TensorFlow Classe

Um diretório local que contém arquivos de configuração de experimento.

O destino de computação em que o treinamento ocorrerá. Isso pode ser um objeto ou a cadeia de caracteres "local".

O tamanho da VM do destino de computação que será criado para o treinamento. Valores com suporte: qualquer tamanho de VM do Azure.

A prioridade da VM do destino de computação que será criado para o treinamento. Se não for especificado, 'dedicado' será usado.

Valores com suporte:'dedicado' e 'lowpriority'.

Isso só entra em vigor quando o vm_size param valor é especificado na entrada.

O caminho relativo para o arquivo que contém o script de treinamento.

Um dicionário de argumentos de linha de comando a serem passados para o script de treinamento especificado em entry_script.

O número de nós no destino de computação usado para treinamento. Somente o AmlCompute destino tem suporte para treinamento distribuído (node_count> 1).

Ao usar o MPI, o número de processos por nó.

Ao usar o Servidor de Parâmetros para treinamento distribuído, o número de nós de trabalho.

DEPRECADO. Especifique como parte do distributed_training parâmetro.

Ao usar o Servidor de Parâmetros para treinamento distribuído, o número de nós de servidor de parâmetro.

O back-end de comunicação para treinamento distribuído.

DEPRECADO. Use o parâmetro distributed_training.

Valores com suporte: 'mpi' e 'ps'. 'mpi' representa MPI/Horovod e 'ps' representa o Servidor de Parâmetros.

Esse parâmetro é necessário quando qualquer um de node_count, process_count_per_nodeworker_countou parameter_server_count> 1. No caso de 'ps', a soma e worker_countparameter_server_count deve ser menor ou igual a node_count * (número de CPUs ou GPUs por nó)

Quando node_count == 1 e process_count_per_node == 1, nenhum back-end será usado, a menos que o back-end seja definido explicitamente. Somente o AmlCompute destino tem suporte para treinamento distribuído.

Parâmetros para executar um trabalho de treinamento distribuído.

Para executar um trabalho distribuído com o back-end do Servidor de Parâmetros, use o ParameterServer objeto para especificar worker_count e parameter_server_count. A soma dos worker_count parâmetros deve parameter_server_count ser menor ou igual a node_count * (o número de CPUs ou GPUs por nó).

Para executar um trabalho distribuído com back-end de MPI, use o Mpi objeto para especificar process_count_per_node.

Especifica se o ambiente para executar o experimento deve dar suporte a GPUs. Se for true, uma imagem do docker padrão baseada em GPU será usada no ambiente. Se for falso, uma imagem baseada em CPU será usada. As imagens padrão do Docker (CPU ou GPU) serão usadas somente se o custom_docker_image parâmetro não estiver definido. Essa configuração é usada somente em destinos de computação habilitados para Docker.

Especifica se o ambiente no qual executar o experimento deve ser baseado no Docker.

O nome da imagem do Docker da qual a imagem a ser usada para treinamento será criada.

DEPRECADO. Use o parâmetro custom_docker_image.

Se não for definido, uma imagem baseada em CPU padrão será usada como a imagem base.

O nome da imagem do Docker da qual a imagem a ser usada para treinamento será criada. Se não for definido, uma imagem baseada em CPU padrão será usada como a imagem base.

Os detalhes do registro de imagem do Docker.

Especifica se o Azure ML reutiliza um ambiente python existente. Se for falso, o Azure ML criará um ambiente python com base na especificação de dependências do Conda.

Uma lista de cadeias de caracteres que representam pacotes conda a serem adicionados ao ambiente Python para o experimento.

Uma lista de cadeias de caracteres que representam pacotes pip a serem adicionados ao ambiente Python para o experimento.

Uma cadeia de caracteres que representa o caminho relativo para o arquivo yaml de dependências conda. Se especificado, o Azure ML não instalará nenhum pacote relacionado à estrutura. DEPRECADO. Use o parâmetro conda_dependencies_file.

