Upgrade von AutoML auf SDK v2

Im SDK v2 sind „Experimente“ und „Ausführungen“ in Aufträgen zusammengefasst.

Im SDK v1 wurde AutoML (automatisiertes maschinelles Lernen) in erster Linie mit der AutoMLConfig-Klasse konfiguriert und ausgeführt. Im SDK v2 wurde diese Klasse in einen AutoML-Auftrag konvertiert. Obwohl es einige Unterschiede bei den Konfigurationsoptionen gibt, wurde die Benennung und Funktionalität in V2 groß und groß beibehalten.

Dieser Artikel enthält einen Vergleich der Szenarien in SDK v1 und SDK v2.

Übermitteln einer AutoML-Ausführung

• SDK v1: Nachstehend finden Sie ein Beispiel einer AutoML-Klassifizierungsaufgabe. Den gesamten Code finden Sie in unserem Repository mit Beispielen.

  # Imports
  
  import azureml.core
  from azureml.core.experiment import Experiment
  from azureml.core.workspace import Workspace
  from azureml.core.dataset import Dataset
  from azureml.train.automl import AutoMLConfig
  from azureml.train.automl.run import AutoMLRun   
  
  # Load tabular dataset
  data = "<url_to_data>"
  dataset = Dataset.Tabular.from_delimited_files(data)
  training_data, validation_data = dataset.random_split(percentage=0.8, seed=223)
  label_column_name = "Class"
  
  # Configure Auto ML settings
  automl_settings = {
      "n_cross_validations": 3,
      "primary_metric": "average_precision_score_weighted",
      "enable_early_stopping": True,
      "max_concurrent_iterations": 2,  
      "experiment_timeout_hours": 0.25,  
      "verbosity": logging.INFO,
  }
  
  # Put together an AutoML job constructor
  automl_config = AutoMLConfig(
      task="classification",
      debug_log="automl_errors.log",
      compute_target=compute_target,
      training_data=training_data,
      label_column_name=label_column_name,
      **automl_settings,
  )
  
  # Submit run
  remote_run = experiment.submit(automl_config, show_output=False)
  azureml_url = remote_run.get_portal_url()
  print(azureml_url)
  

• SDK v2: Nachstehend finden Sie ein Beispiel einer AutoML-Klassifizierungsaufgabe. Den gesamten Code finden Sie in unserem Repository mit Beispielen.

  # Imports
  from azure.ai.ml import automl, Input, MLClient
  
  from azure.ai.ml.constants import AssetTypes
  from azure.ai.ml.automl import (
      classification,
      ClassificationPrimaryMetrics,
      ClassificationModels,
  )
  
  
  # Create MLTables for training dataset
  # Note that AutoML Job can also take in tabular data
  my_training_data_input = Input(
      type=AssetTypes.MLTABLE, path="./data/training-mltable-folder"
  )
  
  # Create the AutoML classification job with the related factory-function.
  classification_job = automl.classification(
      compute="<compute_name>",
      experiment_name="<exp_name?",
      training_data=my_training_data_input,
      target_column_name="<name_of_target_column>",
      primary_metric="accuracy",
      n_cross_validations=5,
      enable_model_explainability=True,
      tags={"my_custom_tag": "My custom value"},
  )
  
  # Limits are all optional
  classification_job.set_limits(
      timeout_minutes=600,
      trial_timeout_minutes=20,
      max_trials=5,
      max_concurrent_trials = 4,
      max_cores_per_trial= 1,
      enable_early_termination=True,
  )
  
  # Training properties are optional
  classification_job.set_training(
      blocked_training_algorithms=["LogisticRegression"],
      enable_onnx_compatible_models=True,
  )
  
  # Submit the AutoML job
  returned_job = ml_client.jobs.create_or_update(classification_job)  
  returned_job
  

Zuordnung der wichtigsten Funktionen in SDK v1 und SDK v2

Nächste Schritte

Weitere Informationen finden Sie unter

• Trainieren eines AutoML-Modells mit dem Python SDK v2