O nome do segredo faz referência a um valor armazenado no Azure Key Vault associado ao seu workspace. Para obter um exemplo de como trabalhar com segredos, consulte Usar segredos em execuções de treinamento.

get_secret(name)

Parâmetros

Retornos

Obtenha os valores secretos para uma determinada lista de nomes secretos.

Obtenha um dicionário de segredos encontrados e não encontrados para a lista de nomes fornecidos. Cada nome secreto faz referência a um valor armazenado no Azure Key Vault associado ao seu workspace. Para obter um exemplo de como trabalhar com segredos, consulte Usar segredos em execuções de treinamento.

get_secrets(secrets)

Parâmetros

Retornos

Obtenha a ID de instantâneo mais recente.

get_snapshot_id()

Retornos

Busque o status mais recente da execução.

Os valores comuns retornados incluem "Executando", "Concluído" e "Falha".

get_status()

Retornos

Comentários

• NotStarted - Este é um estado temporário em que os objetos Run do lado do cliente estão antes do envio à nuvem.

• Iniciando – a execução começou a ser processada na nuvem. O chamador tem uma ID de execução neste momento.

• Provisionamento – Retornado quando a computação sob demanda está sendo criada para um determinado envio de trabalho.

• Preparação – O ambiente de execução está sendo preparado:

  • compilação de imagem do Docker

  • configuração do ambiente conda

• Enfileirado – o trabalho é enfileirado no destino de computação. Por exemplo, no BatchAI, o trabalho está em estado de fila

  enquanto aguarda todos os nós solicitados estarem prontos.

• Em execução – o trabalho começou a ser executado no destino de computação.

• Finalização – o código do usuário foi concluído e a execução está em estágios pós-processamento.

• CancelRequested - O cancelamento foi solicitado para o trabalho.

• Concluído - A execução foi concluída com êxito. Isso inclui o código do usuário e a execução

  estágios de pós-processamento.

• Falha – a execução falhou. Normalmente, a propriedade Error em uma execução fornecerá detalhes sobre o motivo.

• Cancelado – Segue uma solicitação de cancelamento e indica que a execução foi cancelada com êxito.

• NotResponding - Para execuções que têm pulsações habilitadas, nenhuma pulsação foi enviada recentemente.

   run = experiment.submit(config)
   while run.get_status() not in ['Completed', 'Failed']: # For example purposes only, not exhaustive
       print('Run {} not in terminal state'.format(run.id))
       time.sleep(10)

DEPRECADO. Use get_context.

Obtenha a execução enviada para este experimento.

get_submitted_run(**kwargs)

Retornos

Busque o conjunto mais recente de marcas mutáveis na execução do serviço.

get_tags()

Retornos

Obtenha uma lista de execuções em um experimento especificado por filtros opcionais.

static list(experiment, type=None, tags=None, properties=None, status=None, include_children=False, _rehydrate_runs=True)

Parâmetros

Retornos

Comentários

O exemplo de código a seguir mostra alguns usos do list método.

   favorite_completed_runs = Run.list(experiment, status='Completed', tags='favorite')

   all_distinct_runs = Run.list(experiment)
   and_their_children = Run.list(experiment, include_children=True)

   only_script_runs = Run.list(experiment, type=ScriptRun.RUN_TYPE)

Obtenha uma lista de execuções em uma computação especificada por filtros opcionais.

static list_by_compute(compute, type=None, tags=None, properties=None, status=None)

Parâmetros

Retornos

Registre um valor de métrica na execução com o nome fornecido.

log(name, value, description='', step=None)

Parâmetros

Comentários

Registrar uma métrica em uma execução faz com que essa métrica seja armazenada no registro de execução no experimento. Você pode registrar a mesma métrica várias vezes em uma execução, sendo o resultado considerado um vetor dessa métrica. Se a etapa for especificada para uma métrica, ela deverá ser especificada para todos os valores.

Registre uma tabela de precisão no repositório de artefatos.

A métrica da tabela de precisão é uma métrica não escalar de uso múltiplo que pode ser usada para produzir vários tipos de gráficos de linhas que variam continuamente sobre o espaço de probabilidades previstas. Exemplos desses gráficos são ROC, recall de precisão e curvas de elevação.

O cálculo da tabela de precisão é semelhante ao cálculo de uma curva ROC. Uma curva ROC armazena taxas positivas verdadeiras e taxas falsas positivas em muitos limites de probabilidade diferentes. A tabela de precisão armazena o número bruto de verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos em muitos limites de probabilidade.

