Chainer Klasse

Referenz

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.

Vererbung: azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimator

Chainer

Konstruktor

Chainer(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, node_count=1, process_count_per_node=1, distributed_backend=None, distributed_training=None, use_gpu=False, use_docker=True, custom_docker_base_image=None, custom_docker_image=None, image_registry_details=None, user_managed=False, conda_packages=None, pip_packages=None, conda_dependencies_file_path=None, pip_requirements_file_path=None, conda_dependencies_file=None, pip_requirements_file=None, environment_variables=None, environment_definition=None, inputs=None, source_directory_data_store=None, shm_size=None, resume_from=None, max_run_duration_seconds=None, framework_version=None, _enable_optimized_mode=False, _disable_validation=True, _show_lint_warnings=False, _show_package_warnings=False)

Parameter

Name	Beschreibung
source_directory Erforderlich	str Ein lokales Verzeichnis mit Konfigurationsdateien für Experimente.
compute_target Erforderlich	AbstractComputeTarget oder str Das Computeziel für das Training. Dies kann entweder ein Objekt oder die Zeichenfolge „local“ sein.
vm_size Erforderlich	str Die VM-Größe des Computeziels, das für das Training erstellt wird. Unterstützte Werte: beliebige Azure-VM-Größen.
vm_priority Erforderlich	str Die VM-Priorität des Computeziels, das für das Training erstellt wird. Wenn keine Angabe erfolgt, wird „dedicated“ verwendet. Unterstützte Werte: „dedicated“ und „lowpriority“. Wird nur angewandt, wenn `vm_size param` in der Eingabe angegeben wird.
entry_script Erforderlich	str Der relative Pfad zu der Datei, die das Trainingsskript enthält.
script_params Erforderlich	dict Ein Wörterbuch mit Befehlszeilenargumenten, die an das in `entry_script` angegebene Trainingsskript übergeben werden.
node_count Erforderlich	int Die Anzahl der Knoten am Computeziel, die für das Training verwendet werden. Wenn der Wert größer als 1 ist, wird ein verteilter MPI-Auftrag ausgeführt. Für verteilte Aufträge wird nur das Ziel AmlCompute unterstützt.
process_count_per_node Erforderlich	int Die Anzahl von Prozessen pro Knoten. Wenn der Wert größer als 1 ist, wird ein verteilter MPI-Auftrag ausgeführt. Für verteilte Aufträge wird nur das Ziel AmlCompute unterstützt.
distributed_backend Erforderlich	str Das Kommunikations-Back-End für das verteilte Training VERALTET. Verwenden Sie den Parameter `distributed_training`. Unterstützte Werte: „mpi“. „mpi“: MPI/Horovod Dieser Parameter ist erforderlich, wenn `node_count` oder `process_count_per_node`> 1 ist. Wenn `node_count` == 1 und `process_count_per_node` == 1 ist, wird nur dann ein Back-End verwendet, wenn es explizit festgelegt wird. Für das verteilte Training wird nur das Ziel AmlCompute unterstützt.
distributed_training Erforderlich	Mpi Parameter zum Ausführen eines verteilten Trainingsauftrags. Verwenden Sie zum Ausführen eines verteilten Auftrags mit MPI-Back-End das Mpi-Objekt, um `process_count_per_node` anzugeben.
use_gpu Erforderlich	bool Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, GPUs unterstützen soll. TRUE gibt an, dass ein GPU-basiertes Docker-Standardimage in der Umgebung verwendet wird. Bei FALSE wird ein CPU-basiertes Image verwendet. Docker-Standardimages (CPU oder GPU) werden nur verwendet, wenn der `custom_docker_image`-Parameter nicht festgelegt ist. Diese Einstellung wird nur bei Docker-fähigen Computezielen verwendet.
use_docker Erforderlich	bool Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, Docker-basiert sein soll.
custom_docker_base_image Erforderlich	str Der Name des Docker-Images, mit dem das für das Training zu verwendende Image erstellt wird. VERALTET. Verwenden Sie den Parameter `custom_docker_image`. Wenn diese Einstellung nicht festgelegt ist, wird als Basisimage ein CPU-basiertes Standardimage verwendet.
custom_docker_image Erforderlich	str Der Name des Docker-Images, mit dem das für das Training zu verwendende Image erstellt wird. Wenn diese Einstellung nicht festgelegt ist, wird als Basisimage ein CPU-basiertes Standardimage verwendet.
image_registry_details Erforderlich	ContainerRegistry Die Details der Docker-Imageregistrierung
user_managed Erforderlich	bool Gibt an, ob Azure Machine Learning eine vorhandene Python-Umgebung wiederverwendet. Bei FALSE erstellt Azure Machine Learning eine Python-Umgebung basierend auf der Spezifikation der Conda-Abhängigkeiten.
conda_packages Erforderlich	list Eine Liste von Zeichenfolgen, die Conda-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
pip_packages Erforderlich	list Eine Liste von Zeichenfolgen, die pip-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
conda_dependencies_file_path Erforderlich	str Der relative Pfad zur YAML-Datei mit den Conda-Abhängigkeiten. Falls angegeben, installiert Azure Machine Learning keine frameworkbezogenen Pakete. VERALTET. Verwenden Sie den Parameter `conda_dependencies_file`.
