hyperdrive Pacote
Contém módulos e classes que suportam o ajuste de hiperparâmetros.
Os hiperparâmetros são parâmetros ajustáveis que você escolhe para o treinamento do modelo que orientam o processo de treinamento. O pacote HyperDrive ajuda você a automatizar a escolha desses parâmetros. Por exemplo, você pode definir o espaço de pesquisa de parâmetros como discreto ou contínuo e um método de amostragem sobre o espaço de pesquisa como aleatório, em grade ou bayesiano. Além disso, você pode especificar uma métrica primária para otimizar no experimento de ajuste de hiperparâmetros e se essa métrica deve ser minimizada ou maximizada. Você também pode definir políticas de encerramento antecipado nas quais execuções de experimentos com baixo desempenho são canceladas e novas iniciadas. Para definir um fluxo de trabalho de aprendizado de máquina reutilizável para o HyperDrive, use hyper_drive_step para criar um Pipelinearquivo .
Módulos
| error_definition |
Definições de código de erro para o SDK do HyperDrive. |
| error_strings |
Uma coleção de cadeias de caracteres de erro usadas em todo o SDK do HyperDrive. |
| exceptions |
Exceções lançadas pelo HyperDrive. |
| parameter_expressions |
Define funções que podem ser usadas no HyperDrive para descrever um espaço de pesquisa de hiperparâmetros. Essas funções são usadas para especificar diferentes tipos de distribuições de hiperparâmetros. As distribuições são definidas quando você configura a amostragem para uma varredura de hiperparâmetros. Por exemplo, quando você usa a RandomParameterSampling classe, você pode optar por amostragem de um conjunto de valores discretos ou uma distribuição de valores contínuos. Nesse caso, você pode usar a choice função para gerar um conjunto discreto de valores e uniform função para gerar uma distribuição de valores contínuos. Para obter exemplos de como usar essas funções, consulte o tutorial: https://docs.microsoft.com/azure/machine-learning/how-to-tune-hyperparameters. |
Classes
| BanditPolicy |
Define uma política de rescisão antecipada com base em critérios de folga e um intervalo de frequência e atraso para avaliação. Inicialize um BanditPolicy com fator de folga, slack_amount e intervalo de avaliação. |
| BayesianParameterSampling |
Define a amostragem bayesiana em um espaço de pesquisa de hiperparâmetros. A amostragem bayesiana tenta escolher de forma inteligente a próxima amostra de hiperparâmetros, com base no desempenho das amostras anteriores, de modo que a nova amostra melhore a métrica primária relatada. Inicialize BayesianParameterSampling. |
| EarlyTerminationPolicy |
Classe base abstrata para todas as políticas de rescisão antecipada. Inicialize uma política de rescisão antecipada. |
| GridParameterSampling |
Define a amostragem de grade em um espaço de pesquisa de hiperparâmetros. Inicialize GridParameterSampling. |
| HyperDriveConfig |
Configuração que define uma execução do HyperDrive. A configuração do HyperDrive inclui informações sobre amostragem de espaço de hiperparâmetro, política de encerramento, métrica primária, retomada da configuração, estimador e o destino de computação para executar o experimento. Inicialize o HyperDriveConfig. |
| HyperDriveRun |
O HyperDriveRun contém os detalhes de um experimento do HyperDrive enviado. Essa classe pode ser usada para gerenciar, verificar o status e recuperar detalhes de execução para a execução do HyperDrive e cada uma das execuções filho geradas. Inicialize uma execução do HyperDrive. |
| HyperDriveRunConfig |
Configuração que define uma execução do HyperDrive. A configuração inclui informações sobre amostragem de espaço de parâmetro, política de terminação, métrica primária, estimador e o destino de computação para executar o experimento. Inicialize o HyperDriveConfig. |
| HyperParameterSampling |
Classe base abstrata para todos os algoritmos de amostragem de hiperparâmetros. Esta classe encapsula o espaço de hiperparâmetros, o método de amostragem e propriedades adicionais para classes de amostragem derivadas: BayesianParameterSampling, GridParameterSampling, e RandomParameterSampling. Inicialize HyperParameterSampling. |
| MedianStoppingPolicy |
Define uma política de encerramento antecipado com base em médias de execução da métrica primária de todas as execuções. Inicialize um MedianStoppingPolicy. |
| NoTerminationPolicy |
Especifica que nenhuma política de rescisão antecipada é aplicada. Cada execução será executada até a conclusão. Inicialize NoTerminationPolicy. |
| RandomParameterSampling |
Define a amostragem aleatória em um espaço de pesquisa de hiperparâmetros. Inicialize RandomParameterSampling. |
| TruncationSelectionPolicy |
Define uma política de encerramento antecipado que cancela uma determinada percentagem de execuções em cada intervalo de avaliação. Inicialize uma TruncationSelectionPolicy. |
Enumerações
| PrimaryMetricGoal |
Define metas métricas suportadas para ajuste de hiperparâmetros. Uma meta métrica é usada para determinar se um valor mais alto para uma métrica é melhor ou pior. As metas métricas são usadas ao comparar execuções com base na métrica primária. Por exemplo, você pode querer maximizar a precisão ou minimizar o erro. O nome e a meta da métrica primária são especificados na classe quando você configura uma execução do HyperDriveConfig HyperDrive. |
Funções
choice
lognormal
Especifique um valor desenhado de acordo com exp(normal(mu, sigma)).