Há dois métodos usados para selecionar limites: "probabilidade" e "percentil". Eles diferem na forma como amostram do espaço de probabilidades previstas.

Os limites de probabilidade são limites uniformemente espaçados entre 0 e 1. Se NUM_POINTS for 5, os limites de probabilidade serão [0,0, 0,25, 0,5, 0,75, 1,0].

Os limites de percentil são espaçados de acordo com a distribuição de probabilidades previstas. Cada limite corresponde ao percentil dos dados em um limite de probabilidade. Por exemplo, se NUM_POINTS for 5, o primeiro limite será no 0º percentil, o segundo no 25º percentil, o terceiro no 50º e assim por diante.

As tabelas de probabilidade e tabelas de percentil são listas 3D em que a primeira dimensão representa o rótulo de classe, a segunda dimensão representa o exemplo em um limite (dimensiona com NUM_POINTS) e a terceira dimensão sempre tem 4 valores: TP, FP, TN, FN e sempre nessa ordem.

Os valores de confusão (TP, FP, TN, FN) são computados com uma estratégia de rest versus um. Confira o link a seguir para obter mais detalhes: https://en.wikipedia.org/wiki/Multiclass_classification

N = # de exemplos no conjunto de dados de validação (200 no exemplo) M = # limites = # amostras extraídas do espaço de probabilidade (5 no exemplo) C = # classes no conjunto de dados completo (3 no exemplo)

Alguns invariáveis da tabela de precisão:

• TP + FP + TN + FN = N para todos os limites para todas as classes
• TP + FN é o mesmo em todos os limites para qualquer classe
• TN + FP é o mesmo em todos os limites para qualquer classe
• Tabelas de probabilidade e tabelas de percentil têm forma [C, M, 4]

Observação: M pode ser qualquer valor e controla a resolução dos gráficos Isso é independente do conjunto de dados, é definido ao calcular métricas e troca espaço de armazenamento, tempo de computação e resolução.

Os rótulos de classe devem ser cadeias de caracteres, os valores de confusão devem ser inteiros e os limites devem ser flutuantes.

log_accuracy_table(name, value, description='')

Parâmetros

Comentários

Exemplo de um valor JSON válido:

   {
       "schema_type": "accuracy_table",
       "schema_version": "1.0.1",
       "data": {
           "probability_tables": [
               [
                   [82, 118, 0, 0],
                   [75, 31, 87, 7],
                   [66, 9, 109, 16],
                   [46, 2, 116, 36],
                   [0, 0, 118, 82]
               ],
               [
                   [60, 140, 0, 0],
                   [56, 20, 120, 4],
                   [47, 4, 136, 13],
                   [28, 0, 140, 32],
                   [0, 0, 140, 60]
               ],
               [
                   [58, 142, 0, 0],
                   [53, 29, 113, 5],
                   [40, 10, 132, 18],
                   [24, 1, 141, 34],
                   [0, 0, 142, 58]
               ]
           ],
           "percentile_tables": [
               [
                   [82, 118, 0, 0],
                   [82, 67, 51, 0],
                   [75, 26, 92, 7],
                   [48, 3, 115, 34],
                   [3, 0, 118, 79]
               ],
               [
                   [60, 140, 0, 0],
                   [60, 89, 51, 0],
                   [60, 41, 99, 0],
                   [46, 5, 135, 14],
                   [3, 0, 140, 57]
               ],
               [
                   [58, 142, 0, 0],
                   [56, 93, 49, 2],
                   [54, 47, 95, 4],
                   [41, 10, 132, 17],
                   [3, 0, 142, 55]
               ]
           ],
           "probability_thresholds": [0.0, 0.25, 0.5, 0.75, 1.0],
           "percentile_thresholds": [0.0, 0.01, 0.24, 0.98, 1.0],
           "class_labels": ["0", "1", "2"]
       }
   }

Registre uma matriz de confusão no repositório de artefatos.

Isso registra um wrapper em torno da matriz de confusão sklearn. Os dados de métrica contêm os rótulos de classe e uma lista 2D para a própria matriz. Consulte o link a seguir para obter mais detalhes sobre como a métrica é computada: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

Parâmetros

Comentários

Exemplo de um valor JSON válido:

   {
       "schema_type": "confusion_matrix",
       "schema_version": "1.0.0",
       "data": {
           "class_labels": ["0", "1", "2", "3"],
           "matrix": [
               [3, 0, 1, 0],
               [0, 1, 0, 1],
               [0, 0, 1, 0],
               [0, 0, 0, 1]
           ]
       }
   }

Registre uma métrica de imagem no registro de execução.

log_image(name, path=None, plot=None, description='')

Parâmetros

Comentários

Use esse método para registrar um arquivo de imagem ou um gráfico matplotlib na execução. Essas imagens serão visíveis e comparáveis no registro de execução.

