Chainer Třída

Reference

Představuje odhadce pro trénování v experimentech Chaineru.

ZASTARALÉ. Použijte objekt s ScriptRunConfig vlastním definovaným prostředím nebo s jedním z kurátorovaných prostředí Azure ML Chainer. Úvod ke konfiguraci spuštění experimentu pomocí ScriptRunConfig najdete v tématu Konfigurace a odesílání trénovacích běhů.

Podporované verze: 5.1.0, 7.0.0

Inicializace nástroje chainer estimator.

Dědičnost: azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimator

Chainer

Konstruktor

Chainer(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, node_count=1, process_count_per_node=1, distributed_backend=None, distributed_training=None, use_gpu=False, use_docker=True, custom_docker_base_image=None, custom_docker_image=None, image_registry_details=None, user_managed=False, conda_packages=None, pip_packages=None, conda_dependencies_file_path=None, pip_requirements_file_path=None, conda_dependencies_file=None, pip_requirements_file=None, environment_variables=None, environment_definition=None, inputs=None, source_directory_data_store=None, shm_size=None, resume_from=None, max_run_duration_seconds=None, framework_version=None, _enable_optimized_mode=False, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)

Parametry

Name	Description
source_directory Vyžadováno	str Místní adresář obsahující konfigurační soubory experimentu.
compute_target Vyžadováno	AbstractComputeTarget nebo str Cílový výpočetní objekt, kde bude probíhat trénování. Může to být buď objekt, nebo řetězec "local".
vm_size Vyžadováno	str Velikost virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Podporované hodnoty: Libovolná velikost virtuálního počítače Azure.
vm_priority Vyžadováno	str Priorita virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Pokud není zadaný, použije se "dedicated". Podporované hodnoty: dedicated a lowpriority. To se projeví pouze v `vm_size param` případě, že je ve vstupu zadána hodnota .
entry_script Vyžadováno	str Relativní cesta k souboru obsahujícímu trénovací skript.
script_params Vyžadováno	dict Slovník argumentů příkazového řádku, který se má předat trénovacímu skriptu zadanému v `entry_script`.
node_count Vyžadováno	int Počet uzlů ve výpočetním cíli, které se používají k trénování. Pokud je větší než 1, spustí se distribuovaná úloha MPI. AmlCompute Pro distribuované úlohy se podporuje pouze cíl.
process_count_per_node Vyžadováno	int Počet procesů na uzel Pokud je větší než 1, spustí se distribuovaná úloha MPI. AmlCompute Pro distribuované úlohy se podporuje pouze cíl.
distributed_backend Vyžadováno	str Komunikační back-end pro distribuované trénování. ZASTARALÉ. `distributed_training` Použijte parametr . Podporované hodnoty: mpi. 'mpi': MPI/Horovod Tento parametr je povinný, když `node_count` nebo `process_count_per_node`> 1. Pokud `node_count` == 1 a `process_count_per_node` == 1, nebude použit žádný back-end, pokud není back-end explicitně nastaven. AmlCompute Distribuované trénování podporuje pouze cíl.
distributed_training Vyžadováno	Mpi Parametry pro spuštění distribuované trénovací úlohy Pokud chcete spustit distribuovanou úlohu s back-endem MPI, zadejte pomocí objektu Mpi`process_count_per_node`.
use_gpu Vyžadováno	bool Určuje, jestli by prostředí pro spuštění experimentu mělo podporovat GPU. Pokud je hodnota true, použije se v prostředí výchozí image Dockeru založená na GPU. Pokud je false, použije se image založená na procesoru. Výchozí image Dockeru (CPU nebo GPU) se použijí jenom v případě, že `custom_docker_image` parametr není nastavený. Toto nastavení se používá jenom v cílových výpočetních objektech s podporou Dockeru.
use_docker Vyžadováno	bool Určuje, jestli má být prostředí pro spuštění experimentu založené na Dockeru.
custom_docker_base_image Vyžadováno	str Vytvoří se název image Dockeru, ze které se image použije pro trénování. ZASTARALÉ. `custom_docker_image` Použijte parametr . Pokud není nastavená, jako základní image se použije výchozí image založená na procesoru.
custom_docker_image Vyžadováno	str Vytvoří se název image Dockeru, ze které se image použije pro trénování. Pokud není nastavená, jako základní image se použije výchozí image založená na procesoru.
image_registry_details Vyžadováno	ContainerRegistry Podrobnosti o registru imagí Dockeru
user_managed Vyžadováno	bool Určuje, jestli Azure ML znovu použije existující prostředí Pythonu. Pokud je hodnota false, Azure ML vytvoří prostředí Pythonu na základě specifikace závislostí conda.
conda_packages Vyžadováno	list Seznam řetězců představujících balíčky conda, které se mají přidat do prostředí Pythonu pro experiment.
