ScriptRunConfig Třída

Reference

Představuje informace o konfiguraci pro odeslání trénovacího spuštění ve službě Azure Machine Learning.

ScriptRunConfig sbalí dohromady konfigurační informace potřebné k odeslání spuštění v Azure ML, včetně skriptu, cílového výpočetního prostředí, prostředí a všech konfigurací specifických pro distribuované úlohy.

Jakmile je spuštění skriptu nakonfigurováno a odesláno pomocí submitpříkazu , vrátí se příkaz .ScriptRun

Třída ScriptRunConfig konstruktor.

Dědičnost: azureml._logging.chained_identity.ChainedIdentity

ScriptRunConfig

Konstruktor

ScriptRunConfig(source_directory, script=None, arguments=None, run_config=None, _telemetry_values=None, compute_target=None, environment=None, distributed_job_config=None, resume_from=None, max_run_duration_seconds=2592000, command=None, docker_runtime_config=None)

Parametry

Name	Description
source_directory Vyžadováno	str Místní adresář obsahující soubory kódu potřebné pro spuštění.
script Vyžadováno	str Cesta k souboru vzhledem k source_directory skriptu, který se má spustit.
arguments Vyžadováno	list nebo str Volitelné argumenty příkazového řádku, které se mají předat do trénovacího skriptu. Argumenty se předávají ve dvojicích, například [-arg1', arg1_val, '-arg2', arg2_val].
run_config Vyžadováno	RunConfiguration Volitelná konfigurace spuštění, která se má použít.
_telemetry_values Vyžadováno	dict Pouze interní použití.
compute_target Vyžadováno	AbstractComputeTarget nebo str Cílový výpočetní objekt, ve kterém bude probíhat trénování. Může to být objekt ComputeTarget, název existujícího ComputeTarget nebo řetězec "local". Pokud není zadaný žádný cíl výpočetních prostředků, použije se váš místní počítač.
environment Vyžadováno	Environment Prostředí, které se má použít pro spuštění. Pokud není zadané žádné prostředí, azureml.core.runconfig.DEFAULT_CPU_IMAGE se použije jako image Dockeru pro spuštění.
distributed_job_config Vyžadováno	TensorflowConfiguration, MpiConfiguration nebo PyTorchConfiguration Pro úlohy, které vyžadují další konfigurace specifické pro distribuovanou úlohu.
resume_from Vyžadováno	DataPath Cesta data obsahující kontrolní bod nebo soubory modelu, ze kterých se má experiment pokračovat.
max_run_duration_seconds Vyžadováno	Maximální čas povolený pro spuštění. Systém se pokusí automaticky zrušit spuštění, pokud trvalo déle než tato hodnota. :type max_run_duration_seconds: int
command Vyžadováno	list[str] nebo str Příkaz, který se má odeslat pro spuštění. Vlastnost command lze použít také místo skriptů nebo argumentů. Vlastnosti příkazu a skriptu/argumentu nelze použít společně k odeslání spuštění. Odeslání souboru skriptu pomocí vlastnosti příkazu – ['python', 'train.py', '-arg1', arg1_val] Spuštění skutečného příkazu – ['ls']
docker_runtime_config Vyžadováno	DockerConfiguration Pro úlohy, které vyžadují konfigurace specifické pro modul runtime Dockeru.
source_directory Vyžadováno	str Místní adresář obsahující soubory kódu potřebné pro spuštění.
script Vyžadováno	str Cesta k souboru vzhledem k source_directory skriptu, který se má spustit.
arguments Vyžadováno	list[str] Volitelné argumenty příkazového řádku, které se mají předat do trénovacího skriptu. Argumenty se předávají ve dvojicích, například [-arg1', arg1_val, '-arg2', arg2_val].
run_config Vyžadováno	RunConfiguration Volitelná konfigurace spuštění, která se má použít.
_telemetry_values Vyžadováno	dict Pouze interní použití.
compute_target Vyžadováno	AbstractComputeTarget nebo str Cílový výpočetní objekt, ve kterém bude probíhat trénování. Může to být objekt ComputeTarget, název existujícího ComputeTarget nebo řetězec "local". Pokud není zadaný žádný cíl výpočetních prostředků, použije se váš místní počítač.
environment Vyžadováno	Environment Prostředí, které se má použít pro spuštění. Pokud není zadané žádné prostředí, azureml.core.runconfig.DEFAULT_CPU_IMAGE se použije jako image Dockeru pro spuštění.
distributed_job_config Vyžadováno	TensorflowConfiguration nebo MpiConfiguration nebo PyTorchConfiguration Pro úlohy, které vyžadují další konfigurace specifické pro distribuovanou úlohu.
resume_from Vyžadováno	DataPath Cesta data obsahující kontrolní bod nebo soubory modelu, ze kterých se má experiment pokračovat.
max_run_duration_seconds Vyžadováno	int Maximální čas povolený pro spuštění. Systém se pokusí automaticky zrušit spuštění, pokud trvalo déle než tato hodnota.
command Vyžadováno	list[str] nebo str Příkaz, který se má odeslat pro spuštění. Vlastnost command lze použít také místo skriptů nebo argumentů. Vlastnosti příkazu a skriptu/argumentu nelze použít společně k odeslání spuštění. Odeslání souboru skriptu pomocí vlastnosti příkazu – ['python', 'train.py', '-arg1', arg1_val] Spuštění skutečného příkazu – ['ls']
docker_runtime_config Vyžadováno	DockerConfiguration Pro úlohy, které vyžadují konfigurace specifické pro modul runtime Dockeru.

Poznámky

Sada Azure Machine Learning SDK poskytuje řadu vzájemně propojených tříd, které jsou navržené tak, aby vám pomohly trénovat a porovnávat modely strojového učení, které souvisejí se sdíleným problémem, který řeší.

Pro Experiment tato trénovací spuštění funguje jako logický kontejner. Objekt ScriptRunConfig se používá ke konfiguraci informací potřebných pro odeslání trénovacího spuštění v rámci experimentu. Při odeslání spuštění pomocí objektu ScriptRunConfig vrátí metoda submit objekt typu ScriptRun. Vrácený objekt ScriptRun vám poskytne programový přístup k informacím o trénovacím spuštění. ScriptRun je podřízená třída třídy Run.

Klíčovým konceptem, který je třeba si zapamatovat, je, že existují různé objekty konfigurace, které se používají k odeslání experimentu, na základě toho, jaký druh spuštění chcete aktivovat. Typ objektu konfigurace pak informuje, jakou podřízenou třídu run získáte zpět z metody submit. Při předání objektu ScriptRunConfig ve volání metody odeslání experimentu získáte zpět objekt ScriptRun. Mezi příklady dalších vrácených objektů spuštění patří AutoMLRun (vráceno pro spuštění automatizovaného strojového učení) a PipelineRun (vráceno pro spuštění kanálu).

Následující ukázka ukazuje, jak odeslat trénovací skript na místním počítači.


   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='.',
                            script='train.py',
                            arguments=['--arg1', arg1_val, '--arg2', arg2_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Následující příklad ukazuje, jak odeslat trénovací skript do clusteru pomocí vlastnosti command místo skriptu a argumentů.


   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)

Následující ukázka ukazuje, jak spustit příkaz v clusteru.


   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)

Další příklady, které ukazují, jak pracovat se ScriptRunConfig, najdete tady:

Atributy

MAX_DURATION_SECONDS_DEFAULT

MAX_DURATION_SECONDS_DEFAULT = 2592000

Sdílet prostřednictvím