TensorFlow Classe

Um diretório local contendo arquivos de configuração de experimento.

O alvo de computação onde o treinamento acontecerá. 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 suportados: qualquer tamanho de VM do Azure.

A prioridade VM do destino de computação que será criado para o treinamento. Se não for especificado, utiliza-se «dedicado».

Valores suportados: 'dedicado' e 'baixa prioridade'.

Isso entra em vigor somente quando o vm_size param 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. Apenas o objetivo é apoiado para a AmlCompute formação distribuída (node_count> 1).

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

Ao usar o Parameter Server para treinamento distribuído, o número de nós de trabalho.

PRETERIDO. Especifique como parte do distributed_training parâmetro.

Ao usar o Parameter Server para treinamento distribuído, o número de nós do servidor de parâmetros.

O backend de comunicação para treinamento distribuído.

PRETERIDO. Use o distributed_training parâmetro.

Valores suportados: 'mpi' e 'ps'. 'mpi' representa MPI/Horovod e 'ps' representa Parameter Server.

Este parâmetro é necessário quando qualquer um dos node_count, process_count_per_node, worker_count, ou parameter_server_count> 1. No caso de 'ps', a soma de worker_count e parameter_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 esteja explicitamente definido. Apenas o alvo é suportado AmlCompute para formação distribuída.

Parâmetros para executar um trabalho de treinamento distribuído.

Para executar um trabalho distribuído com back-end do Parameter Server, use o ParameterServer objeto para especificar worker_count e parameter_server_count. A soma dos worker_count parâmetros e 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 MPI, use o Mpi objeto para especificar process_count_per_node.

Especifica se o ambiente para executar o experimento deve suportar GPUs. Se true, uma imagem docker padrão baseada em GPU será usada no ambiente. Se false, uma imagem baseada em CPU será usada. As imagens docker padrão (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 a partir da qual a imagem a ser usada para treinamento será construída.

PRETERIDO. Use o custom_docker_image parâmetro.

Se não estiver definida, uma imagem padrão baseada em CPU será usada como imagem base.

O nome da imagem do Docker a partir da qual a imagem a ser usada para treinamento será construída. Se não estiver definida, uma imagem padrão baseada em CPU será usada como imagem base.

Os detalhes do registro de imagem do Docker.

Especifica se o Azure ML reutiliza um ambiente python existente. Se false, o Azure ML criará um ambiente Python com base na especificação de dependências conda.

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

Uma lista de strings 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. PRETERIDO. Use o conda_dependencies_file parâmetro.

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

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. Isto pode ser fornecido em combinação com o pip_packages parâmetro.

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

A definição do ambiente para o experimento. Ele inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente através de outros parâmetros à construção do Estimador pode ser definida usando este parâmetro. Se esse parâmetro for especificado, ele terá precedência sobre outros parâmetros relacionados ao ambiente, como use_gpu, custom_docker_image, conda_packages, ou pip_packages. Erros serão relatados nessas combinações inválidas.

Uma lista de DataReference ou DatasetConsumptionConfig objetos para usar como entrada.

O armazenamento de dados de suporte para compartilhamento de projeto.

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

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

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

A versão do TensorFlow a ser usada para executar o código de treinamento. Se nenhuma versão for fornecida, o estimador assumirá como padrão a versão mais recente suportada pelo Azure ML. Use TensorFlow.get_supported_versions() para retornar uma lista para obter uma lista de todas as versões suportadas pelo SDK atual do Azure ML.

Um diretório local contendo arquivos de configuração de experimento.

O alvo de computação onde o treinamento acontecerá. 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 suportados: qualquer tamanho de VM do Azure.

A prioridade VM do destino de computação que será criado para o treinamento. Se não for especificado, utiliza-se «dedicado».

Valores suportados: 'dedicado' e 'baixa prioridade'.

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

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

Um dicionário de argumentos de linha de comando para passar para o script de treinamento tne especificado em entry_script.

O número de nós no destino de computação usado para treinamento. Apenas o objetivo é apoiado para a AmlCompute formação distribuída (node_count> 1).

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

Ao usar o Parameter Server, o número de nós de trabalho.

PRETERIDO. Especifique como parte do distributed_training parâmetro.

Ao usar o Parameter Server, o número de nós do servidor de parâmetros.

O backend de comunicação para treinamento distribuído.

PRETERIDO. Use o distributed_training parâmetro.

Valores suportados: 'mpi' e 'ps'. 'mpi' representa MPI/Horovod e 'ps' representa Parameter Server.

Este parâmetro é necessário quando qualquer um dos node_count, process_count_per_node, worker_count, ou parameter_server_count> 1. No caso de 'ps', a soma de worker_count e parameter_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 esteja explicitamente definido. Apenas o alvo é suportado AmlCompute para formação distribuída. é suportado para formação distribuída.

Parâmetros para executar um trabalho de treinamento distribuído.

Para executar um trabalho distribuído com o back-end do Parameter Server, use ParameterServer o objeto para especificar worker_count e parameter_server_count. A soma dos worker_count parâmetros e 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 MPI, use Mpi o objeto para especificar process_count_per_node.

Especifica se o ambiente para executar o experimento deve suportar GPUs. Se verdadeiro, uma imagem padrão do Docker baseada em GPU será usada no ambiente. Se false, uma imagem baseada em CPU será usada. As imagens docker padrão (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 a partir da qual a imagem a ser usada para treinamento será construída.

PRETERIDO. Use o custom_docker_image parâmetro.

Se não estiver definida, uma imagem padrão baseada em CPU será usada como imagem base.

O nome da imagem do Docker a partir da qual a imagem a ser usada para treinamento será construída. Se não estiver definida, uma imagem padrão baseada em CPU será usada como imagem base.

Os detalhes do registro de imagem do Docker.

Especifica se o Azure ML reutiliza um ambiente Python existente. Se false, o Azure ML criará um ambiente Python com base na especificação de dependências conda.

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

Uma lista de strings 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. PRETERIDO. Use o conda_dependencies_file parâmetro.

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

Um dicionário de nomes e valores de variáveis de ambiente. Essas variáveis de ambiente são definidas no processo onde 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. Isto pode ser fornecido em combinação com o pip_packages parâmetro.

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

A definição do ambiente para o experimento. Ele inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente através de outros parâmetros à construção do Estimador pode ser definida usando este parâmetro. Se esse parâmetro for especificado, ele terá precedência sobre outros parâmetros relacionados ao ambiente, como use_gpu, custom_docker_image, conda_packages, ou pip_packages. Erros serão relatados nessas combinações inválidas.

Uma lista de azureml.data.data_reference. DataReference objetos para usar como entrada.

O armazenamento de dados de suporte para compartilhamento de projeto.

O tamanho do bloco de memória compartilhada do contêiner do Docker. Se não estiver 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 estimador assumirá como padrão a versão mais recente suportada pelo Azure ML. Use TensorFlow.get_supported_versions() para retornar uma lista para obter uma lista de todas as versões com suporte ao SDK atual do Azure ML.

Habilite a criação incremental de ambientes com imagens de estrutura pré-criadas para uma preparação mais rápida do ambiente. Uma imagem de estrutura pré-criada é criada sobre as imagens base de CPU/GPU padrão do Azure ML com dependências de estrutura pré-instaladas.

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

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

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