pip_packages Vyžadováno	list Seznam řetězců představujících balíčky pip, které se mají přidat do prostředí Pythonu pro experiment.
conda_dependencies_file_path Vyžadováno	str Relativní cesta k souboru yaml závislostí conda. Pokud zadáte tento parametr, Azure ML nenainstaluje žádné balíčky související s architekturou. ZASTARALÉ. `conda_dependencies_file` Použijte parametr .
pip_requirements_file_path Vyžadováno	str Relativní cesta k textovému souboru požadavků pip. To lze zadat v kombinaci s parametrem `pip_packages` . ZASTARALÉ. `pip_requirements_file` Použijte parametr .
conda_dependencies_file Vyžadováno	str Relativní cesta k souboru yaml závislostí conda. Pokud zadáte tento parametr, Azure ML nenainstaluje žádné balíčky související s architekturou.
pip_requirements_file Vyžadováno	str Relativní cesta k textovému souboru požadavků pip. To lze zadat v kombinaci s parametrem `pip_packages` .
environment_variables Vyžadováno	dict Slovník názvů a hodnot proměnných prostředí. Tyto proměnné prostředí se nastavují v procesu, ve kterém se spouští uživatelský skript.
environment_definition Vyžadováno	Environment Definice prostředí experimentu Zahrnuje PythonSection, DockerSection a proměnné prostředí. Pomocí tohoto parametru lze nastavit jakoukoli možnost prostředí, která není přímo zpřístupněna prostřednictvím jiných parametrů pro konstrukci estimátoru. Pokud je tento parametr zadaný, bude mít přednost před ostatními parametry souvisejícími s prostředím, jako `use_gpu`jsou , `custom_docker_image`, `conda_packages`nebo `pip_packages`. U neplatných kombinací budou hlášeny chyby.
inputs Vyžadováno	list Seznam DataReference objektů nebo DatasetConsumptionConfig , které se mají použít jako vstup.
source_directory_data_store Vyžadováno	Datastore Záložní úložiště dat pro sdílenou složku projektu.
shm_size Vyžadováno	str Velikost bloku sdílené paměti kontejneru Dockeru. Pokud není nastavená, použije se výchozí azureml.core.environment._DEFAULT_SHM_SIZE. Další informace najdete v referenčních informacích o spuštění Dockeru.
resume_from Vyžadováno	DataPath Cesta k datům obsahující kontrolní bod nebo soubory modelu, ze kterých chcete pokračovat v experimentu.
max_run_duration_seconds Vyžadováno	int Maximální povolený čas pro spuštění. Azure ML se pokusí automaticky zrušit spuštění, pokud trvá déle než tato hodnota.
framework_version Vyžadováno	str Verze Chaineru, která se má použít ke spuštění trénovacího kódu. `Chainer.get_supported_versions()` vrátí seznam verzí podporovaných aktuální sadou SDK.
source_directory Vyžadováno	str Místní adresář obsahující konfigurační soubory experimentu.
compute_target Vyžadováno	AbstractComputeTarget nebo str Cílový výpočetní objekt, kde bude probíhat trénování. Může to být buď objekt, nebo řetězec "local".
vm_size Vyžadováno	str Velikost virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Podporované hodnoty: Libovolná velikost virtuálního počítače Azure.
vm_priority Vyžadováno	str Priorita virtuálního počítače cílového výpočetního objektu, který se vytvoří pro trénování. Pokud není zadaný, bude výchozí hodnota vyhrazená. Podporované hodnoty: dedicated a lowpriority. To se projeví pouze v případě, že je ve vstupu zadán parametr vm_size.
entry_script Vyžadováno	str Relativní cesta k souboru obsahujícímu trénovací skript.
script_params Vyžadováno	dict Slovník argumentů příkazového řádku, který se má předat trénovacímu skriptu zadanému v `entry_script`.
node_count Vyžadováno	int Počet uzlů ve výpočetním cíli, které se používají k trénování. Pokud je větší než 1, spustí se distribuovaná úloha MPI. AmlCompute Pro distribuované úlohy se podporuje pouze cíl.
process_count_per_node Vyžadováno	int Počet procesů na uzel Pokud je větší než 1, spustí se distribuovaná úloha MPI. U distribuovaných úloh se podporuje pouze AmlCompute cílový cílový výpočetní cíl.
distributed_backend Vyžadováno	str Komunikační back-end pro distribuované trénování. ZASTARALÉ. `distributed_training` Použijte parametr . Podporované hodnoty: mpi. "mpi": MPI/Horovod Tento parametr je povinný, pokud `node_count` nebo `process_count_per_node`> 1. Pokud `node_count` je == 1 a `process_count_per_node` == 1, nebude použit žádný back-end, pokud není back-end explicitně nastaven. AmlCompute Pro distribuované trénování je podporován pouze cíl.
distributed_training Vyžadováno	Mpi Parametry pro spuštění distribuované trénovací úlohy Pokud chcete spustit distribuovanou úlohu s back-endem Mpi MPI, použijte objekt k zadání `process_count_per_node`.
