BanditPolicy Classe
Define uma política de término antecipado com base em critérios de margem de atraso e uma frequência e intervalo de atraso para avaliação.
- Herança
-
azure.ai.ml.entities._job.sweep.early_termination_policy.EarlyTerminationPolicyBanditPolicy
Construtor
BanditPolicy(*, delay_evaluation: int = 0, evaluation_interval: int = 0, slack_amount: float = 0, slack_factor: float = 0)
Parâmetros somente de palavra-chave
Nome | Description |
---|---|
delay_evaluation
|
Número de intervalos pelos quais atrasar a primeira avaliação. Assume o padrão de 0. |
evaluation_interval
|
Intervalo (número de execuções) entre avaliações de política. Assume o padrão de 0. |
slack_amount
|
Distância absoluta permitida da execução de melhor desempenho. Assume o padrão de 0. |
slack_factor
|
Taxa da distância permitida da execução com melhor desempenho. Assume o padrão de 0. |
Exemplos
Configurando o término antecipado do BanditPolicy de uma varredura de hiperparâmetro em um trabalho de Comando.
from azure.ai.ml import command
job = command(
inputs=dict(kernel="linear", penalty=1.0),
compute=cpu_cluster,
environment=f"{job_env.name}:{job_env.version}",
code="./scripts",
command="python scripts/train.py --kernel $kernel --penalty $penalty",
experiment_name="sklearn-iris-flowers",
)
# we can reuse an existing Command Job as a function that we can apply inputs to for the sweep configurations
from azure.ai.ml.sweep import Uniform
job_for_sweep = job(
kernel=Uniform(min_value=0.0005, max_value=0.005),
penalty=Uniform(min_value=0.9, max_value=0.99),
)
from azure.ai.ml.sweep import BanditPolicy
sweep_job = job_for_sweep.sweep(
sampling_algorithm="random",
primary_metric="best_val_acc",
goal="Maximize",
max_total_trials=8,
max_concurrent_trials=4,
early_termination_policy=BanditPolicy(slack_factor=0.15, evaluation_interval=1, delay_evaluation=10),
)
Azure SDK for Python