TrainingOutput Klass

Definierar en specialiserad utdata för vissa PipelineSteg för användning i en pipeline.

TrainingOutput gör det möjligt att göra ett automatiserat maskininlärningsmått eller en modell tillgängligt som ett steg utdata som ska användas av ett annat steg i en Azure Machine Learning Pipeline. Kan användas med AutoMLStep eller HyperDriveStep.

Initiera TrainingOutput.

param model_file: Den specifika modellfil som ska ingå i utdata. Endast för HyperDriveStep .

Arv

builtins.object

TrainingOutput

Konstruktor

TrainingOutput(type, iteration=None, metric=None, model_file=None)

Parametrar

Name	Description
type Obligatorisk	str Typ av träningsutdata. Möjliga värden är: "Metrics", "Model".
iteration	int Iterationsnumret för motsvarande träningsmodell. Det här iterationsnumret kan endast anges med typen "Modell". Ange antingen parametern iteration eller parametern metric , men inte båda. Standardvärde: None
metric	str Måttet som ska användas för att returnera den bästa träningsmodellen. Måttet kan endast tillhandahållas med typen "Modell". Ange antingen parametern iteration eller parametern metric , men inte båda. Standardvärde: None
model_file	str Den specifika modellfil som ska ingå i utdata. Endast för HyperDriveStep . Standardvärde: None
type Obligatorisk	str Typ av träningsutdata. Möjliga värden är: "Metrics", "Model".
iteration Obligatorisk	int Iterationsnumret för motsvarande träningsmodell. Det här iterationsnumret kan endast anges med typen "Modell". Ange antingen parametern iteration eller parametern metric , men inte båda.
metric Obligatorisk	str Måttet som ska användas för att returnera den bästa träningsmodellen. Måttet kan endast tillhandahållas med typen "Modell". Ange antingen parametern iteration eller parametern metric , men inte båda.

Kommentarer

TrainingOutput används med PipelineData när du skapar en Pipeline för att aktivera andra steg för att använda mått eller modeller som genereras av en AutoMLStep eller HyperDriveStep.

Använd TrainingOutput när du definierar en AutoMLStep på följande sätt:

   from azureml.pipeline.core import PipelineData, TrainingOutput

   metrics_data = PipelineData(name='metrics_data', datastore=ds,
                                pipeline_output_name='metrics_output',
                                training_output=TrainingOutput(type='Metrics'))
   model_data = PipelineData(name='model_data', datastore=ds,
                             pipeline_output_name='best_model_output',
                             training_output=TrainingOutput(type='Model'))
   automl_step = AutoMLStep(name='automl_step',
                            automl_config=automl_config,
                            inputs=[input_data],
                            outputs=[metrics_data, model_data])

Se ett exempel på hur du använder TrainingOutput och ett AutoMlStep-steg i notebook-filen https://aka.ms/pl-automl.

Attribut

iteration

Hämta iterationsnumret för motsvarande träningsmodell.

Returer

Typ	Description
int	Iterationsnumret för träningsmodellen.

metric

Hämta måttet för bästa träningsmodell.

Returer

Typ	Description
str	Måttnamnet för den bästa träningsmodellen.

model_file

Hämta en modellfil som ska ingå i utdata för den bästa träningsmodellen.

Returer

Typ	Description
str	En viss fil som ska ingå i utdata från den bästa träningsmodellen.

type

Hämta typen av träningsutdata.

Returer

Typ	Description
str	Typ av träningsutdata. Möjliga värden är: "Metrics", "Model".