Freigeben über

ImageClassificationJob Klasse

  • Referenz

Konfiguration für Den AutoML-Auftrag für die Imageklassifizierung mit mehreren Klassen.

Initialisieren Sie einen neuen AutoML-Imageklassifizierungsauftrag mit mehreren Klassen.

Vererbung
azure.ai.ml.entities._job.automl.image.automl_image_classification_base.AutoMLImageClassificationBase
ImageClassificationJob

Konstruktor

ImageClassificationJob(*, primary_metric: str | ClassificationPrimaryMetrics | None = None, **kwargs)

Parameter

primary_metric
Erforderlich

Die primäre Metrik, die für die Optimierung verwendet werden soll

kwargs
Erforderlich

Auftragsspezifische Argumente

Methoden

dump

Gibt den Auftragsinhalt in einer Datei im YAML-Format ab.
extend_search_space

Fügen Sie Suchbereich für AutoML-Bildklassifizierungs- und Bildklassifizierungsaufgaben mit mehreren Bezeichnungen hinzu.
set_data
set_limits

Beschränken Sie die Einstellungen für alle AutomatischML-Bild verticals.
set_sweep

Sweep-Einstellungen für alle AutoML-Bild verticals.
set_training_parameters

Festlegen von Bildtrainingsparametern für AutoML-Bildklassifizierung und Bildklassifizierung multilabel-Aufgaben.

dump

Gibt den Auftragsinhalt in einer Datei im YAML-Format ab.

dump(dest: str | PathLike | IO, **kwargs) -> None

Parameter

dest
Union[<xref:PathLike>, str, IO[AnyStr]]
Erforderlich

Der lokale Pfad oder Dateistream, in den der YAML-Inhalt geschrieben werden soll. Wenn dest ein Dateipfad ist, wird eine neue Datei erstellt. Wenn dest eine geöffnete Datei ist, wird die Datei direkt in geschrieben.

kwargs
dict

Zusätzliche Argumente, die an das YAML-Serialisierungsprogramm übergeben werden sollen.

Ausnahmen

FileExistsError

Wird ausgelöst, wenn dest ein Dateipfad ist und die Datei bereits vorhanden ist.

IOError

Wird ausgelöst, wenn dest eine geöffnete Datei ist und die Datei nicht beschreibbar ist.

extend_search_space

Fügen Sie Suchbereich für AutoML-Bildklassifizierungs- und Bildklassifizierungsaufgaben mit mehreren Bezeichnungen hinzu.

extend_search_space(value: SearchSpace | List[SearchSpace]) -> None

Parameter

value
Union[ImageClassificationSearchSpace, List[ImageClassificationSearchSpace]]
Erforderlich

Geben Sie entweder eine instance von ImageClassificationSearchSpace oder eine Liste von ImageClassificationSearchSpace an, um den Parameterbereich zu durchsuchen.

Ausnahmen

FileExistsError

Wird ausgelöst, wenn dest ein Dateipfad ist und die Datei bereits vorhanden ist.

IOError

Wird ausgelöst, wenn dest eine geöffnete Datei ist und die Datei nicht beschreibbar ist.

set_data 

set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None

Ausnahmen

FileExistsError

Wird ausgelöst, wenn dest ein Dateipfad ist und die Datei bereits vorhanden ist.

IOError

Wird ausgelöst, wenn dest eine geöffnete Datei ist und die Datei nicht beschreibbar ist.

set_limits

Beschränken Sie die Einstellungen für alle AutomatischML-Bild verticals.

set_limits(*, max_concurrent_trials: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None) -> None

Parameter

timeout_minutes
timedelta

AutoML-Auftragstimeout.

Ausnahmen

FileExistsError

Wird ausgelöst, wenn dest ein Dateipfad ist und die Datei bereits vorhanden ist.

IOError

Wird ausgelöst, wenn dest eine geöffnete Datei ist und die Datei nicht beschreibbar ist.

set_sweep

Sweep-Einstellungen für alle AutoML-Bild verticals.

set_sweep(*, sampling_algorithm: str | Random | Grid | Bayesian, early_termination: BanditPolicy | MedianStoppingPolicy | TruncationSelectionPolicy | None = None) -> None

Parameter

sampling_algorithm

Erforderlich. [Erforderlich] Typ der Hyperparameter-Samplingalgorithmen. Mögliche Werte: "Grid", "Random", "Bayesian".

early_termination
Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]

Typ der Richtlinie für vorzeitige Beendigung.

Ausnahmen

FileExistsError

Wird ausgelöst, wenn dest ein Dateipfad ist und die Datei bereits vorhanden ist.

