EstimatorStep Класс

НЕ РЕКОМЕНДУЕТСЯ. Создает этап конвейера для выполнения Estimator для обучения модели Azure ML.

Создайте шаг конвейера Машинного обучения Azure для запуска оценщика для обучения модели машинного обучения.

НЕ РЕКОМЕНДУЕТСЯ. Вместо него используется CommandStep. Пример см. в статье о выполнении обучения ML в конвейерах с помощью CommandStep.

Наследование

PythonScriptStep

EstimatorStep

Конструктор

EstimatorStep(name=None, estimator=None, estimator_entry_script_arguments=None, runconfig_pipeline_params=None, inputs=None, outputs=None, compute_target=None, allow_reuse=True, version=None)

Параметры

Имя	Описание
name	str Имя шага этапа. Default value: None
estimator	Estimator Связанный объект оценщика для этого этапа. Может быть предварительно настроенным оценщиком, таким как Chainer, PyTorch, TensorFlow или SKLearn. Default value: None
estimator_entry_script_arguments	list[str] [Обязательно.] Список аргументов командной строки. Если скрипт записи оценщика не принимает аргументы командной строки, задайте в качестве значения этого параметра пустой список. Default value: None
runconfig_pipeline_params	dict[str, PipelineParameter] Переопределяет свойства runconfig во время выполнения с использованием пар "ключ-значение", каждая из которых имеет имя свойства runconfig и PipelineParameter для этого свойства. Поддерживаемые значения: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount" Default value: None
inputs	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]] Список используемых входных данных. Default value: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset]] Список объектов PipelineData. Default value: None
compute_target	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Обязательно] Используемый целевой объект вычислений. Default value: None
allow_reuse	bool Указывает, должен ли этап повторно использовать предыдущие результаты при повторном выполнении с теми же параметрами. Повторное использование включено по умолчанию. Если содержимое этапа (скрипты или зависимости), а также входные данные и параметры не изменяются, выходные данные предыдущего выполнения этого этапа используются повторно. При повторном использовании этапа вместо отправки задания для вычисления немедленно предоставляются результаты предыдущего выполнения для последующих этапов. Если в качестве входных данных используются наборы данных Машинного обучения Azure, то повторное использование зависит от изменения определения набора данных, а не базовых данных. Default value: True
version	str Необязательный тег версии для обозначения изменения функциональности модуля. Default value: None
name Обязательно	str Имя шага этапа.
estimator Обязательно	<xref:Estimator> Связанный объект оценщика для этого этапа. Может быть предварительно настроенным оценщиком, таким как Chainer, PyTorch, TensorFlow или SKLearn.
estimator_entry_script_arguments Обязательно	[str] [Обязательно.] Список аргументов командной строки. Если скрипт записи оценщика не принимает аргументы командной строки, задайте в качестве значения этого параметра пустой список.
runconfig_pipeline_params Обязательно	dict[str, PipelineParameter] Переопределяет свойства runconfig во время выполнения с использованием пар "ключ-значение", каждая из которых имеет имя свойства runconfig и PipelineParameter для этого свойства. Поддерживаемые значения: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount"
inputs Обязательно	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]] Список используемых входных данных.
outputs Обязательно	list[Union[PipelineData, PipelineOutputAbstractDataset] Список объектов PipelineData.
compute_target Обязательно	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Обязательно] Используемый целевой объект вычислений.
allow_reuse Обязательно	bool Указывает, должен ли этап повторно использовать предыдущие результаты при повторном выполнении с теми же параметрами. Повторное использование включено по умолчанию. Если содержимое этапа (скрипты или зависимости), а также входные данные и параметры не изменяются, выходные данные предыдущего выполнения этого этапа используются повторно. При повторном использовании этапа вместо отправки задания для вычисления немедленно предоставляются результаты предыдущего выполнения для последующих этапов. Если в качестве входных данных используются наборы данных Машинного обучения Azure, то повторное использование зависит от изменения определения набора данных, а не базовых данных.
version Обязательно	str version

Комментарии

Обратите внимание, что аргументы для скрипта записи, используемого в объекте Estimator, должны быть указаны в виде списка с помощью параметра estimator_entry_script_arguments при создании экземпляра EstimatorStep. Параметр оценщика script_params принимает словарь. Однако параметр estimator_entry_script_argument принимает аргументы в виде списка.

При инициализации EstimatorStep указывается список входных данных с помощью параметра inputs, и вам не нужно указывать входные данные с помощью оценщика, иначе будет создано исключение. Допустимые типы входных данных см. в описании параметра inputs. При необходимости можно также указать выходные данные для этапа. Допустимые типы выходных данных см. в описании параметра outputs.

Для работы с EstimatorStep рекомендуется использовать отдельную папку для скриптов и зависимых файлов, связанных с этим этапом, и указать эту папку как source_directory объекта Estimator. Это дает два преимущества. Во-первых, это помогает уменьшить размер моментального снимка, создаваемого для этапа, поскольку создается моментальный снимок всего, что требуется для данного этапа. Во-вторых, выходные данные этапа предыдущего выполнения могут быть использованы повторно, если нет изменений source_directory, которые активируют повторную отправку моментального снимка.

Методы

create_node

Создание узла на этапе оценщика и его добавление в указанный граф. НЕ РЕКОМЕНДУЕТСЯ. Вместо него используется CommandStep. Пример см. в статье о выполнении обучения ML в конвейерах с помощью CommandStep. Данный метод не предназначен для непосредственного использования. При создании экземпляра конвейера с помощью этого этапа Azure ML автоматически передает необходимые параметры через этот метод, чтобы данный этап можно было добавить в граф конвейера, представляющий рабочий процесс.

create_node

Создание узла на этапе оценщика и его добавление в указанный граф.

НЕ РЕКОМЕНДУЕТСЯ. Вместо него используется CommandStep. Пример см. в статье о выполнении обучения ML в конвейерах с помощью CommandStep.

Данный метод не предназначен для непосредственного использования. При создании экземпляра конвейера с помощью этого этапа Azure ML автоматически передает необходимые параметры через этот метод, чтобы данный этап можно было добавить в граф конвейера, представляющий рабочий процесс.

create_node(graph, default_datastore, context)

Параметры

Имя	Описание
graph Обязательно	Graph Объект графа, в который добавляется узел.
default_datastore Обязательно	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Хранилище данных по умолчанию.
context Обязательно	<xref:azureml.pipeline.core._GraphContext> Контекст графа.

Возвращаемое значение

Тип	Описание
Node	Созданный узел.