RunConfiguration Classe

Herança

azureml._base_sdk_common.abstract_run_config_element._AbstractRunConfigElement

RunConfiguration

Construtor

RunConfiguration(script=None, arguments=None, framework=None, communicator=None, conda_dependencies=None, _history_enabled=None, _path=None, _name=None, command=None)

Parâmetros

Observações

Normalmente, criamos sistemas de machine learning para resolver um problema específico. Por exemplo, podemos estar interessados em encontrar o melhor modelo que classifica páginas Web que possam ser servidas como resultados de pesquisa correspondentes a uma consulta. A nossa pesquisa pelo melhor modelo de machine learning pode exigir que experimentemos algoritmos diferentes ou considere definições de parâmetros diferentes, etc.

No SDK do Azure Machine Learning, utilizamos o conceito de uma experimentação para capturar a noção de que as diferentes execuções de preparação estão relacionadas com o problema que estão a tentar resolver. Em Experiment seguida, atua como um contentor lógico para estas execuções de preparação, tornando mais fácil controlar o progresso em execuções de preparação, comparar duas execuções de preparação diretamente, etc.

A RunConfiguration encapsula as definições do ambiente de execução necessárias para submeter uma execução de preparação numa experimentação. Captura a estrutura partilhada das execuções de preparação concebidas para resolver o mesmo problema de machine learning, bem como as diferenças nos parâmetros de configuração (por exemplo, taxa de aprendizagem, função de perda, etc.) que distinguem execuções de preparação distintas entre si.

Em cenários de preparação típicos, a RunConfiguration é utilizada ao criar um ScriptRunConfig objeto que empacota um objeto RunConfiguration e um script de execução para preparação.

A configuração de RunConfiguration inclui:

• Agrupar o diretório de origem da experimentação, incluindo o script submetido.

• Definir os argumentos da linha de comandos para o script submetido.

• Configurar o caminho para o interpretador python.

• Obtenha a configuração do Conda para gerir as dependências da aplicação. O processo de submissão de tarefas pode utilizar a configuração para aprovisionar um ambiente conda temporário e iniciar a aplicação no. Os ambientes temporários são colocados em cache e reutilizados em execuções subsequentes.

• Utilização opcional do Docker e imagens de base personalizadas.

• Opção opcional de submeter a experimentação a vários tipos de computação do Azure.

• Opção opcional para configurar como materializar entradas e carregar saídas.

• Definições de runtime avançadas para runtimes comuns, como spark e tensorflow.

O exemplo seguinte mostra como submeter um script de preparação no seu computador local.

   from azureml.core import ScriptRunConfig, RunConfiguration, Experiment

   # create or load an experiment
   experiment = Experiment(workspace, "MyExperiment")
   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = experiment.submit(config)

O exemplo seguinte mostra como submeter um script de preparação no cluster com a propriedade de comando em vez de script e argumentos.

   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)

O exemplo seguinte mostra como executar um comando no 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)

Variáveis

Métodos

delete

static delete(path, name)

load

static load(path, name=None)

save

save(path=None, name=None, separate_environment_yaml=False)

Atributos

auto_prepare_environment

environment_variables

target