ImageClassificationMultilabelJob Класс

Конфигурация для задания классификации изображений AutoML с несколькими метками.

Инициализация нового задания классификации изображений AutoML с несколькими метками.

Наследование

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

ImageClassificationMultilabelJob

Конструктор

ImageClassificationMultilabelJob(*, primary_metric: str | ClassificationMultilabelPrimaryMetrics | None = None, **kwargs)

Параметры

primary_metric

Обязательно

Основная метрика, используемая для оптимизации

kwargs

Обязательно

Аргументы, относящиеся к заданию

Методы

dump	Помещает содержимое задания в файл в формате YAML.
extend_search_space	Добавление пространства поиска для задач классификации изображений AutoML и классификации изображений с несколькими меткой.
set_data
set_limits	Ограничение параметров для всех вертикалей изображений AutoML.
set_sweep	Параметры очистки для всех вертикалей изображений AutoML.
set_training_parameters	Задание параметров обучения изображений для задач классификации изображений AutoML и классификации изображений с несколькими меткими.

dump

Помещает содержимое задания в файл в формате YAML.

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

Параметры

dest

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

Обязательно

Локальный путь или файловый поток для записи содержимого YAML. Если dest — это путь к файлу, будет создан новый файл. Если dest является открытым файлом, файл будет записан в напрямую.

kwargs

dict

Дополнительные аргументы для передачи сериализатору YAML.

Исключения

FileExistsError

Возникает, если dest является путем к файлу и файл уже существует.

IOError

Возникает, если dest является открытым файлом и файл недоступен для записи.

extend_search_space

Добавление пространства поиска для задач классификации изображений AutoML и классификации изображений с несколькими меткой.

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

Параметры

value

Union[ImageClassificationSearchSpace, List[ImageClassificationSearchSpace]]

Обязательно

укажите экземпляр ImageClassificationSearchSpace или список ImageClassificationSearchSpace для поиска по пространству параметров.

Исключения

FileExistsError

Возникает, если dest является путем к файлу и файл уже существует.

IOError

Возникает, если dest является открытым файлом и файл недоступен для записи.

set_data

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

Исключения

FileExistsError

Возникает, если dest является путем к файлу и файл уже существует.

IOError

Возникает, если dest является открытым файлом и файл недоступен для записи.

set_limits

Ограничение параметров для всех вертикалей изображений AutoML.

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

Параметры

timeout_minutes

timedelta

Время ожидания задания AutoML.

Исключения

FileExistsError

Возникает, если dest является путем к файлу и файл уже существует.

IOError

Возникает, если dest является открытым файлом и файл недоступен для записи.

set_sweep

Параметры очистки для всех вертикалей изображений AutoML.

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

Параметры

sampling_algorithm

Обязательный. [Обязательно] Тип алгоритмов выборки гиперпараметров. Возможные значения: "Grid", "Random", "Bayesian".

early_termination

Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]

Тип политики досрочного завершения.

Исключения

FileExistsError

Возникает, если dest является путем к файлу и файл уже существует.

IOError

Возникает, если dest является открытым файлом и файл недоступен для записи.

set_training_parameters

Задание параметров обучения изображений для задач классификации изображений AutoML и классификации изображений с несколькими меткими.

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

Параметры

advanced_settings

str

Параметры для расширенных сценариев.

ams_gradient

bool

Включите AMSGrad, если оптимизатор имеет значение adam или adamw.

beta1

float

Значение beta1, если оптимизатор имеет значение adam или adamw. Должно быть значением типа float в диапазоне [0, 1].

beta2

float

Значение beta2, если оптимизатор имеет значение adam или adamw. Должно быть значением типа float в диапазоне [0, 1].

checkpoint_frequency

int

Частота сохранения контрольных точек модели. Принимаются только положительные целые числа.

checkpoint_run_id

str

Идентификатор предыдущего запуска, имеющего предварительно обученную контрольную точку для добавочного обучения.

distributed

bool

Следует ли использовать распределенное обучение.

early_stopping

bool

Включить алгоритм раннего прекращения логики во время обучения.

early_stopping_delay

int

Минимальное количество эпох или проверочных оценок, которые необходимо дождаться, прежде чем основное улучшение метрики будет отслеживаться для ранней остановки. Принимаются только положительные целые числа.

early_stopping_patience

int

Минимальное количество эпох или проверочных оценок без улучшения основной метрики до остановки выполнения. Принимаются только положительные целые числа.

enable_onnx_normalization

bool

Включить нормализацию при экспорте модели ONNX.

evaluation_frequency

int

Частота оценки набора данных проверки для получения оценок метрик. Принимаются только положительные целые числа.

gradient_accumulation_step

int

Накопление градиента означает выполнение настроенного количества шагов GradAccumulationStep без обновления весовых коэффициентов модели при накоплении градиентов этих шагов, а затем использование накопленных градиентов для вычисления обновлений веса. Принимаются только положительные целые числа.

layers_to_freeze

Количество слоев, которые необходимо заморозить для модели. Принимаются только положительные целые числа. Например, передача 2 в качестве значения для seresnext означает замораживание layer0 и layer1. Полный список поддерживаемых моделей и сведения о замораживании слоя см. в разделе https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long

learning_rate

float

Начальная скорость обучения. Должно быть значением типа float в диапазоне [0, 1].

learning_rate_scheduler

Тип планировщика скорости обучения. Должен иметь значение "warmup_cosine" или "шаг". Возможные значения: None, WarmupCosine, Step.

