ImageClassificationJob Clase

Configuración del trabajo clasificación de imágenes de varias clases de AutoML.

Inicialice un nuevo trabajo de clasificación de imágenes de varias clases de AutoML.

Herencia

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

ImageClassificationJob

Constructor

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

Parámetros

primary_metric

Requerido

Métrica principal que se va a usar para la optimización

kwargs

Requerido

Argumentos específicos del trabajo

Métodos

dump	Volca el contenido del trabajo en un archivo en formato YAML.
extend_search_space	Agregue espacio de búsqueda para las tareas Clasificación de imágenes autoML y Clasificación de imágenes multietiqueta.
set_data
set_limits	Limite la configuración de todos los verticales de imagen autoML.
set_sweep	Configuración de barrido para todos los verticales de imagen autoML.
set_training_parameters	Establecer los parámetros de entrenamiento de imágenes para las tareas Clasificación de imágenes autoML y Clasificación de imágenes multietiqueta.

dump

Volca el contenido del trabajo en un archivo en formato YAML.

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

Parámetros

dest

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

Requerido

Ruta de acceso local o secuencia de archivos en la que se va a escribir el contenido de YAML. Si dest es una ruta de acceso de archivo, se creará un nuevo archivo. Si dest es un archivo abierto, el archivo se escribirá directamente.

kwargs

dict

Argumentos adicionales para pasar al serializador YAML.

Excepciones

FileExistsError

Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.

IOError

Se genera si dest es un archivo abierto y el archivo no se puede escribir.

extend_search_space

Agregue espacio de búsqueda para las tareas Clasificación de imágenes autoML y Clasificación de imágenes multietiqueta.

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

Parámetros

value

Union[ImageClassificationSearchSpace, List[ImageClassificationSearchSpace]]

Requerido

especifique una instancia de ImageClassificationSearchSpace o una lista de ImageClassificationSearchSpace para buscar en el espacio de parámetros.

Excepciones

FileExistsError

Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.

IOError

Se genera si dest es un archivo abierto y el archivo no se puede escribir.

set_data

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

Excepciones

FileExistsError

Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.

IOError

Se genera si dest es un archivo abierto y el archivo no se puede escribir.

set_limits

Limite la configuración de todos los verticales de imagen autoML.

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

Parámetros

timeout_minutes

timedelta

Tiempo de espera del trabajo de AutoML.

Excepciones

FileExistsError

Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.

IOError

Se genera si dest es un archivo abierto y el archivo no se puede escribir.

set_sweep

Configuración de barrido para todos los verticales de imagen autoML.

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

Parámetros

sampling_algorithm

Necesario. [Obligatorio] Tipo de los algoritmos de muestreo de hiperparámetros. Entre los valores posibles se incluyen: "Grid", "Random", "Bayesian".

early_termination

Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]

Tipo de directiva de terminación anticipada.

Excepciones

FileExistsError

Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.

IOError

Se genera si dest es un archivo abierto y el archivo no se puede escribir.

set_training_parameters

Establecer los parámetros de entrenamiento de imágenes para las tareas Clasificación de imágenes autoML y Clasificación de imágenes multietiqueta.

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

Parámetros

advanced_settings

str

Configuración de escenarios avanzados.

ams_gradient

bool

Habilite AMSGrad cuando el optimizador sea "adam" o "adamw".

beta1

float

Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un valor float en el intervalo [0, 1].

beta2

float

Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un valor float en el intervalo [0, 1].

checkpoint_frequency

int

Frecuencia para almacenar puntos de control del modelo. Debe ser un entero positivo.

checkpoint_run_id

str

Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental.

distributed

bool

Si se va a usar el entrenamiento distribuido.

early_stopping

bool

Habilite la lógica de detención temprana durante el entrenamiento.

early_stopping_delay

int

Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de que se realice un seguimiento de la mejora de la métrica principal para la detención temprana. Debe ser un entero positivo.

early_stopping_patience

int

Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes de que se detenga la ejecución. Debe ser un entero positivo.

enable_onnx_normalization

bool

Habilite la normalización al exportar el modelo ONNX.

evaluation_frequency

int

Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo.

gradient_accumulation_step

int

La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.

layers_to_freeze

Número de capas que se van a inmovilizar para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa la capa de congelación 0 y la capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long

learning_rate

float

Velocidad de aprendizaje inicial. Debe ser un valor float en el intervalo [0, 1].

learning_rate_scheduler

Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". Entre los valores posibles se incluyen: "None", "WarmupCosine", "Step".

model_name

Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum

float

Valor del impulso cuando el optimizador es "sgd". Debe ser un valor float en el intervalo [0, 1].

nesterov

bool

Habilite nesterov cuando el optimizador sea "sgd".