O logaritmo do valor de retorno é normalmente distribuído. Ao otimizar, essa variável é limitada a ser positiva.
lognormal(mu, sigma)Parâmetros
| Name | Description |
|---|---|
|
mu
Necessário
|
A média da distribuição normal. |
|
sigma
Necessário
|
O desvio padrão da distribuição normal. |
Devoluções
| Tipo | Description |
|---|---|
|
A expressão estocástica. |
loguniform
Especifique uma distribuição uniforme de log.
Um valor é desenhado de acordo com exp(uniform(min_value, max_value)) para que o logaritmo do valor de retorno seja uniformemente distribuído. Ao otimizar, essa variável é restrita ao intervalo [exp(min_value), exp(max_value)]
loguniform(min_value, max_value)Parâmetros
| Name | Description |
|---|---|
|
min_value
Necessário
|
O valor mínimo no intervalo será exp(min_value)(inclusive). |
|
max_value
Necessário
|
O valor máximo no intervalo será exp(max_value) (inclusive). |
Devoluções
| Tipo | Description |
|---|---|
|
A expressão estocástica. |
normal
Especifique um valor real que é normalmente distribuído com mu médio e desvio padrão sigma.
Ao otimizar, essa é uma variável sem restrições.
normal(mu, sigma)Parâmetros
| Name | Description |
|---|---|
|
mu
Necessário
|
A média da distribuição normal. |
|
sigma
Necessário
|
o desvio-padrão da distribuição normal. |
Devoluções
| Tipo | Description |
|---|---|
|
A expressão estocástica. |
qlognormal
Especifique um valor como round(exp(normal(mu, sigma)) / q) * q.
Adequado para uma variável discreta em relação à qual o objetivo é suave e fica mais suave com o tamanho da variável, que é limitada de um lado.
qlognormal(mu, sigma, q)Parâmetros
| Name | Description |
|---|---|
|
mu
Necessário
|
A média da distribuição normal. |
|
sigma
Necessário
|
O desvio padrão da distribuição normal. |
|
q
Necessário
|
O fator de suavização. |
Devoluções
| Tipo | Description |
|---|---|
|
A expressão estocástica. |
qloguniform
Especifique uma distribuição uniforme da forma redonda(exp(uniforme(min_value, max_value) / q) * q.
Isso é adequado para uma variável discreta em relação à qual o objetivo é "suave", e fica mais suave com o tamanho do valor, mas que deve ser limitada acima e abaixo.
qloguniform(min_value, max_value, q)Parâmetros
| Name | Description |
|---|---|
|
min_value
Necessário
|
O valor mínimo no intervalo (inclusive). |
|
max_value
Necessário
|
O valor máximo no intervalo (inclusive). |
|
q
Necessário
|
O fator de suavização. |
Devoluções
| Tipo | Description |
|---|---|
|
A expressão estocástica. |
qnormal
Especifique um valor como round(normal(mu, sigma) / q) * q.
Adequado para uma variável discreta que provavelmente tem um valor em torno de mu, mas é fundamentalmente ilimitada.
qnormal(mu, sigma, q)Parâmetros
| Name | Description |
|---|---|
|
mu
Necessário
|
A média da distribuição normal. |
|
sigma
Necessário
|
O desvio padrão da distribuição normal. |
|
q
Necessário
|
O fator de suavização. |
Devoluções
| Tipo | Description |
|---|---|
|
A expressão estocástica. |
quniform
Especificar uma distribuição uniforme da forma redonda(uniforme(min_value, max_value) / q) * q.
Isso é adequado para um valor discreto em relação ao qual o objetivo ainda é um pouco "suave", mas que deve ser limitado acima e abaixo.
quniform(min_value, max_value, q)Parâmetros
| Name | Description |
|---|---|
|
min_value
Necessário
|
O valor mínimo no intervalo (inclusive). |
|
max_value
Necessário
|
O valor máximo no intervalo (inclusive). |
|
q
Necessário
|
O fator de suavização. |
Devoluções
| Tipo | Description |
|---|---|
|
A expressão estocástica. |
randint
Especifique um conjunto de inteiros aleatórios no intervalo [0, superior).
A semântica desta distribuição é que não há mais correlação na função de perda entre valores inteiros próximos, em comparação com valores inteiros mais distantes. Esta é uma distribuição apropriada para descrever sementes aleatórias, por exemplo. Se a função de perda é provavelmente mais correlacionada para valores inteiros próximos, então você provavelmente deve usar uma das distribuições contínuas "quantizadas", como quniform, qloguniform, qnormal ou qlognormal.
randint(upper)Parâmetros
| Name | Description |
|---|---|
|
upper
Necessário
|
O limite superior exclusivo para a gama de números inteiros. |
Devoluções
| Tipo | Description |
|---|---|
|
A expressão estocástica. |
uniform
Especificar uma distribuição uniforme a partir da qual as amostras são colhidas.
uniform(min_value, max_value)Parâmetros
| Name | Description |
|---|---|
|
min_value
Necessário
|
O valor mínimo no intervalo (inclusive). |
|
max_value
Necessário
|
O valor máximo no intervalo (inclusive). |
Devoluções
| Tipo | Description |
|---|---|
|
A expressão estocástica. |