PyTorch Classe

Representa um avaliador para treinamento em experimentos PyTorch.

PRETERIDO. Use o objeto ScriptRunConfig com seu próprio ambiente definido ou um dos ambientes coletados do PyTorch do Azure ML. Para obter uma introdução à configuração de experimentos PyTorch executados com ScriptRunConfig, consulteTreinar modelos PyTorch em escala com o Azure Machine Learning.

Versões com suporte: 1.0, 1.1, 1.2, 1.3, 1.4, 1.5, 1.6

Inicializar um avaliador PyTorch.

Referência de execução do Docker. :type shm_size: str :p aram resume_from: o caminho de dados que contém o ponto de verificação ou os arquivos de modelo dos quais retomar o experimento. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: o tempo máximo permitido para a execução. O Azure ML tentará automaticamente

cancele a execução se demorar mais do que esse valor.

Herança

azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimator

PyTorch

Construtor

PyTorch(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)

Parâmetros

Nome	Description
source_directory Obrigatório	str Um diretório local que contém os arquivos de configuração do experimento.
compute_target Obrigatório	AbstractComputeTarget ou str O destino de computação onde o treinamento ocorrerá. Pode ser um objeto ou a cadeia de caracteres "local".
vm_size Obrigatório	str O tamanho da VM do destino de computação que será criado para o treinamento. Valores com suporte: qualquer tamanho de VM do Azure.
vm_priority Obrigatório	str A prioridade da VM do destino de computação que será criada para o treinamento. Se não for especificada, será usada a 'dedicada'. Valores com suporte: 'dedicada' e 'de baixa prioridade'. Isso somente terá efeito quando o vm_size param for especificado na entrada.
entry_script Obrigatório	str O caminho relativo para o arquivo que contém o script de treinamento.
script_params Obrigatório	dict Um dicionário de argumentos de linha de comando para passar para o script de treinamento especificado em entry_script.
node_count Obrigatório	int O número de nós no destino de computação usado para treinamento. Se for maior que 1, um trabalho distribuído de MPI executará. Apenas o destino AmlCompute tem suporte para trabalhos distribuídos.
process_count_per_node Obrigatório	int O número de processos por nó. Se for maior que 1, um trabalho distribuído de MPI executará. Apenas o destino AmlCompute tem suporte para trabalhos distribuídos.
distributed_backend Obrigatório	str O back-end de comunicação para treinamento distribuído. PRETERIDO. Use o parâmetro distributed_training. Valores com suporte: 'mpi', 'gloo' e 'nccl'. 'mpi': MPI/Horovod 'gloo', 'nccl': Treinamento Distribuído Nativo do PyTorch Este parâmetro será necessário quando node_count ou process_count_per_node> 1. Quando node_count == 1 e process_count_per_node == 1, nenhum back-end será usado, a menos que o back-end seja definido explicitamente. Apenas o destino AmlCompute tem suporte para treinamento distribuído.
distributed_training Obrigatório	Mpi ou Gloo ou Nccl Parâmetros para executar um trabalho de treinamento distribuído. Para executar um trabalho distribuído com o back-end do MPI, use o objeto Mpi para especificar process_count_per_node. Para executar um trabalho distribuído com back-end de gloo, use Gloo. Para executar um trabalho distribuído com back-end de nccl, use Nccl.
use_gpu Obrigatório	bool Especifica se o ambiente para executar o experimento deve dar suporte a GPUs. Se true, uma imagem do Docker padrão baseada em GPU será usada no ambiente. Se false, uma imagem baseada em CPU será usada. As imagens do Docker (CPU ou GPU) padrão serão usadas somente se o parâmetro custom_docker_image não estiver definido. Essa configuração é usada apenas em destinos de computação habilitados para Docker.
use_docker Obrigatório	bool Especifica se o ambiente para executar o experimento deve ser baseado em Docker.
custom_docker_base_image Obrigatório	str O nome da imagem do Docker a partir da qual a imagem a ser usada para treinamento será criada. PRETERIDO. Use o parâmetro custom_docker_image. Se não for definido, uma imagem padrão baseada em CPU será usada como imagem base.
custom_docker_image Obrigatório	str O nome da imagem do Docker a partir da qual a imagem a ser usada para treinamento será criada. Se não for definido, uma imagem padrão baseada em CPU será usada como imagem base.
image_registry_details Obrigatório	ContainerRegistry Os detalhes do registro de imagem do Docker.
user_managed Obrigatório	bool Especifica se o Azure ML reutiliza um ambiente do Python existente. Se for false, o Azure ML criará um ambiente do Python com base na especificação de dependências de conda.