model_name

Имя модели, используемой для обучения. Дополнительные сведения о доступных моделях см. в официальной документации: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum

float

Значение импульса, если оптимизатор имеет значение "sgd". Должно быть значением типа float в диапазоне [0, 1].

nesterov

bool

Включите nesterov, если оптимизатор имеет значение "sgd".

number_of_epochs

int

Число эпох обучения. Принимаются только положительные целые числа.

number_of_workers

int

Количество рабочих ролей загрузчика данных. Должно быть неотрицательное целое число.

optimizer

Тип оптимизатора. Возможные значения: "None", "Sgd", "Adam", "Adamw".

random_seed

int

Случайное начальное значение, используемое при использовании детерминированного обучения.

step_lr_gamma

float

Значение гамма, если планировщик скорости обучения имеет значение step. Должно быть значением типа float в диапазоне [0, 1].

step_lr_step_size

int

Значение размера шага, если планировщик скорости обучения имеет значение step. Принимаются только положительные целые числа.

training_batch_size

int

Размер пакета, используемого для обучения. Принимаются только положительные целые числа.

validation_batch_size

int

Размер пакета, используемого для проверки. Принимаются только положительные целые числа.

warmup_cosine_lr_cycles

float

Значение цикла косиуса, когда планировщик скорости обучения имеет значение "warmup_cosine". Должно быть значением типа float в диапазоне [0, 1].

warmup_cosine_lr_warmup_epochs

int

Значение эпох прогрева, когда планировщик скорости обучения имеет значение "warmup_cosine". Принимаются только положительные целые числа.

weight_decay

float

Значение упадения веса, если оптимизатор имеет значение "sgd", "adam" или "adamw". Должен быть типом float в диапазоне[0, 1].

training_crop_size

int

Размер обрезки изображения, который является входными данными для нейронной сети для обучающего набора данных. Принимаются только положительные целые числа.

validation_crop_size

int

Размер обрезки изображения, который входит в нейронную сеть для проверочного набора данных. Принимаются только положительные целые числа.

validation_resize_size

int

Размер, до которого необходимо изменить изображение перед обрезкой для набора данных проверки. Принимаются только положительные целые числа.

weighted_loss

int

Взвешивая потеря. Допустимые значения — 0 для без взвешения потерь. 1 для взвешаемой потери с sqrt. (class_weights). 2 для расчета взвешенной ошибки с помощью class_weights. Значение должно быть 0 или 1 или 2.

Исключения

FileExistsError

Возникает, если dest является путем к файлу и файл уже существует.

IOError

Возникает, если dest является открытым файлом и файл недоступен для записи.

Атрибуты

base_path

Базовый путь к ресурсу.

Возвращаемое значение

Базовый путь к ресурсу.

Возвращаемый тип

str

creation_context

Контекст создания ресурса.

Возвращаемое значение

Метаданные создания для ресурса.

Возвращаемый тип

Optional[SystemData]

id

Идентификатор ресурса.

Возвращаемое значение

Глобальный идентификатор ресурса, идентификатор Azure Resource Manager (ARM).

Возвращаемый тип

Optional[str]

inputs

limits

log_files

Выходные файлы задания.

Возвращаемое значение

Словарь имен журналов и URL-адресов.

Возвращаемый тип

Optional[Dict[str, str]]

log_verbosity

outputs

primary_metric

search_space

status

Состояние задания.

Обычно возвращаются значения Running (Выполняется), Completed (Завершено) и Failed (Сбой). Все возможные значения:

• NotStarted — это временное состояние, в которое находятся клиентские объекты run до отправки в облако.

• Starting — началась обработка запуска в облаке. На этом этапе вызывающий объект имеет идентификатор запуска.

• Подготовка. Для отправки задания создается вычисление по запросу.

• Подготовка — среда выполнения подготавливается и находится в одном из двух этапов:

  • Сборка образа Docker

  • настройка среды conda.

• В очереди — задание помещается в очередь в целевом объекте вычислений. Например, в BatchAI задание находится в состоянии очереди.

  ожидая готовности всех запрошенных узлов.

• Выполнение — задание началось для выполнения в целевом объекте вычислений.

• Завершение — выполнение пользовательского кода завершено, а выполнение выполняется в этапах постобработки.

• CancelRequested — для задания запрошена отмена.

• Завершено — выполнение выполнено успешно. Сюда входит выполнение пользовательского кода и выполнение.

  пользовательского кода и запуска.

• Failed — сбой запуска. Подробное описание причины как правило предоставляет свойство Error.

• Canceled — применяется после запроса отмены и указывает, что выполнение теперь успешно отменено.

• NotResponding — для запусков с включенными пульсами недавно не отправлялся пульс.

Возвращаемое значение

Состояние задания.

Возвращаемый тип

Optional[str]

studio_url

Конечная точка Студии машинного обучения Azure.

Возвращаемое значение

URL-адрес страницы сведений о задании.

Возвращаемый тип

Optional[str]

sweep

task_type

Получение типа задачи.

Возвращаемое значение

Тип выполняемой задачи. Возможные значения: "классификация", "регрессия", "прогнозирование".

Возвращаемый тип

str

test_data

Получение тестовых данных.

Возвращаемое значение

Тестовые входные данные

Возвращаемый тип

Input

training_data

Получение обучающих данных.

Возвращаемое значение

Входные данные для обучения

Возвращаемый тип

Input

training_parameters

type

Тип задания.

Возвращаемое значение

Тип задания.

Возвращаемый тип

Optional[str]

validation_data

Получение данных проверки.

Возвращаемое значение

Входные данные проверки

Возвращаемый тип

Input