number_of_epochs

int

Número de épocas de entrenamiento. Debe ser un entero positivo.

number_of_workers

int

Número de trabajos del cargador de datos. Debe ser un entero no negativo.

optimizer

Tipo de optimizador. Entre los valores posibles se incluyen: "None", "Sgd", "Adam", "Adamw".

random_seed

int

Inicialización aleatoria que se usará al usar el entrenamiento determinista.

step_lr_gamma

float

Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un valor float en el intervalo [0, 1].

step_lr_step_size

int

Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo.

training_batch_size

int

Tamaño del lote de entrenamiento. Debe ser un entero positivo.

validation_batch_size

int

Tamaño del lote de validación. Debe ser un entero positivo.

warmup_cosine_lr_cycles

float

Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un valor float en el intervalo [0, 1].

warmup_cosine_lr_warmup_epochs

int

Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo.

weight_decay

float

Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un valor flotante en el intervalo[0, 1].

training_crop_size

int

Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo.

validation_crop_size

int

Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo.

validation_resize_size

int

Tamaño de imagen al que se va a cambiar el tamaño antes de recortar para el conjunto de datos de validación. Debe ser un entero positivo.

weighted_loss

int

Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada. 1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0, 1 o 2.

Excepciones

FileExistsError

Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.

IOError

Se genera si dest es un archivo abierto y el archivo no se puede escribir.

Atributos

base_path

Ruta de acceso base del recurso.

Devoluciones

Ruta de acceso base del recurso.

Tipo de valor devuelto

str

creation_context

Contexto de creación del recurso.

Devoluciones

Metadatos de creación del recurso.

Tipo de valor devuelto

Optional[SystemData]

id

El identificador del recurso.

Devoluciones

Identificador global del recurso, un identificador de Azure Resource Manager (ARM).

Tipo de valor devuelto

Optional[str]

inputs

limits

log_files

Archivos de salida del trabajo.

Devoluciones

Diccionario de nombres de registro y direcciones URL.

Tipo de valor devuelto

Optional[Dict[str, str]]

log_verbosity

outputs

primary_metric

search_space

status

El estado del trabajo.

Los valores comunes devueltos incluyen "Running", "Completed" y "Failed". Todos los valores posibles son:

• NotStarted: se trata de un estado temporal en el que se encuentran los objetos Run del lado cliente antes del envío en la nube.

• Starting: la ejecución ha empezado a procesarse en la nube. El autor de la llamada tiene un identificador de ejecución en este momento.

• Aprovisionamiento: el proceso a petición se está creando para un envío de trabajo determinado.

• Preparación: el entorno de ejecución se está preparando y se encuentra en una de estas dos fases:

  • Compilación de imágenes de Docker

  • configuración del entorno Conda

• En cola: el trabajo se pone en cola en el destino de proceso. Por ejemplo, en BatchAI, el trabajo está en estado en cola.

  mientras espera a que todos los nodos solicitados estén listos.

• En ejecución: el trabajo se ha iniciado para ejecutarse en el destino de proceso.

• Finalización: la ejecución del código de usuario se ha completado y la ejecución está en fases posteriores al procesamiento.

• CancelRequested: se ha solicitado la cancelación del trabajo.

• Completado: la ejecución se ha completado correctamente. Esto incluye tanto la ejecución del código de usuario como la ejecución

  posteriores al procesamiento de la ejecución.

• Failed: error en la ejecución. Normalmente, la propiedad Error de una ejecución proporcionará detalles sobre por qué se produjo el error.

• Canceled: sigue a una solicitud de cancelación e indica que la ejecución se ha cancelado correctamente.

• NotResponding: en el caso de las ejecuciones que tienen los latidos habilitados, no se ha enviado recientemente ningún latido.

Devoluciones

Estado del trabajo.

Tipo de valor devuelto

Optional[str]

studio_url

Punto de conexión de Azure ML Studio.

Devoluciones

Dirección URL de la página de detalles del trabajo.

Tipo de valor devuelto

Optional[str]

sweep

task_type

Obtiene el tipo de tarea.

Devoluciones

Tipo de tarea que se va a ejecutar. Entre los valores posibles se incluyen: "classification", "regression", "forecasting".

Tipo de valor devuelto

str

test_data

Obtener datos de prueba.

Devoluciones

Entrada de datos de prueba

Tipo de valor devuelto

Input

training_data

Obtener datos de entrenamiento.

Devoluciones

Entrada de datos de entrenamiento

Tipo de valor devuelto

Input

training_parameters

type

Tipo del trabajo.

Devoluciones

Tipo del trabajo.

Tipo de valor devuelto

Optional[str]

validation_data

Obtener datos de validación.

Devoluciones

Entrada de datos de validación

Tipo de valor devuelto

Input