conda_packages Obrigatório	list Uma lista de cadeia de caracteres representando pacotes conda a serem adicionados ao ambiente do Python para o experimento.
pip_packages Obrigatório	list Uma lista de cadeia de caracteres representando pacotes de pip a serem adicionados ao ambiente do Python para o experimento.
conda_dependencies_file_path Obrigatório	str O caminho relativo para o arquivo yaml de dependências conda. Se especificado, o Azure ML não instalará pacotes relacionados à estrutura. PRETERIDO. Use o parâmetro conda_dependencies_file.
pip_requirements_file_path Obrigatório	str O caminho relativo para o arquivo de texto de requisitos de pip. Isso pode ser fornecido em combinação com o parâmetro pip_packages. PRETERIDO. Use o parâmetro pip_requirements_file.
conda_dependencies_file Obrigatório	str O caminho relativo para o arquivo yaml de dependências conda. Se especificado, o Azure ML não instalará pacotes relacionados à estrutura.
pip_requirements_file Obrigatório	str O caminho relativo para o arquivo de texto de requisitos de pip. Isso pode ser fornecido em combinação com o parâmetro pip_packages.
environment_variables Obrigatório	dict Um dicionário de valores e nomes de variáveis de ambiente. Essas variáveis de ambiente são definidas no processo em que o script do usuário está sendo executado.
environment_definition Obrigatório	Environment A definição de ambiente para o experimento. Inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente por meio de outros parâmetros à construção do Avaliador poderá ser definida usando esse parâmetro. Se esse parâmetro for especificado, ele terá precedência sobre outros parâmetros relacionados ao ambiente como use_gpu, custom_docker_image, conda_packages ou pip_packages. Erros serão relatados em combinações inválidas de parâmetros.
inputs Obrigatório	list Uma lista de objetos DataReference ou DatasetConsumptionConfig para usar como entrada.
source_directory_data_store Obrigatório	Datastore O armazenamento de dados de suporte para compartilhamento de projeto.
shm_size Obrigatório	str O tamanho do bloco de memória compartilhada do contêiner do Docker. Se não for definido, será usado o padrão azureml.core.environment._DEFAULT_SHM_SIZE. Para obter mais informações, consulte Referência de execução do Docker.
resume_from Obrigatório	DataPath O caminho de dados que contém o ponto de verificação ou os arquivos de modelo dos quais retomar o experimento.
max_run_duration_seconds Obrigatório	int O tempo máximo permitido para a execução. O Azure ML tentará cancelar automaticamente a execução se demorar mais do que esse valor.
framework_version Obrigatório	str A versão do PyTorch a ser usada para executar o código de treinamento. PyTorch.get_supported_versions() retorna uma lista das versões com suporte do SDK atual.
source_directory Obrigatório	str Um diretório local que contém os arquivos de configuração do experimento.
compute_target Obrigatório	AbstractComputeTarget ou str O destino de computação onde o treinamento ocorrerá. Pode ser um objeto ou a cadeia de caracteres "local".
vm_size Obrigatório	str O tamanho da VM do destino de computação que será criado para o treinamento. Valores com suporte: qualquer tamanho de VM do Azure.
vm_priority Obrigatório	str A prioridade da VM do destino de computação que será criada para o treinamento. Se não for especificada, será usada a 'dedicada'. Valores com suporte: 'dedicada' e 'de baixa prioridade'. Isso somente terá efeito quando o vm_size param for especificado na entrada.
entry_script Obrigatório	str O caminho relativo para o arquivo que contém o script de treinamento.
script_params Obrigatório	dict Um dicionário de argumentos de linha de comando para passar para o script de treinamento especificado em entry_script.
node_count Obrigatório	int O número de nós no destino de computação usado para treinamento. Se for maior que 1, o trabalho distribuído de mpi será executado. Somente o destino azureml.core.compute.AmlCompute tem suporte para trabalhos distribuídos.
process_count_per_node Obrigatório	int O número de processos por nó. Se for maior que 1, um trabalho distribuído de MPI executará. Apenas o destino AmlCompute tem suporte para trabalhos distribuídos.
distributed_backend Obrigatório	str O back-end de comunicação para treinamento distribuído. PRETERIDO. Use o parâmetro distributed_training. Valores com suporte: 'mpi', 'gloo' e 'nccl'. 'mpi': MPI/Horovod 'gloo', 'nccl': Treinamento Distribuído Nativo do PyTorch Este parâmetro será necessário quando node_count ou process_count_per_node> 1. Quando node_count == 1 e process_count_per_node == 1, nenhum back-end será usado, a menos que o back-end seja definido explicitamente. Apenas o destino AmlCompute tem suporte para treinamento distribuído.
