dnn Paket

Stellt einen Schätzer für das Training in Chainer-Experimenten dar.

VERALTET. Verwenden Sie das ScriptRunConfig-Objekt mit Ihrer eigenen definierten Umgebung oder eine der von Azure ML Chainer zusammengestellten Umgebungen. Eine Einführung in das Konfigurieren von Experimentausführungen mit ScriptRunConfig finden Sie unter Konfigurieren und Übermitteln von Trainingsausführungen.

Unterstützte Versionen: 5.1.0, 7.0.0

Initialisieren Sie einen Chainer-Schätzer.

Verwaltet Gloo-Einstellungen für verteilte Trainingsaufträge.

VERALTET. Verwenden Sie die Klasse PyTorchConfiguration.

Gloo kann für einen Trainingsauftrag mit dem Parameter distributed_training des vorkonfigurierten Schätzers PyTorch oder einem beliebigen generischen Estimator angegeben werden, der Gloo unterstützt.

Eine Klasse zum Verwalten von Gloo-Einstellungen für Aufträge.

Verwaltet MPI-Einstellungen (Message Passing Interface) für verteilte Trainingsaufträge.

VERALTET. Verwenden Sie die Klasse MpiConfiguration.

MPI kann für einen Auftrag mit dem Parameter distributed_training der vorkonfigurierten Schätzer Chainer, PyTorch und TensorFlow oder mit einem generischen Estimator angegeben werden.

Eine Klasse zum Verwalten von MPI-Einstellungen für Aufträge.

Verwaltet Nccl-Einstellungen für verteilte Trainingsaufträge.

VERALTET. Verwenden Sie die Klasse PyTorchConfiguration.

Nccl kann für einen Trainingsauftrag mit dem Parameter distributed_training des vorkonfigurierten Schätzers PyTorch oder einem beliebigen generischen Estimator angegeben werden, der Nccl unterstützt.

Eine Klasse zum Verwalten von Nccl-Einstellungen für Aufträge.

Verwaltet Parameterservereinstellungen für Trainingsaufträge.

VERALTET. Verwenden Sie die Klasse TensorflowConfiguration.

Eine Klasse zum Verwalten von Parameterservereinstellungen für Aufträge.

VERALTET. Verwenden Sie die Klasse TensorflowConfiguration.

Stellt einen Schätzer für das Training in PyTorch-Experimenten dar.

VERALTET. Verwenden Sie das ScriptRunConfig-Objekt mit Ihrer eigenen definierten Umgebung oder eine der von Azure ML PyTorch zusammengestellten Umgebungen. Eine Einführung in die Konfiguration von PyTorch-Experimentausführungen mit ScriptRunConfig finden Sie unter Trainieren von PyTorch-Modellen im großen Stil mit Azure Machine Learning.

Unterstützte Versionen: 1.0, 1.1, 1.2, 1.3, 1.4, 1.5, 1.6

Initialisieren Sie einen PyTorch-Schätzer.

Docker-Ausführungsreferenz. :type shm_size: str :p aram resume_from: Der Datenpfad, der die Prüfpunkt- oder Modelldateien enthält, von denen aus das Experiment fortgesetzt werden soll. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: Die maximal zulässige Ausführungszeit. Azure ML versucht automatisch

Brechen Sie die Ausführung ab, wenn sie länger als dieser Wert dauert.

Stellt einen Schätzer für das Training in TensorFlow-Experimenten dar.

VERALTET. Verwenden Sie das ScriptRunConfig-Objekt mit Ihrer eigenen definierten Umgebung oder eine der von Azure ML TensorFlow-Umgebungen zusammengestellten Umgebungen. Eine Einführung in die Konfiguration von TensorFlow-Experimentausführungen mit ScriptRunConfig finden Sie unter Trainieren von TensorFlow-Modellen im großen Stil mit Azure Machine Learning.

Unterstützte Versionen: 1.10, 1.12, 1.13, 2.0, 2.1, 2.2

Initialisieren Sie einen TensorFlow-Schätzer.

Docker-Ausführungsreferenz. :type shm_size: str :p aram resume_from: Der Datenpfad, der die Prüfpunkt- oder Modelldateien enthält, von denen aus das Experiment fortgesetzt werden soll. :type resume_from: azureml.data.datapath.DataPath :p aram max_run_duration_seconds: Die maximal zulässige Ausführungszeit. Azure ML versucht automatisch

Brechen Sie die Ausführung ab, wenn sie länger als dieser Wert dauert.