IOError

Wird ausgelöst, wenn dest eine geöffnete Datei ist und die Datei nicht beschreibbar ist.

set_training_parameters

Festlegen von Bildtrainingsparametern für AutoML-Bildklassifizierung und Bildklassifizierung multilabel-Aufgaben.

set_training_parameters(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: str | LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: str | StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, training_crop_size: int | None = None, validation_crop_size: int | None = None, validation_resize_size: int | None = None, weighted_loss: int | None = None) -> None

Parameter

advanced_settings
str

Einstellungen für erweiterte Szenarien.

ams_gradient
bool

Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" lautet.

beta1
float

Wert von "beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.

beta2
float

Wert von "beta2", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.

checkpoint_frequency
int

Häufigkeit zum Speichern von Modellprüfpunkten. Der Wert muss eine positive ganze Zahl sein.

checkpoint_run_id
str

Die ID einer vorherigen Ausführung, die über einen vortrainierten Prüfpunkt für inkrementelles Training verfügt.

distributed
bool

Gibt an, ob verteiltes Training verwendet werden soll.

early_stopping
bool

Logik zum frühzeitigen Beenden während des Trainings aktivieren.

early_stopping_delay
int

Mindestanzahl von Epochen oder Validierungsauswertungen, die gewartet werden sollen, bevor die primäre Metrikverbesserung für das frühzeitige Beenden nachverfolgt wird. Der Wert muss eine positive ganze Zahl sein.

early_stopping_patience
int

Minimale Anzahl von Epochen oder Validierungsauswertungen ohne primäre Metrikverbesserung, bevor die Ausführung beendet wird. Der Wert muss eine positive ganze Zahl sein.

enable_onnx_normalization
bool

Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells.

evaluation_frequency
int

Häufigkeit zum Auswerten des Validierungsdatasets, um Metrikergebnisse zu erhalten. Der Wert muss eine positive ganze Zahl sein.

gradient_accumulation_step
int

Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von GradAccumulationStep-Schritten ausgeführt wird, ohne die Modellgewichte zu aktualisieren, während die Farbverläufe dieser Schritte gesammelt werden, und dann die akkumulierten Farbverläufe zum Berechnen der Gewichtungsaktualisierungen verwendet werden. Der Wert muss eine positive ganze Zahl sein.

layers_to_freeze

Anzahl der Ebenen, die für das Modell fixiert werden sollen. Der Wert muss eine positive ganze Zahl sein. Für instance bedeutet die Übergabe von 2 als Wert für "seresnext" das Einfrieren von Layer0 und Layer1. Eine vollständige Liste der unterstützten Modelle und Details zum Einfrieren der Ebene finden Sie unter: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long

learning_rate
float

Anfängliche Lernrate. Muss ein Gleitkommawert im Bereich [0, 1] sein.

learning_rate_scheduler

Typ des Lernratenplaners. Muss "warmup_cosine" oder "Schritt" sein. Mögliche Werte sind: "None", "WarmupCosine", "Step".

model_name

Name des Modells, das für das Training verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum
float

Wert des Momentums, wenn der Optimierer "sgd" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.

nesterov
bool

Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist.

number_of_epochs
int

Anzahl der Trainingsepochen Der Wert muss eine positive ganze Zahl sein.

number_of_workers
int

Anzahl der Datenlade-Worker. Muss eine nicht negative ganze Zahl sein.

optimizer

Typ des Optimierers. Mögliche Werte sind: "None", "Sgd", "Adam", "Adamw".

random_seed
int

Zufälliger Seed, der bei deterministischem Training verwendet werden soll.

step_lr_gamma
float

Wert von Gamma, wenn der Lernratenplaner "Schritt" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.

step_lr_step_size
int

Wert der Schrittgröße, wenn der Lernratenplaner "Schritt" ist. Der Wert muss eine positive ganze Zahl sein.

training_batch_size
int

Trainingsbatchgröße. Der Wert muss eine positive ganze Zahl sein.

validation_batch_size
int

Überprüfungsbatchgröße. Der Wert muss eine positive ganze Zahl sein.

warmup_cosine_lr_cycles
float

Der Wert des Kosinuszyklus, wenn der Lernratenplaner "warmup_cosine" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.

warmup_cosine_lr_warmup_epochs
int

Wert von Aufwärmzeiten, wenn der Lernratenplaner "warmup_cosine" ist. Der Wert muss eine positive ganze Zahl sein.

weight_decay
float

Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" ist. Muss ein Float im Bereich [0, 1] sein.

training_crop_size
int

Bildzuschneidegröße, die in das neuronale Netzwerk für das Trainingsdataset eingegeben wird. Der Wert muss eine positive ganze Zahl sein.

validation_crop_size
int

Bildzuschneidegröße, die in das neuronale Netzwerk für das Validierungsdataset eingegeben wird. Der Wert muss eine positive ganze Zahl sein.

validation_resize_size
int

Bildgröße, auf die die Größe vor dem Zuschneiden für das Validierungsdataset geändert werden soll. Der Wert muss eine positive ganze Zahl sein.

weighted_loss
int

Gewichteter Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichteten Verlust mit class_weights. Muss 0, 1 oder 2 sein.