distributed_training Obrigatório	Mpi ou Gloo ou Nccl Parâmetros para executar um trabalho de treinamento distribuído. Para executar um trabalho distribuído com o back-end do MPI, use o objeto Mpi para especificar process_count_per_node. Para executar um trabalho distribuído com back-end de gloo, use Gloo. Para executar um trabalho distribuído com back-end de nccl, use Nccl.
use_gpu Obrigatório	bool Especifica se o ambiente para executar o experimento deve dar suporte a GPUs. Se true, uma imagem do Docker padrão baseada em GPU será usada no ambiente. Se false, uma imagem baseada em CPU será usada. As imagens do Docker (CPU ou GPU) padrão serão usadas somente se o parâmetro custom_docker_image não estiver definido. Essa configuração é usada apenas em destinos de computação habilitados para Docker.
use_docker Obrigatório	bool Especifica se o ambiente para executar o experimento deve ser baseado em Docker.
custom_docker_base_image Obrigatório	str O nome da imagem do Docker a partir da qual a imagem a ser usada para treinamento será criada. PRETERIDO. Use o parâmetro custom_docker_image. Se não for definido, uma imagem padrão baseada em CPU será usada como imagem base.
custom_docker_image Obrigatório	str O nome da imagem do Docker a partir da qual a imagem a ser usada para treinamento será criada. Se não for definido, uma imagem padrão baseada em CPU será usada como imagem base.
image_registry_details Obrigatório	ContainerRegistry Os detalhes do registro de imagem do Docker.
user_managed Obrigatório	bool Especifica se o Azure ML reutiliza um ambiente do Python existente. Se for false, o Azure ML criará um ambiente do Python com base na especificação de dependências de conda.
conda_packages Obrigatório	list Uma lista de cadeia de caracteres representando pacotes conda a serem adicionados ao ambiente do Python para o experimento.
pip_packages Obrigatório	list Uma lista de cadeia de caracteres representando pacotes de pip a serem adicionados ao ambiente do Python para o experimento.
conda_dependencies_file_path Obrigatório	str O caminho relativo para o arquivo yaml de dependências conda. Se especificado, o Azure ML não instalará pacotes relacionados à estrutura. PRETERIDO. Use o parâmetro conda_dependencies_file.
pip_requirements_file_path Obrigatório	str O caminho relativo para o arquivo de texto de requisitos de pip. Isso pode ser fornecido em combinação com o parâmetro pip_packages. PRETERIDO. Use o parâmetro pip_requirements_file.
conda_dependencies_file Obrigatório	str O caminho relativo para o arquivo yaml de dependências conda. Se especificado, o Azure ML não instalará pacotes relacionados à estrutura.
pip_requirements_file Obrigatório	str O caminho relativo para o arquivo de texto de requisitos de pip. Isso pode ser fornecido em combinação com o parâmetro pip_packages.
environment_variables Obrigatório	dict Um dicionário de valores e nomes de variáveis de ambiente. Essas variáveis de ambiente são definidas no processo em que o script do usuário está sendo executado.
environment_definition Obrigatório	Environment A definição de ambiente para o experimento. Inclui PythonSection, DockerSection e variáveis de ambiente. Qualquer opção de ambiente não exposta diretamente por meio de outros parâmetros à construção do Avaliador poderá ser definida usando esse parâmetro. Se esse parâmetro for especificado, ele terá precedência sobre outros parâmetros relacionados ao ambiente como use_gpu, custom_docker_image, conda_packages ou pip_packages. Erros serão relatados em combinações inválidas.
inputs Obrigatório	list Uma lista de azureml.data.data_reference. Objetos DataReference a serem usados como entrada.
source_directory_data_store Obrigatório	Datastore O armazenamento de dados de suporte para compartilhamento de projeto.
shm_size Obrigatório	O tamanho do bloco de memória compartilhada do contêiner do Docker. Se não for definido, será usado o padrão azureml.core.environment._DEFAULT_SHM_SIZE. Para obter mais informações, consulte
framework_version Obrigatório	str A versão do PyTorch a ser usada para executar o código de treinamento. PyTorch.get_supported_versions() retorna uma lista das versões com suporte do SDK atual.
_enable_optimized_mode Obrigatório	bool Habilite o build de ambiente incremental com imagens de estrutura pré-criadas para uma preparação mais rápida do ambiente. Uma imagem de estrutura pré-criada é criada com base nas imagens base padrão de CPU/GPU do Azure ML com dependências de estrutura pré-instaladas.
_disable_validation Obrigatório	bool Desabilite a validação de script antes de executar o envio. O padrão é True.
_show_lint_warnings Obrigatório	bool Mostrar avisos de linting de script. O padrão é False.
_show_package_warnings Obrigatório	bool Mostrar avisos de validação de pacote. O padrão é False.