use_gpu Vyžadováno	bool Určuje, jestli by prostředí pro spuštění experimentu mělo podporovat GPU. Pokud ano, použije se v prostředí výchozí image Dockeru založená na GPU. Pokud je false, použije se image založená na procesoru. Výchozí image Dockeru (CPU nebo GPU) se použijí jenom v případě, že `custom_docker_image` parametr není nastavený. Toto nastavení se používá jenom v cílových výpočetních prostředcích s podporou Dockeru.
use_docker Vyžadováno	bool Určuje, jestli má být prostředí pro spuštění experimentu založené na Dockeru.
custom_docker_base_image Vyžadováno	str Název image Dockeru, ze které se vytvoří image, která se má použít pro trénování. ZASTARALÉ. `custom_docker_image` Použijte parametr . Pokud není nastavená, jako základní image se použije výchozí image založená na procesoru.
custom_docker_image Vyžadováno	str Název image Dockeru, ze které se vytvoří image, která se má použít pro trénování. Pokud není nastavená, jako základní image se použije výchozí image založená na procesoru.
image_registry_details Vyžadováno	ContainerRegistry Podrobnosti o registru imagí Dockeru
user_managed Vyžadováno	bool Určuje, jestli Azure ML opakovaně používá existující prostředí Pythonu. Pokud je false, Azure ML vytvoří prostředí Pythonu na základě specifikace závislostí conda.
conda_packages Vyžadováno	list Seznam řetězců představujících balíčky conda, které se mají přidat do prostředí Pythonu pro experiment.
pip_packages Vyžadováno	list Seznam řetězců představujících balíčky pip, které se mají přidat do prostředí Pythonu pro experiment.
conda_dependencies_file_path Vyžadováno	str Relativní cesta k závislosti conda soubor yaml. Pokud je zadáno, Azure ML nenainstaluje žádné balíčky související s architekturou. ZASTARALÉ. `conda_dependencies_file` Použijte parametr .
pip_requirements_file_path Vyžadováno	str Relativní cesta k textovému souboru pip. To je možné poskytnout v kombinaci s parametrem `pip_packages` . ZASTARALÉ. `pip_requirements_file` Použijte parametr .
conda_dependencies_file Vyžadováno	str Relativní cesta k závislosti conda soubor yaml. Pokud je zadáno, Azure ML nenainstaluje žádné balíčky související s architekturou.
pip_requirements_file Vyžadováno	str Relativní cesta k textovému souboru pip. To je možné poskytnout v kombinaci s parametrem `pip_packages` .
environment_variables Vyžadováno	dict Slovník názvů a hodnot proměnných prostředí. Tyto proměnné prostředí se nastavují v procesu, ve kterém se spouští uživatelský skript.
environment_definition Vyžadováno	Environment Definice prostředí pro experiment. Zahrnuje PythonSection, DockerSection a proměnné prostředí. Pomocí tohoto parametru lze nastavit všechny možnosti prostředí, které nejsou přímo vystaveny prostřednictvím jiných parametrů pro konstrukci nástroje Estimator. Pokud je tento parametr zadaný, bude mít přednost před ostatními parametry souvisejícími s prostředím, jako `use_gpu`jsou , `custom_docker_image`, `conda_packages`nebo `pip_packages`. U neplatných kombinací budou hlášeny chyby.
inputs Vyžadováno	list Seznam azureml.data.data_reference. Objekty DataReference, které se mají použít jako vstup.
source_directory_data_store Vyžadováno	Datastore Záložní úložiště dat pro sdílenou složku projektu.
shm_size Vyžadováno	str Velikost bloku sdílené paměti kontejneru Dockeru Pokud není nastavená, použije se výchozí azureml.core.environment._DEFAULT_SHM_SIZE. Další informace najdete v referenčních informacích o spuštění Dockeru.
resume_from Vyžadováno	DataPath Cesta k datům obsahující soubory kontrolního bodu nebo modelu, ze kterých se má experiment pokračovat.
max_run_duration_seconds Vyžadováno	int Maximální povolený čas pro spuštění. Azure ML se pokusí automaticky zrušit spuštění, pokud trvá déle než tato hodnota.
framework_version Vyžadováno	str Verze Chaineru, která se má použít ke spuštění trénovacího kódu. `Chainer.get_supported_versions()` vrátí seznam verzí podporovaných aktuální sadou SDK.
_enable_optimized_mode Vyžadováno	bool Povolte přírůstkové sestavování prostředí pomocí předem připravených imagí architektury pro rychlejší přípravu prostředí. Předem připravená image architektury je postavená na výchozích imagích procesoru/GPU Azure ML s předinstalovanými závislostmi architektury.
_disable_validation Vyžadováno	bool Před spuštěním odeslání zakažte ověření skriptu. Výchozí hodnota je Pravda.
_show_lint_warnings Vyžadováno	bool Zobrazit upozornění lintingu skriptu. Výchozí hodnota je Nepravda.
_show_package_warnings Vyžadováno	bool Zobrazit upozornění na ověření balíčku Výchozí hodnota je Nepravda.

