EstimatorStep Classe
DEPRECADO. Cria uma etapa de pipeline a ser executada Estimator para o treinamento do modelo do Azure ML.
Crie uma etapa do Pipeline do Azure ML para executar o treinamento de modelo do Estimador para Machine Learning.
DEPRECADO. Use o CommandStep em vez disso. Para obter um exemplo , consulte Como executar o treinamento de ML em pipelines com CommandStep.
Construtor
EstimatorStep(name=None, estimator=None, estimator_entry_script_arguments=None, runconfig_pipeline_params=None, inputs=None, outputs=None, compute_target=None, allow_reuse=True, version=None)Parâmetros
| Nome | Description |
|---|---|
|
name
|
O nome da etapa. Valor padrão: None
|
|
estimator
|
O objeto estimador associado para esta etapa. Pode ser um avaliador pré-configurado, comoChainer, , PyTorchTensorFlowou SKLearn. Valor padrão: None
|
|
estimator_entry_script_arguments
|
[Obrigatório] Uma lista de argumentos de linha de comando. Se o script de entrada do Avaliador não aceitar argumentos de linha de comando, defina esse valor de parâmetro como uma lista vazia. Valor padrão: None
|
|
runconfig_pipeline_params
|
Uma substituição das propriedades runconfig em runtime usando pares chave-valor, cada uma com o nome da propriedade runconfig e PipelineParameter para essa propriedade. Valores com suporte: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount' Valor padrão: None
|
|
inputs
|
Uma lista de entradas a serem usadas. Valor padrão: None
|
|
outputs
|
Uma lista de objetos PipelineData. Valor padrão: None
|
|
compute_target
|
[Obrigatório] O destino de computação a ser usado. Valor padrão: None
|
|
allow_reuse
|
Indica se a etapa deve reutilizar os resultados anteriores ao executar novamente com as mesmas configurações. A reutilização é habilitada por padrão. Se o conteúdo da etapa (scripts/dependências), bem como entradas e parâmetros permanecerem inalterados, a saída da execução anterior desta etapa será reutilizado. Ao reutilizar a etapa, em vez de enviar o trabalho para computação, os resultados da execução anterior são imediatamente disponibilizados para quaisquer etapas subsequentes. Se você usar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada se a definição do conjunto de dados foi alterada, não se os dados subjacentes foram alterados. Valor padrão: True
|
|
version
|
Uma marca de versão opcional para indicar uma alteração na funcionalidade do módulo. Valor padrão: None
|
|
name
Obrigatório
|
O nome da etapa. |
|
estimator
Obrigatório
|
<xref:Estimator>
O objeto estimador associado para esta etapa. Pode ser um avaliador pré-configurado, comoChainer, , PyTorchTensorFlowou SKLearn. |
|
estimator_entry_script_arguments
Obrigatório
|
[str]
[Obrigatório] Uma lista de argumentos de linha de comando. Se o script de entrada do Avaliador não aceitar argumentos de linha de comando, defina esse valor de parâmetro como uma lista vazia. |
|
runconfig_pipeline_params
Obrigatório
|
Uma substituição das propriedades runconfig em runtime usando pares chave-valor, cada uma com o nome da propriedade runconfig e PipelineParameter para essa propriedade. Valores com suporte: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount' |
|
inputs
Obrigatório
|
list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]]
Uma lista de entradas a serem usadas. |
|
outputs
Obrigatório
|
Uma lista de objetos PipelineData. |
|
compute_target
Obrigatório
|
[Obrigatório] O destino de computação a ser usado. |
|
allow_reuse
Obrigatório
|
Indica se a etapa deve reutilizar os resultados anteriores ao executar novamente com as mesmas configurações. A reutilização é habilitada por padrão. Se o conteúdo da etapa (scripts/dependências), bem como entradas e parâmetros permanecerem inalterados, a saída da execução anterior desta etapa será reutilizado. Ao reutilizar a etapa, em vez de enviar o trabalho para computação, os resultados da execução anterior são imediatamente disponibilizados para quaisquer etapas subsequentes. Se você usar conjuntos de dados do Azure Machine Learning como entradas, a reutilização será determinada se a definição do conjunto de dados foi alterada, não se os dados subjacentes foram alterados. |
|
version
Obrigatório
|
versão |
Comentários
Observe que os argumentos para o script de entrada usado no Estimator objeto devem ser especificados como lista usando o estimator_entry_script_arguments parâmetro ao instanciar um EstimatorStep. O parâmetro script_params Estimador aceita um dicionário. No entanto, estimator_entry_script_argument o parâmetro espera argumentos como uma lista.
A inicialização estimatorStep envolve a especificação de uma lista de entradas com o inputs parâmetro e você não precisa especificar as entradas com o Avaliador, uma exceção será gerada se você fizer isso. Consulte o inputs parâmetro para os tipos de entradas permitidas. Opcionalmente, você também pode especificar quaisquer saídas para a etapa. Consulte o outputs parâmetro para os tipos de saídas permitidas.
A melhor prática para trabalhar com EstimatorStep é usar uma pasta separada para scripts e quaisquer arquivos dependentes associados à etapa e especificar essa pasta como a Estimator do source_directoryobjeto. Fazer isso tem dois benefícios. Primeiro, ele ajuda a reduzir o tamanho do instantâneo criado para a etapa, pois somente o que é necessário para a etapa é instantâneo. Em segundo lugar, a saída da etapa de uma execução anterior poderá ser reutilizado se não houver alterações no source_directory que dispararia um novo upload do snaphot.
Métodos
| create_node |
Crie um nó a partir da etapa do Avaliador e adicione-o ao grafo especificado. DEPRECADO. Use o CommandStep em vez disso. Para obter um exemplo , consulte Como executar o treinamento de ML em pipelines com CommandStep. Esse método não se destina a ser usado diretamente. Quando um pipeline é instanciado com essa etapa, o Azure ML passa automaticamente os parâmetros necessários por meio desse método para que essa etapa possa ser adicionada a um grafo de pipeline que representa o fluxo de trabalho. |
create_node
Crie um nó a partir da etapa do Avaliador e adicione-o ao grafo especificado.
DEPRECADO. Use o CommandStep em vez disso. Para obter um exemplo , consulte Como executar o treinamento de ML em pipelines com CommandStep.
Esse método não se destina a ser usado diretamente. Quando um pipeline é instanciado com essa etapa, o Azure ML passa automaticamente os parâmetros necessários por meio desse método para que essa etapa possa ser adicionada a um grafo de pipeline que representa o fluxo de trabalho.
create_node(graph, default_datastore, context)Parâmetros
| Nome | Description |
|---|---|
|
graph
Obrigatório
|
O objeto de grafo ao qual adicionar o nó. |
|
default_datastore
Obrigatório
|
O armazenamento de dados padrão. |
|
context
Obrigatório
|
<xref:azureml.pipeline.core._GraphContext>
O contexto do grafo. |
Retornos
| Tipo | Description |
|---|---|
|
O nó criado. |