Registre uma lista de valores de métrica na execução com o nome fornecido.

log_list(name, value, description='')

Parâmetros

Faça previsões de log para o repositório de artefatos.

Isso registra uma pontuação de métrica que pode ser usada para comparar as distribuições de valores de destino verdadeiros com a distribuição de valores previstos para uma tarefa de regressão.

As previsões são binadas e os desvios padrão são calculados para barras de erros em um gráfico de linhas.

log_predictions(name, value, description='')

Parâmetros

Comentários

Exemplo de um valor JSON válido:

   {
       "schema_type": "predictions",
       "schema_version": "1.0.0",
       "data": {
           "bin_averages": [0.25, 0.75],
           "bin_errors": [0.013, 0.042],
           "bin_counts": [56, 34],
           "bin_edges": [0.0, 0.5, 1.0]
       }
   }

Registre resíduos no repositório de artefatos.

Isso registra os dados necessários para exibir um histograma de resíduos para uma tarefa de regressão. Os resíduos são previstos- reais.

Deve haver uma vantagem a mais do que o número de contagens. Consulte a documentação do histograma numpy para obter exemplos de uso de contagens e bordas para representar um histograma. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

Parâmetros

Comentários

Exemplo de um valor JSON válido:

   {
       "schema_type": "residuals",
       "schema_version": "1.0.0",
       "data": {
           "bin_edges": [50, 100, 200, 300, 350],
           "bin_counts": [0.88, 20, 30, 50.99]
       }
   }

Registre uma métrica de linha na execução com o nome fornecido.

log_row(name, description=None, **kwargs)

Parâmetros

Comentários

O uso log_row cria uma métrica de tabela com colunas, conforme descrito em kwargs. Cada parâmetro nomeado gera uma coluna com o valor especificado. log_row pode ser chamado uma vez para registrar uma tupla arbitrária ou várias vezes em um loop para gerar uma tabela completa.

   citrus = ['orange', 'lemon', 'lime']
   sizes = [ 10, 7, 3]
   for index in range(len(citrus)):
       run.log_row("citrus", fruit = citrus[index], size=sizes[index])

Registre uma métrica de tabela na execução com o nome fornecido.

log_table(name, value, description='')

Parâmetros

Registre um modelo para operacionalização.

register_model(model_name, model_path=None, tags=None, properties=None, model_framework=None, model_framework_version=None, description=None, datasets=None, sample_input_dataset=None, sample_output_dataset=None, resource_configuration=None, **kwargs)

Parâmetros

Retornos

Comentários

   model = best_run.register_model(model_name = 'best_model', model_path = 'outputs/model.pkl')

Exclua a lista de marcas mutáveis nesta execução.

remove_tags(tags)

Parâmetros

Retornos

Restaure um instantâneo como um arquivo ZIP. Retorna o caminho para o ZIP.

restore_snapshot(snapshot_id=None, path=None)

Parâmetros

Retornos

Adicione ou modifique um conjunto de marcas na execução. As marcas não passadas no dicionário são deixadas intocadas.

Você também pode adicionar marcações de cadeia de caracteres simples. Quando essas marcas aparecem no dicionário de marcas como chaves, elas têm um valor None. Para obter mais informações, consulte Marcar e localizar execuções.

set_tags(tags)

Parâmetros

Marque a execução como iniciada.

Normalmente, isso é usado em cenários avançados quando a execução foi criada por outro ator.

start()

Envie um experimento e retorne a execução filho ativa.

submit_child(config, tags=None, **kwargs)

Parâmetros

Retornos

Comentários

Enviar é uma chamada assíncrona para a plataforma do Azure Machine Learning para executar uma avaliação em hardware local ou remoto. Dependendo da configuração, o envio preparará automaticamente seus ambientes de execução, executará seu código e capturará o código-fonte e os resultados no histórico de execução do experimento.

Para enviar um experimento, primeiro você precisa criar um objeto de configuração que descreva como o experimento deve ser executado. A configuração depende do tipo de avaliação necessária.

Um exemplo de como enviar um experimento filho do computador local usando ScriptRunConfig é o seguinte:

   from azureml.core import ScriptRunConfig

   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = parent_run.submit_child(config)

   # get the url to view the progress of the experiment and then wait
   # until the trial is complete
   print(run.get_portal_url())
   run.wait_for_completion()

Para obter detalhes sobre como configurar uma execução, consulte submit.