Comentários

Ao enviar um trabalho de treinamento, o Azure ML executa o script em um ambiente de conda em um contêiner do Docker. Os contêineres do PyTorch têm as seguintes dependências instaladas.

Dependências | PyTorch 1.0/1.1/1.2/1.3/ | PyTorch 1.4/1.5/1.6 | ———————- | —————– | ————- | Python | 3.6.2 | 3.6.2 | CUDA (somente imagem de GPU) | 10.0 | 10.1 | cuDNN (somente imagem de GPU) | 7.6.3 | 7.6.3 | NCCL (somente imagem de GPU) | 2.4.8 | 2.4.8 | azureml-defaults | Mais Recente | Mais Recente | OpenMpi | 3.1.2 | 3.1.2 | horovod | 0.18.1 | 0.18.1/0.19.1/0.19.5 | miniconda | 4.5.11 | 4.5.11 | torch | 1.0/1.1/1.2/1.3.1 | 1.4.0/1.5.0/1.6.0 | torchvision | 0.4.1 | 0.5.0 | git | 2.7.4 | 2.7.4 | tensorboard | 1.14 | 1.14 | future | 0.17.1 | 0.17.1 |

As imagens do Docker estendem o Ubuntu 16.04.

Para instalar dependências adicionais, é possível usar o parâmetro pip_packages ou conda_packages. Ou, você pode especificar o parâmetro pip_requirements_file ou conda_dependencies_file. Como alternativa, você pode criar sua própria imagem e passar o parâmetro custom_docker_image para o construtor avaliador.

Para obter mais informações sobre os contêineres do Docker usados no treinamento do PyTorch, consulte https://github.com/Azure/AzureML-Containers.

O avaliador do PyTorch suporta treinamento distribuído em clusters de CPU e GPU usando Horovod, uma estrutura de código aberto totalmente reduzida para treinamento distribuído. Para obter exemplos e mais informações sobre como usar o PyTorch em treinamento distribuído, consulte o tutorial Treinar e registrar modelos do PyTorch em escala com o Azure Machine Learning.

Atributos

DEFAULT_VERSION

DEFAULT_VERSION = '1.4'

FRAMEWORK_NAME

FRAMEWORK_NAME = 'PyTorch'