pip_requirements_file_path Erforderlich	str Der relative Pfad zur Textdatei mit den pip-Anforderungen. Dieser kann in Kombination mit dem Parameter `pip_packages` bereitgestellt werden. VERALTET. Verwenden Sie den Parameter `pip_requirements_file`.
conda_dependencies_file Erforderlich	str Der relative Pfad zur YAML-Datei mit den Conda-Abhängigkeiten. Falls angegeben, installiert Azure Machine Learning keine frameworkbezogenen Pakete.
pip_requirements_file Erforderlich	str Der relative Pfad zur Textdatei mit den pip-Anforderungen. Dieser kann in Kombination mit dem Parameter `pip_packages` bereitgestellt werden.
environment_variables Erforderlich	dict Ein Wörterbuch mit Umgebungsvariablennamen und Werten. Diese Umgebungsvariablen werden für den Prozess festgelegt, in dem das Benutzerskript ausgeführt wird.
environment_definition Erforderlich	Environment Die Umgebungsdefinition für das Experiment Sie enthält PythonSection, DockerSection und Umgebungsvariablen. Jede Umgebungsoption, die nicht direkt über andere Parameter für die Erstellung des Schätzers verfügbar gemacht wird, kann mit diesem Parameter festgelegt werden. Wenn dieser Parameter angegeben wird, hat er Vorrang vor anderen umgebungsbezogenen Parametern wie `use_gpu`, `custom_docker_image`, `conda_packages` oder `pip_packages`. Bei ungültigen Kombinationen werden Fehler gemeldet.
inputs Erforderlich	list Eine Liste von DataReference- oder DatasetConsumptionConfig-Objekten, die als Eingabe verwendet werden sollen
source_directory_data_store Erforderlich	Datastore Der Sicherungsdatenspeicher für die Projektfreigabe.
shm_size Erforderlich	str Die Größe des freigegebenen Speicherblocks des Docker-Containers. Wenn diese Einstellung nicht festgelegt ist, wird die Standardgröße „azureml.core.environment._DEFAULT_SHM_SIZE“ verwendet. Weitere Informationen finden Sie in der Referenz zur Docker-Ausführung.
resume_from Erforderlich	DataPath Der Datenpfad, der die Prüfpunkt- oder Modelldateien enthält, aus denen das Experiment fortgesetzt werden soll
max_run_duration_seconds Erforderlich	int Die maximal zulässige Zeit für die Ausführung Azure Machine Learning versucht, die Ausführung automatisch abzubrechen, wenn sie länger dauert als dieser Wert angibt.
framework_version Erforderlich	str Die Chainer-Version, die zum Ausführen des Trainingscodes verwendet werden soll. `Chainer.get_supported_versions()` gibt eine Liste der vom aktuellen SDK unterstützten Versionen zurück.
source_directory Erforderlich	str Ein lokales Verzeichnis mit Konfigurationsdateien für Experimente.
compute_target Erforderlich	AbstractComputeTarget oder str Das Computeziel für das Training. Dies kann entweder ein Objekt oder die Zeichenfolge „local“ sein.
vm_size Erforderlich	str Die VM-Größe des Computeziels, das für das Training erstellt wird. Unterstützte Werte: beliebige Azure-VM-Größen.
vm_priority Erforderlich	str Die VM-Priorität des Computeziels, das für das Training erstellt wird. Wenn nicht angegeben, wird standardmäßig "dedicated" verwendet. Unterstützte Werte: „dedicated“ und „lowpriority“. Dies wird nur wirksam, wenn der vm_size Param in der Eingabe angegeben ist.
entry_script Erforderlich	str Der relative Pfad zu der Datei, die das Trainingsskript enthält.
script_params Erforderlich	dict Ein Wörterbuch mit Befehlszeilenargumenten, die an das in `entry_script` angegebene Trainingsskript übergeben werden.
node_count Erforderlich	int Die Anzahl der Knoten am Computeziel, die für das Training verwendet werden. Wenn der Wert größer als 1 ist, wird ein verteilter MPI-Auftrag ausgeführt. Für verteilte Aufträge wird nur das Ziel AmlCompute unterstützt.
process_count_per_node Erforderlich	int Die Anzahl von Prozessen pro Knoten. Wenn der Wert größer als 1 ist, wird ein verteilter MPI-Auftrag ausgeführt. Für verteilte Aufträge wird nur AmlCompute das Zielcomputeziel unterstützt.
distributed_backend Erforderlich	str Das Kommunikations-Back-End für das verteilte Training VERALTET. Verwenden Sie den Parameter `distributed_training`. Unterstützte Werte: „mpi“. „mpi“: MPI/Horovod Dieser Parameter ist erforderlich, wenn `node_count` oder `process_count_per_node`> 1 ist. Wenn `node_count` == 1 und `process_count_per_node` == 1 ist, wird nur dann ein Back-End verwendet, wenn es explizit festgelegt wird. Für das verteilte Training wird nur das Ziel AmlCompute unterstützt.
distributed_training Erforderlich	Mpi Parameter zum Ausführen eines verteilten Trainingsauftrags. Verwenden Sie zum Ausführen eines verteilten Auftrags mit MPI-Back-End das Mpi-Objekt, um `process_count_per_node` anzugeben.