Uma cadeia de caracteres que representa o caminho relativo para o arquivo de texto de requisitos pip. Isso pode ser fornecido em combinação com o pip_packages parâmetro. DEPRECADO. Use o parâmetro pip_requirements_file.

Uma cadeia de caracteres que representa o caminho relativo para o arquivo yaml de dependências conda. Se especificado, o Azure ML não instalará nenhum pacote relacionado à estrutura.

Uma cadeia de caracteres que representa o caminho relativo para o arquivo de texto de requisitos pip. Isso pode ser fornecido em combinação com o pip_packages parâmetro.

Um dicionário de valores e nomes de variáveis de ambiente. Essas variáveis de ambiente são definidas no processo em que o script do usuário está sendo executado.

A definição de ambiente para o experimento. Ele inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente por meio de outros parâmetros para a construção do Avaliador pode ser definida usando esse parâmetro. Se esse parâmetro for especificado, ele terá precedência sobre outros parâmetros relacionados ao ambiente, comouse_gpu, , custom_docker_imageconda_packagesou pip_packages. Erros serão relatados nessas combinações inválidas.

Uma lista de DataReference objetos ou DatasetConsumptionConfig objetos a serem usados como entrada.

O repositório de dados de backup para o compartilhamento de projeto.

O tamanho do bloco de memória compartilhada do contêiner do Docker. Se não for definido, o azureml.core.environment._DEFAULT_SHM_SIZE padrão será usado. Para obter mais informações, confira Referência sobre docker run.

O caminho de dados que contém o ponto de verificação ou os arquivos de modelo dos quais retomar o experimento.

O tempo máximo permitido para a execução. O Azure ML tentará cancelar automaticamente a execução se levar mais tempo do que esse valor.

A versão do TensorFlow a ser usada para executar o código de treinamento. Se nenhuma versão for fornecida, o avaliador usará como padrão a versão mais recente com suporte do Azure ML. Use TensorFlow.get_supported_versions() para retornar uma lista para obter uma lista de todas as versões compatíveis com o SDK atual do Azure ML.

Um diretório local que contém arquivos de configuração de experimento.

O destino de computação em que o treinamento ocorrerá. Isso pode ser um objeto ou a cadeia de caracteres "local".

O tamanho da VM do destino de computação que será criado para o treinamento. Valores com suporte: qualquer tamanho de VM do Azure.

A prioridade da VM do destino de computação que será criado para o treinamento. Se não for especificado, 'dedicado' será usado.

Valores com suporte:'dedicado' e 'lowpriority'.

Isso só entra em vigor quando o vm_size param valor é especificado na entrada.

O caminho relativo para o arquivo que contém o script de treinamento.

Um dicionário de argumentos de linha de comando a serem passados para o script de treinamento tne especificado em entry_script.

O número de nós no destino de computação usado para treinamento. Somente o AmlCompute destino tem suporte para treinamento distribuído (node_count> 1).

Ao usar o MPI, o número de processos por nó.

Ao usar o Servidor de Parâmetros, o número de nós de trabalho.

DEPRECADO. Especifique como parte do distributed_training parâmetro.

Ao usar o Servidor de Parâmetros, o número de nós de servidor de parâmetro.

O back-end de comunicação para treinamento distribuído.

DEPRECADO. Use o parâmetro distributed_training.

Valores com suporte: 'mpi' e 'ps'. 'mpi' representa MPI/Horovod e 'ps' representa o Servidor de Parâmetros.

Esse parâmetro é necessário quando qualquer um de node_count, process_count_per_nodeworker_countou parameter_server_count> 1. No caso de 'ps', a soma e worker_countparameter_server_count deve ser menor ou igual a node_count * (número de CPUs ou GPUs por nó)

Quando node_count == 1 e process_count_per_node == 1, nenhum back-end será usado, a menos que o back-end seja definido explicitamente. Somente o AmlCompute destino tem suporte para treinamento distribuído. há suporte para treinamento distribuído.

Parâmetros para executar um trabalho de treinamento distribuído.

Para executar um trabalho distribuído com o back-end do Servidor de Parâmetros, use ParameterServer o objeto para especificar worker_count e parameter_server_count. A soma dos worker_count parâmetros deve parameter_server_count ser menor ou igual a node_count * (o número de CPUs ou GPUs por nó).