Marque a execução com uma chave de cadeia de caracteres e um valor de cadeia de caracteres opcional.

tag(key, value=None)

Parâmetros

Comentários

Marcas e propriedades em uma execução são dicionários de cadeia de caracteres –> cadeia de caracteres. A diferença entre eles é a mutabilidade: as marcas podem ser definidas, atualizadas e excluídas, enquanto as Propriedades só podem ser adicionadas. Isso torna as propriedades mais apropriadas para gatilhos de comportamento relacionados ao sistema/fluxo de trabalho, enquanto as marcas geralmente são voltadas para o usuário e significativas para os consumidores do experimento.

   run = experiment.start_logging()
   run.tag('DeploymentCandidate')
   run.tag('modifiedBy', 'Master CI')
   run.tag('modifiedBy', 'release pipeline') # Careful, tags are mutable

   run.add_properties({'BuildId': os.environ.get('VSTS_BUILD_ID')}) # Properties are not

   tags = run.get_tags()
   # tags = { 'DeploymentCandidate': None, 'modifiedBy': 'release pipeline' }

Salve um instantâneo do arquivo ou pasta de entrada.

take_snapshot(file_or_folder_path)

Parâmetros

Retornos

Comentários

Os instantâneos devem ser o código-fonte usado para executar a execução do experimento. Elas são armazenadas com a execução para que a avaliação de execução possa ser replicada no futuro.

Carregue um arquivo no registro de execução.

upload_file(name, path_or_stream, datastore_name=None)

Parâmetros

Retornos

Comentários

   run = experiment.start_logging()
   run.upload_file(name='important_file', path_or_stream="path/on/disk/file.txt")

Carregue arquivos no registro de execução.

upload_files(names, paths, return_artifacts=False, timeout_seconds=None, datastore_name=None)

Parâmetros

Comentários

upload_files tem o mesmo efeito que upload_file em arquivos separados, no entanto, há benefícios de desempenho e utilização de recursos ao usar upload_files.

   import os

   run = experiment.start_logging()
   file_name_1 = 'important_file_1'
   file_name_2 = 'important_file_2'
   run.upload_files(names=[file_name_1, file_name_2],
                       paths=['path/on/disk/file_1.txt', 'other/path/on/disk/file_2.txt'])

   run.download_file(file_name_1, 'file_1.txt')

   os.mkdir("path")  # The path must exist
   run.download_file(file_name_2, 'path/file_2.txt')

Carregue a pasta especificada no nome do prefixo fornecido.

upload_folder(name, path, datastore_name=None)

Parâmetros

Comentários

   run = experiment.start_logging()
   run.upload_folder(name='important_files', path='path/on/disk')

   run.download_file('important_files/existing_file.txt', 'local_file.txt')

Aguarde a conclusão desta execução. Retorna o objeto de status após a espera.

wait_for_completion(show_output=False, wait_post_processing=False, raise_on_error=True)

Parâmetros

Retornos

Retorne a descrição da execução.

A descrição opcional da execução é uma cadeia de caracteres especificada pelo usuário útil para descrever uma execução.

Retornos

Retornar o nome de exibição de execução.

O nome de exibição opcional da execução é uma cadeia de caracteres especificada pelo usuário útil para identificação posterior da execução.

Retornos

Obtenha o experimento que contém a execução.

Retornos

Obter a ID da execução.

A ID da execução é um identificador exclusivo no experimento que contém.

Retornos

DEPRECADO. Use display_name.

O nome opcional da execução é uma cadeia de caracteres especificada pelo usuário útil para identificação posterior da execução.

Retornos

Obter o número de execução.

Um número monotonicamente crescente que representa a ordem das execuções dentro de um experimento.

Retornos

Busque a execução pai para esta execução do serviço.

As execuções podem ter um pai opcional, resultando em uma hierarquia de árvore potencial de execuções. Para registrar métricas em uma execução pai, use o log método do objeto pai, por exemplo, run.parent.log().

Retornos

Retorne as propriedades imutáveis dessa execução.

Retornos

Comentários

As propriedades incluem informações imutáveis geradas pelo sistema, como duração, data de execução, usuário etc.

Retornar o status do objeto de execução.

Retorne o conjunto de marcas mutáveis nesta execução.

Retornos

Obter o tipo de execução.

Indica como a execução foi criada ou configurada.

Retornos