ScriptRunConfig Classe

Référence

Représente les informations de configuration pour la soumission d’une exécution d’apprentissage dans Azure Machine Learning.

Un ScriptRunConfig regroupe les informations de configuration nécessaires pour soumettre une exécution dans Azure ML, y compris le script, la cible de calcul, l’environnement et toutes les configurations spécifiques à un travail distribué.

Une fois qu’une exécution de script est configurée et envoyée avec submit, une ScriptRun est renvoyée.

Constructeur ScriptRunConfig de classe.

Héritage: azureml._logging.chained_identity.ChainedIdentity

ScriptRunConfig

Constructeur

ScriptRunConfig(source_directory, script=None, arguments=None, run_config=None, _telemetry_values=None, compute_target=None, environment=None, distributed_job_config=None, resume_from=None, max_run_duration_seconds=2592000, command=None, docker_runtime_config=None)

Paramètres

Nom	Description
source_directory Obligatoire	str Répertoire local contenant les fichiers de code nécessaires pour une exécution.
script Obligatoire	str Chemin d’accès de fichier relatif au source_directory du script à exécuter.
arguments Obligatoire	list ou str Arguments de ligne de commande facultatifs à passer au script de formation. Les arguments sont passés par paires, par exemple ['–arg1', arg1_val, '–arg2', arg2_val].
run_config Obligatoire	RunConfiguration Configuration de série de tests facultative à utiliser.
_telemetry_values Obligatoire	dict À usage interne uniquement
compute_target Obligatoire	AbstractComputeTarget ou str Cible de calcul où la formation se produira. Il peut s’agir d’un objet ComputeTarget, du nom d’un ComputeTarget existant ou de la chaîne « local ». Si aucune cible de calcul n’est spécifiée, votre ordinateur local est utilisé.
environment Obligatoire	Environment Environnement à utiliser pour l’exécution. Si aucun environnement n’est spécifié, azureml.core.runconfig.DEFAULT_CPU_IMAGE est utilisé comme image Docker pour l’exécution.
distributed_job_config Obligatoire	TensorflowConfiguration, MpiConfiguration ou PyTorchConfiguration Pour les tâches qui nécessitent des configurations supplémentaires spécifiques aux travaux distribués.
resume_from Obligatoire	DataPath Chemin d’accès aux données contenant les fichiers de point de contrôle ou de modèle à partir desquels reprendre l’expérience.
max_run_duration_seconds Obligatoire	Durée maximale autorisée pour l’exécution. Le système tente d’annuler automatiquement l’exécution si elle prend plus de temps que cette valeur. :type max_run_duration_seconds: int
command Obligatoire	list[str] ou str Commande à envoyer pour l’exécution. La propriété Command peut également être utilisée à la place de script/arguments. Les propriétés Command et script/argument ne peuvent pas être utilisées ensemble pour envoyer une exécution. Pour envoyer un fichier de script à l’aide de la propriété Command-['Python', 'train.py', ' – Arg1 ', arg1_val] pour exécuter une commande réelle-['ls']
docker_runtime_config Obligatoire	DockerConfiguration Pour les tâches qui requièrent des configurations spécifiques au runtime d’amarrage.
source_directory Obligatoire	str Répertoire local contenant les fichiers de code nécessaires pour une exécution.
script Obligatoire	str Chemin d’accès de fichier relatif au source_directory du script à exécuter.
arguments Obligatoire	list[str] Arguments de ligne de commande facultatifs à passer au script de formation. Les arguments sont passés par paires, par exemple ['–arg1', arg1_val, '–arg2', arg2_val].
run_config Obligatoire	RunConfiguration Configuration de série de tests facultative à utiliser.
_telemetry_values Obligatoire	dict À usage interne uniquement
compute_target Obligatoire	AbstractComputeTarget ou str Cible de calcul où la formation se produira. Il peut s’agir d’un objet ComputeTarget, du nom d’un ComputeTarget existant ou de la chaîne « local ». Si aucune cible de calcul n’est spécifiée, votre ordinateur local est utilisé.
environment Obligatoire	Environment Environnement à utiliser pour l’exécution. Si aucun environnement n’est spécifié, azureml.core.runconfig.DEFAULT_CPU_IMAGE est utilisé comme image Docker pour l’exécution.
distributed_job_config Obligatoire	TensorflowConfiguration ou MpiConfiguration ou PyTorchConfiguration Pour les tâches qui nécessitent des configurations supplémentaires spécifiques aux travaux distribués.
resume_from Obligatoire	DataPath Chemin d’accès aux données contenant les fichiers de point de contrôle ou de modèle à partir desquels reprendre l’expérience.
max_run_duration_seconds Obligatoire	int Durée maximale autorisée pour l’exécution. Le système tente d’annuler automatiquement l’exécution si elle prend plus de temps que cette valeur.
command Obligatoire	list[str] ou str Commande à envoyer pour l’exécution. La propriété Command peut également être utilisée à la place de script/arguments. Les propriétés Command et script/argument ne peuvent pas être utilisées ensemble pour envoyer une exécution. Pour envoyer un fichier de script à l’aide de la propriété Command-['Python', 'train.py', ' – Arg1 ', arg1_val] pour exécuter une commande réelle-['ls']
docker_runtime_config Obligatoire	DockerConfiguration Pour les tâches qui requièrent des configurations spécifiques au runtime d’amarrage.

Remarques

Le kit SDK Azure Machine Learning vous fournit une série de classes interconnectées, conçues pour vous aider à effectuer l’apprentissage des modèles Machine Learning destinés à résoudre le même problème, et à les comparer.

Un Experiment agit comme un conteneur logique pour ces exécutions d’apprentissage. Un objet ScriptRunConfig sert à configurer les informations nécessaires pour soumettre une exécution d’apprentissage dans le cadre d’une expérience. Quand une exécution d’apprentissage est soumise à l’aide d’un objet ScriptRunConfig, la méthode submit renvoie un objet de type ScriptRun. L’objet ScriptRun renvoyé vous donne un accès programmatique aux informations sur l’exécution d’apprentissage. ScriptRun est une classe enfant de Run.

Le concept essentiel à retenir est qu’il existe différents objets de configuration qui sont utilisés pour envoyer une expérience, en fonction du type d’exécution que vous souhaitez déclencher. Le type de l’objet de configuration informe ensuite la classe enfant de l’exécution que vous récupérez de la méthode submit. Quand vous transmettez un objet ScriptRunConfig dans un appel à la méthode submit de l’expérience, vous récupérez un objet ScriptRun. Les exemples d’autres objets d’exécution renvoyés incluent AutoMLRun (renvoyés pour une exécution AutoML) et PipelineRun (renvoyés pour une exécution de pipeline).

L’exemple suivant montre comment envoyer un script d’entraînement sur votre ordinateur local.


   from azureml.core import ScriptRunConfig, Experiment

   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            script='train.py',
                            arguments=['--arg1', arg1_val, '--arg2', arg2_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

L’exemple suivant montre comment envoyer un script d’entraînement sur votre cluster à l’aide de la propriété Command au lieu de Script et arguments.


   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['python', 'train.py', '--arg1', arg1_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

L’exemple suivant montre comment exécuter une commande sur votre cluster.


   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['ls', '-l'],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Pour obtenir plus d’exemples illustrant l’utilisation de ScriptRunConfig, consultez :

Attributs

MAX_DURATION_SECONDS_DEFAULT

MAX_DURATION_SECONDS_DEFAULT = 2592000

Partager via