Ausnahmen

FileExistsError

Wird ausgelöst, wenn dest ein Dateipfad ist und die Datei bereits vorhanden ist.

IOError

Wird ausgelöst, wenn dest eine geöffnete Datei ist und die Datei nicht beschreibbar ist.

Attribute

base_path

Der Basispfad der Ressource.

Gibt zurück

Der Basispfad der Ressource.

Rückgabetyp

str

creation_context

Der Erstellungskontext der Ressource.

Gibt zurück

Die Erstellungsmetadaten für die Ressource.

Rückgabetyp

Optional[SystemData]

id

Die Ressourcen-ID.

Gibt zurück

Die globale ID der Ressource, eine Arm-ID (Azure Resource Manager).

Rückgabetyp

Optional[str]

inputs

limits

log_files

Auftragsausgabedateien.

Gibt zurück

Das Wörterbuch der Protokollnamen und URLs.

Rückgabetyp

Optional[Dict[str, str]]

log_verbosity

outputs

primary_metric

search_space

status

Der Status des Auftrags.

Zu den häufig zurückgegebenen Werten zählen „Running“ (Wird ausgeführt), „Completed“ (Abgeschlossen) und „Failed“ (Fehlgeschlagen). Alle möglichen Werte sind:

  • NotStarted: Dies ist ein temporärer Zustand, in dem sich clientseitige Run-Objekte vor der Cloudübermittlung befinden.

  • Starting: Die Verarbeitung der Ausführung in der Cloud hat begonnen. Die aufrufende Funktion besitzt zu diesem Zeitpunkt eine Ausführungs-ID.

  • Bereitstellung: Bedarfsgesteuerte Computeressourcen werden für eine bestimmte Auftragsübermittlung erstellt.

  • Vorbereiten: Die Ausführungsumgebung wird vorbereitet und befindet sich in einer von zwei Phasen:

    • Docker-Imagebuild

    • Einrichten der Conda-Umgebung

  • In die Warteschlange: Der Auftrag wird auf dem Computeziel in die Warteschlange gestellt. In BatchAI befindet sich der Auftrag beispielsweise in der Warteschlange.

    während darauf gewartet wird, dass alle angeforderten Knoten bereit sind.

  • Wird ausgeführt: Der Auftrag wurde auf dem Computeziel ausgeführt.

  • Abgeschlossen: Die Ausführung des Benutzercodes wurde abgeschlossen, und die Ausführung befindet sich in den Phasen nach der Verarbeitung.

  • CancelRequested: Für den Auftrag wurde ein Abbruch angefordert.

  • Abgeschlossen: Die Ausführung wurde erfolgreich abgeschlossen. Dies schließt sowohl die Ausführung von Benutzercode als auch die Ausführung ein.

    Nachbearbeitungsphasen der Ausführung ein.

  • Failed: Die Ausführung ist fehlgeschlagen. In der Regel liefert die Eigenschaft „Error“ einer Ausführung Details zur Ursache.

  • Canceled: Folgt einer Abbruchanforderung und gibt an, dass die Ausführung jetzt erfolgreich abgebrochen wurde.

  • „NotResponding“ (Reagiert nicht): Für eine Ausführung, für die Heartbeats aktiviert ist, wurde vor Kurzem kein Heartbeat gesendet.

Gibt zurück

Status des Auftrags.

Rückgabetyp

Optional[str]

studio_url

Azure ML Studio-Endpunkt.

Gibt zurück

Die URL zur Auftragsdetailseite.

Rückgabetyp

Optional[str]

sweep

task_type

Abrufen des Aufgabentyps.

Gibt zurück

Der Typ der auszuführenden Aufgabe. Mögliche Werte sind: "classification", "regression", "forecasting".

Rückgabetyp

str

test_data

Abrufen von Testdaten.

Gibt zurück

Testen der Dateneingabe

Rückgabetyp

Input

training_data

Abrufen von Trainingsdaten.

Gibt zurück

Eingabe von Trainingsdaten

Rückgabetyp

Input

training_parameters

type

Der Typ des Auftrags.

Gibt zurück

Der Typ des Auftrags.

Rückgabetyp

Optional[str]

validation_data

Abrufen von Validierungsdaten.

Gibt zurück

Eingabe von Validierungsdaten

Rückgabetyp

Input