use_gpu Erforderlich	bool Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, GPUs unterstützen soll. „True“ gibt an, dass ein GPU-basiertes Docker-Standardimage in der Umgebung verwendet wird. Bei „False“ wird ein CPU-basiertes Image verwendet. Docker-Standardimages (CPU oder GPU) werden nur verwendet, wenn der Parameter `custom_docker_image` nicht festgelegt ist. Diese Einstellung wird nur bei Docker-fähigen Computezielen verwendet.
use_docker Erforderlich	bool Gibt an, ob die Umgebung, in der das Experiment ausgeführt werden soll, Docker-basiert sein soll.
custom_docker_base_image Erforderlich	str Der Name des Docker-Images, mit dem das für das Training zu verwendende Image erstellt wird. VERALTET. Verwenden Sie den Parameter `custom_docker_image`. Wenn diese Einstellung nicht festgelegt ist, wird als Basisimage ein CPU-basiertes Standardimage verwendet.
custom_docker_image Erforderlich	str Der Name des Docker-Images, mit dem das für das Training zu verwendende Image erstellt wird. Wenn diese Einstellung nicht festgelegt ist, wird als Basisimage ein CPU-basiertes Standardimage verwendet.
image_registry_details Erforderlich	ContainerRegistry Die Details der Docker-Imageregistrierung
user_managed Erforderlich	bool Gibt an, ob Azure Machine Learning eine vorhandene Python-Umgebung wiederverwendet. Bei FALSE erstellt Azure Machine Learning eine Python-Umgebung basierend auf der Spezifikation der Conda-Abhängigkeiten.
conda_packages Erforderlich	list Eine Liste von Zeichenfolgen, die Conda-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
pip_packages Erforderlich	list Eine Liste von Zeichenfolgen, die pip-Pakete darstellen, die der Python-Umgebung für das Experiment hinzugefügt werden sollen
conda_dependencies_file_path Erforderlich	str Der relative Pfad zur YAML-Datei mit den Conda-Abhängigkeiten. Falls angegeben, installiert Azure Machine Learning keine frameworkbezogenen Pakete. VERALTET. Verwenden Sie den Parameter `conda_dependencies_file`.
pip_requirements_file_path Erforderlich	str Der relative Pfad zur Textdatei mit den pip-Anforderungen. Dieser kann in Kombination mit dem Parameter `pip_packages` bereitgestellt werden. VERALTET. Verwenden Sie den Parameter `pip_requirements_file`.
conda_dependencies_file Erforderlich	str Der relative Pfad zur YAML-Datei mit den Conda-Abhängigkeiten. Falls angegeben, installiert Azure Machine Learning keine frameworkbezogenen Pakete.
pip_requirements_file Erforderlich	str Der relative Pfad zur Textdatei mit den pip-Anforderungen. Dieser kann in Kombination mit dem Parameter `pip_packages` bereitgestellt werden.
environment_variables Erforderlich	dict Ein Wörterbuch mit Umgebungsvariablennamen und Werten. Diese Umgebungsvariablen werden für den Prozess festgelegt, in dem das Benutzerskript ausgeführt wird.
environment_definition Erforderlich	Environment Die Umgebungsdefinition für das Experiment Sie enthält PythonSection, DockerSection und Umgebungsvariablen. Jede Umgebungsoption, die nicht direkt über andere Parameter für die Erstellung des Schätzers verfügbar gemacht wird, kann mit diesem Parameter festgelegt werden. Wenn dieser Parameter angegeben wird, hat er Vorrang vor anderen umgebungsbezogenen Parametern wie `use_gpu`, `custom_docker_image`, `conda_packages` oder `pip_packages`. Bei ungültigen Kombinationen werden Fehler gemeldet.
inputs Erforderlich	list Eine Liste der azureml.data.data_reference. DataReference-Objekte, die als Eingabe verwendet werden sollen.
source_directory_data_store Erforderlich	Datastore Der Sicherungsdatenspeicher für die Projektfreigabe.
shm_size Erforderlich	str Die Größe des freigegebenen Speicherblocks des Docker-Containers. Wenn diese Einstellung nicht festgelegt ist, wird die Standardgröße „azureml.core.environment._DEFAULT_SHM_SIZE“ verwendet. Weitere Informationen finden Sie in der Referenz zur Docker-Ausführung.
resume_from Erforderlich	DataPath Der Datenpfad, der die Prüfpunkt- oder Modelldateien enthält, aus denen das Experiment fortgesetzt werden soll
max_run_duration_seconds Erforderlich	int Die maximal zulässige Zeit für die Ausführung Azure Machine Learning versucht, die Ausführung automatisch abzubrechen, wenn sie länger dauert als dieser Wert angibt.
framework_version Erforderlich	str Die Chainer-Version, die zum Ausführen des Trainingscodes verwendet werden soll. `Chainer.get_supported_versions()` gibt eine Liste der vom aktuellen SDK unterstützten Versionen zurück.
_enable_optimized_mode Erforderlich	bool Aktivieren Sie den inkrementellen Umgebungsbuild mit vordefinierten Frameworkimages für eine schnellere Umgebungsvorbereitung. Ein vordefiniertes Frameworkimage basiert auf standardmäßigen CPU-/GPU-Basisimages von Azure ML mit vorinstallierten Frameworkabhängigkeiten.
_disable_validation Erforderlich	bool Deaktivieren Sie die Skriptüberprüfung, bevor Sie die Übermittlung ausführen. Der Standardwert ist True.
_show_lint_warnings Erforderlich	bool Skriptlintingwarnungen anzeigen. Die Standardeinstellung lautet „false“.
_show_package_warnings Erforderlich	bool Paketvalidierungswarnungen anzeigen. Die Standardeinstellung lautet „false“.