Para executar um trabalho distribuído com back-end de MPI, use Mpi o objeto para especificar process_count_per_node.

Especifica se o ambiente para executar o experimento deve dar suporte a GPUs. Se for true, uma imagem do Docker padrão baseada em GPU será usada no ambiente. Se for falso, uma imagem baseada em CPU será usada. As imagens padrão do Docker (CPU ou GPU) serão usadas somente se custom_docker_image o parâmetro não estiver definido. Essa configuração é usada somente em destinos de computação habilitados para Docker.

Especifica se o ambiente no qual executar o experimento deve ser baseado no Docker.

O nome da imagem do Docker da qual a imagem a ser usada para treinamento será criada.

DEPRECADO. Use o parâmetro custom_docker_image.

Se não for definido, uma imagem baseada em CPU padrão será usada como a imagem base.

O nome da imagem do Docker da qual a imagem a ser usada para treinamento será criada. Se não for definido, uma imagem baseada em CPU padrão será usada como a imagem base.

Os detalhes do registro de imagem do Docker.

Especifica se o Azure ML reutiliza um ambiente python existente. Se for falso, o Azure ML criará um ambiente python com base na especificação de dependências do Conda.

Uma lista de cadeias de caracteres que representam pacotes conda a serem adicionados ao ambiente Python para o experimento.

Uma lista de cadeias de caracteres que representam pacotes pip a serem adicionados ao ambiente Python para o experimento.

O caminho relativo para o arquivo yaml de dependências conda. Se especificado, o Azure ML não instalará nenhum pacote relacionado à estrutura. DEPRECADO. Use o parâmetro conda_dependencies_file.

O caminho relativo para o arquivo de texto de requisitos pip. Isso pode ser fornecido em combinação com o pip_packages parâmetro. DEPRECADO. Use o parâmetro pip_requirements_file.

Um dicionário de valores e nomes de variáveis de ambiente. Essas variáveis de ambiente são definidas no processo em que o script do usuário está sendo executado.

Uma cadeia de caracteres que representa o caminho relativo para o arquivo yaml de dependências conda. Se especificado, o Azure ML não instalará nenhum pacote relacionado à estrutura.

O caminho relativo para o arquivo de texto de requisitos pip. Isso pode ser fornecido em combinação com o pip_packages parâmetro.

Um dicionário de valores e nomes de variáveis de ambiente. Essas variáveis de ambiente são definidas no processo em que o script do usuário está sendo executado.

A definição de ambiente para o experimento. Ele inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente por meio de outros parâmetros para a construção do Avaliador pode ser definida usando esse parâmetro. Se esse parâmetro for especificado, ele terá precedência sobre outros parâmetros relacionados ao ambiente, comouse_gpu, , custom_docker_imageconda_packagesou pip_packages. Erros serão relatados nessas combinações inválidas.

Uma lista de azureml.data.data_reference. Objetos DataReference a serem usados como entrada.

O repositório de dados de backup para o compartilhamento de projeto.

O tamanho do bloco de memória compartilhada do contêiner do Docker. Se não for definido, o padrão será azureml.core.environment._DEFAULT_SHM_SIZE. Para obter mais informações, consulte

A versão do TensorFlow a ser usada para executar o código de treinamento. Se nenhuma versão for fornecida, o avaliador usará como padrão a versão mais recente com suporte do Azure ML. Use TensorFlow.get_supported_versions() para retornar uma lista para obter uma lista de todas as versões compatíveis com o SDK atual do Azure ML.

Habilite o build de ambiente incremental com imagens de estrutura pré-criadas para uma preparação mais rápida do ambiente. Uma imagem de estrutura predefinida é criada com base em imagens base padrão de CPU/GPU do Azure ML com dependências de estrutura pré-instaladas.

Desabilite a validação de script antes de executar o envio. O padrão é True.

Mostrar avisos de linting de script. O padrão é False.

Mostrar avisos de validação de pacote. O padrão é False.