RunConfiguration Classe

Construtor

RunConfiguration(script=None, arguments=None, framework=None, communicator=None, conda_dependencies=None, _history_enabled=None, _path=None, _name=None, command=None)

Parâmetros

Observações

Construímos sistemas de aprendizagem automática tipicamente para resolver um problema específico. Por exemplo, podemos estar interessados em encontrar o melhor modelo que classifica páginas da Web que podem ser servidas como resultados de pesquisa correspondentes a uma consulta. Nossa busca pelo melhor modelo de aprendizado de máquina pode exigir que experimentemos diferentes algoritmos, ou consideremos diferentes configurações de parâmetros, etc.

No SDK do Azure Machine Learning, usamos o conceito de um experimento para capturar a noção de que diferentes execuções de treinamento estão relacionadas pelo problema que estão tentando resolver. Um Experiment então atua como um contêiner lógico para essas execuções de treinamento, tornando mais fácil acompanhar o progresso entre as corridas de treinamento, comparar duas corridas de treinamento diretamente, etc.

O RunConfiguration encapsula as configurações do ambiente de execução necessárias para enviar uma execução de treinamento em um experimento. Ele captura tanto a estrutura compartilhada de execuções de treinamento que são projetadas para resolver o mesmo problema de aprendizado de máquina, bem como as diferenças nos parâmetros de configuração (por exemplo, taxa de aprendizagem, função de perda, etc.) que distinguem execuções de treinamento distintas umas das outras.

Em cenários de treinamento típicos, RunConfiguration é usado criando um ScriptRunConfig objeto que empacota um objeto RunConfiguration e um script de execução para treinamento.

A configuração de RunConfiguration inclui:

• Agregação do diretório de origem do experimento, incluindo o script enviado.

• Definindo os argumentos da linha de comando para o script enviado.

• Configurando o caminho para o interpretador Python.

• Obtenha a configuração Conda para gerenciar as dependências do aplicativo. O processo de envio de trabalho pode usar a configuração para provisionar um ambiente temporário Conda e iniciar o aplicativo dentro. Os ambientes temporários são armazenados em cache e reutilizados em execuções subsequentes.

• Uso opcional do Docker e imagens de base personalizadas.

• Escolha opcional de enviar o experimento para vários tipos de computação do Azure.

• Escolha opcional de configurar como materializar entradas e carregar saídas.

• Configurações avançadas de tempo de execução para tempos de execução comuns, como spark e tensorflow.

O exemplo a seguir mostra como enviar um script de treinamento em sua máquina local.

   from azureml.core import ScriptRunConfig, RunConfiguration, Experiment

   # create or load an experiment
   experiment = Experiment(workspace, "MyExperiment")
   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = experiment.submit(config)

O exemplo a seguir mostra como enviar um script de treinamento em seu cluster usando a propriedade command em vez de script e argumentos.

   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['python', 'train.py', '--arg1', arg1_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

O exemplo a seguir mostra como executar um comando no cluster.

   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['ls', '-l'],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Variáveis

delete

static delete(path, name)

load

static load(path, name=None)

save

save(path=None, name=None, separate_environment_yaml=False)

auto_prepare_environment

environment_variables

target