Poznámky

Při odesílání trénovací úlohy Azure ML spustí váš skript v prostředí Conda v kontejneru Dockeru. Kontejnery Chainer mají nainstalované následující závislosti.

Závislosti | Chainer 5.1.0 | Chainer 7.0.0 | —————————- | —————– | ————— | Python | 3.6.2 | 3.6.2 | CUDA (pouze image GPU) | 9.0 | 9.0 | cuDNN (jenom obrázek GPU) | 7.6.3 | 7.6.3 | NCCL (jenom obrázek GPU) | 2.4.8 | 2.4.8 | azureml-defaults | Nejnovější | Nejnovější | IntelMpi | 2018.3.222 | 2018.3.222 | horovod | 0.15.2 | 0.15.2 | miniconda | 4.5.11 | 4.5.11 | řetěz | 5.1.0 | 7.0.0 | cupy-cuda90 (jenom obrázek GPU) | 5.2.0 | 7.0.0 | git | 2.7.4 | 2.7.4 |

Image Dockeru rozšiřují Ubuntu 16.04.

Pokud chcete nainstalovat další závislosti, můžete použít pip_packages parametr nebo conda_packages . Nebo můžete zadat pip_requirements_file parametr nebo conda_dependencies_file . Alternativně můžete vytvořit vlastní image a předat custom_docker_image parametr konstruktoru estimátoru.

Další informace o kontejnerech Dockeru používaných při trénování Chaineru najdete v tématu https://github.com/Azure/AzureML-Containers.

Atributy

DEFAULT_VERSION

DEFAULT_VERSION = '5.1.0'

FRAMEWORK_NAME

FRAMEWORK_NAME = 'Chainer'

Sdílet prostřednictvím