TruncationSelectionPolicy Clase

Define una directiva de terminación anticipada que cancela un porcentaje determinado de ejecuciones en cada intervalo de evaluación.

Herencia

azure.ai.ml.entities._job.sweep.early_termination_policy.EarlyTerminationPolicy

TruncationSelectionPolicy

Constructor

TruncationSelectionPolicy(*, delay_evaluation: int = 0, evaluation_interval: int = 0, truncation_percentage: int = 0)

Parámetros de palabra clave únicamente

Nombre	Description
delay_evaluation	int Número de intervalos por los que se va a retrasar la primera evaluación. El valor predeterminado es 0.
evaluation_interval	int Intervalo (número de ejecuciones) entre las evaluaciones de directivas. El valor predeterminado es 0.
truncation_percentage	int El porcentaje de ejecuciones que se cancelarán en cada intervalo de evaluación. El valor predeterminado es 0.

Ejemplos

Configuración de una directiva de terminación anticipada para un trabajo de barrido de hiperparámetros mediante TruncationStoppingPolicy

   from azure.ai.ml import command

   job = command(
       inputs=dict(kernel="linear", penalty=1.0),
       compute=cpu_cluster,
       environment=f"{job_env.name}:{job_env.version}",
       code="./scripts",
       command="python scripts/train.py --kernel $kernel --penalty $penalty",
       experiment_name="sklearn-iris-flowers",
   )

   # we can reuse an existing Command Job as a function that we can apply inputs to for the sweep configurations
   from azure.ai.ml.sweep import QUniform, TruncationSelectionPolicy, Uniform

   job_for_sweep = job(
       kernel=Uniform(min_value=0.0005, max_value=0.005),
       penalty=QUniform(min_value=0.05, max_value=0.75, q=1),
   )

   sweep_job = job_for_sweep.sweep(
       sampling_algorithm="random",
       primary_metric="best_val_acc",
       goal="Maximize",
       max_total_trials=8,
       max_concurrent_trials=4,
       early_termination_policy=TruncationSelectionPolicy(delay_evaluation=5, evaluation_interval=2),
   )