Hinweise

Beim Übermitteln eines Trainingsauftrags führt Azure Machine Learning Ihr Skript in einer Conda-Umgebung innerhalb eines Docker-Containers aus. Für Chainer-Container werden die folgenden Abhängigkeiten installiert.

Abhängigkeiten | Chainer 5.1.0 | Chainer 7.0.0 | —————————- | —————– | ————— | Python | 3.6.2 | 3.6.2 | CUDA (nur GPU-Image) | 9.0 | 9.0 | cuDNN (nur GPU-Image) | 7.6.3 | 7.6.3 | NCCL (nur GPU-Image) | 2.4.8 | 2.4.8 | azureml-defaults | Latest | Latest | IntelMpi | 2018.3.222 | 2018.3.222 | horovod | 0.15.2 | 0.15.2 | miniconda | 4.5.11 | 4.5.11 | chainer | 5.1.0 | 7.0.0 | cupy-cuda90 (nur GPU-Image) | 5.2.0 | 7.0.0 | git | 2.7.4 | 2.7.4 |

Die Docker-Images erweitern Ubuntu 16.04.

Um zusätzliche Abhängigkeiten zu installieren, können Sie entweder den Parameter pip_packages oder den Parameter conda_packages verwenden. Sie können auch den Parameter pip_requirements_file oder conda_dependencies_file angeben. Alternativ können Sie ein eigenes Image erstellen und den Parameter custom_docker_image an den Schätzer-Konstruktor übergeben.

Weitere Informationen zu Docker-Containern, die beim Chainer-Training verwendet werden, finden Sie unter https://github.com/Azure/AzureML-Containers.

Attribute

DEFAULT_VERSION

DEFAULT_VERSION = '5.1.0'

FRAMEWORK_NAME

FRAMEWORK_NAME = 'Chainer'

Freigeben über