TensorFlow Класс

Локальный каталог, содержащий файлы конфигурации эксперимента.

Целевой объект вычислений, в котором будет выполняться обучение. Это может быть либо объект, либо строка "local" (локальный).

Размер виртуальной машины целевого объекта вычислений, который будет создан для обучения. Поддерживаемые значения: любой размер виртуальной машины Azure.

Приоритет виртуальной машины целевого объекта вычислений, который будет создан для обучения. Если значение не указано, используется "dedicated" (выделенный).

Поддерживаемые значения: dedicated и lowpriority.

Действует только в том случае, если vm_size param указан во входных данных.

Относительный путь к файлу, содержащему скрипт обучения.

Словарь аргументов командной строки для передачи в скрипт обучения, указанный в entry_script.

Число узлов в целевом объекте вычислений, используемом для обучения. Для распределенного обучения (node_count> 1) поддерживается только целевой объект AmlCompute.

При использовании MPI это количество процессов на узел.

При использовании сервера параметров для распределенного обучения это число рабочих узлов.

НЕ РЕКОМЕНДУЕТСЯ. Укажите как часть параметра distributed_training.

При использовании сервера параметров для распределенного обучения это число узлов серверов параметров.

Внутренний сервер подключений для распределенного обучения.

НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр distributed_training.

Поддерживаемые значения: "mpi" и "ps". MPI представляет MPI/Horovod, а PS — сервер параметров.

Этот параметр является обязательным при node_count, process_count_per_node, worker_count или parameter_server_count> 1. В случае с PS сумма worker_count и parameter_server_count должна быть меньше или равна node_count * (количество процессоров или графических процессоров на узел).

Если node_count == 1 и process_count_per_node == 1, серверная часть не будет использоваться, кроме случаев, когда она задана явным образом. Для распределенного обучения поддерживается только целевой объект AmlCompute.

Параметры для выполнения распределенного задания обучения.

Для выполнения распределенного задания с помощью сервера параметров используйте объект ParameterServer для указания worker_count и parameter_server_count. Сумма параметров worker_count и parameter_server_count должна быть меньше или равна node_count * (количество ЦП или GPU на узел).

Для выполнения распределенного задания с помощью MPI-сервера, используйте объект Mpi для указания process_count_per_node.

Указывает, должна ли среда выполнения эксперимента поддерживать GPU. При значении True в среде будет использоваться образ Docker по умолчанию на основе GPU. При значении False будет использоваться образ на основе ЦП. Образы Docker по умолчанию (ЦП или GPU) будут использоваться только в том случае, если параметр custom_docker_image не задан. Этот параметр используется только в целевых объектах вычислений с поддержкой Docker.

Указывает, должна ли среда, используемая для проведения эксперимента, быть основана на Docker.

Имя образа Docker, из которого будет построен образ, используемый для обучения.

НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр custom_docker_image.

Если он не задан, в качестве базового образа будет использоваться образ на основе ЦП по умолчанию.

Имя образа Docker, из которого будет построен образ, используемый для обучения. Если он не задан, в качестве базового образа будет использоваться образ на основе ЦП по умолчанию.

Сведения о реестре образов Docker.

Указывает, будет ли Azure ML повторно использовать существующую среду Python. При значении False Azure ML создает среду Python на основе спецификации зависимостей Conda.

Список строк, представляющих пакеты Сonda, добавляемые в среду Python для эксперимента.

Список строк, представляющих пакеты pip, добавляемые в среду Python для эксперимента.

Строка, представляющая относительный путь к файлу YAML зависимостей Conda. Если он указан, Машинное обучение Azure не будет устанавливать пакеты, связанные с платформой. НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр conda_dependencies_file.

Строка, представляющая относительный путь к текстовому файлу требований PIP. Его можно указать в сочетании с параметром pip_packages. НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр pip_requirements_file.

Строка, представляющая относительный путь к файлу YAML зависимостей Conda. Если он указан, Машинное обучение Azure не будет устанавливать пакеты, связанные с платформой.

Строка, представляющая относительный путь к текстовому файлу требований PIP. Его можно указать в сочетании с параметром pip_packages.

Словарь имен и значений переменных среды. Эти переменные среды задаются для процесса, в котором выполняется пользовательский скрипт.

Определение среды для эксперимента. Сюда входят PythonSection, DockerSection и переменные среды. С помощью этого параметра можно задать любую опцию среды, которая не предоставляется напрямую через другие параметры в конструкцию оценщика. Если этот параметр указан, он будет иметь приоритет над другими параметрами, связанными со средой, например, use_gpu, custom_docker_image, conda_packages и pip_packages. При недопустимых сочетаниях параметров будут выводиться сообщения об ошибке.

Список объектов DataReference или DatasetConsumptionConfig, используемых в качестве входных данных.

Резервное хранилище данных для общей папки проекта.

Размер блока общей памяти контейнера Docker. Если значение не задано, используется значение по умолчанию azureml.core.environment._DEFAULT_SHM_SIZE. Дополнительные сведения приведены в статье со справочными сведениями о запусках Docker.

Путь к данным, содержащий файлы контрольной точки или модели, из которых возобновляется выполнение эксперимента.

Максимально допустимое время выполнения. Машинное обучение Azure будет пытаться автоматически отменить выполнение, если оно занимает больше времени, чем задано этим значением.

Версия TensorFlow, которая будет использоваться для исполнения кода обучения. Если версия не указана, оценщик по умолчанию будет использовать последнюю версию, поддерживаемую Azure ML. Используйте TensorFlow.get_supported_versions() для возврата списка, чтобы получить список всех версий, поддерживаемых текущим пакетом SDK Azure ML.

Локальный каталог, содержащий файлы конфигурации эксперимента.

Целевой объект вычислений, в котором будет выполняться обучение. Это может быть либо объект, либо строка "local" (локальный).

Размер виртуальной машины целевого объекта вычислений, который будет создан для обучения. Поддерживаемые значения: любой размер виртуальной машины Azure.

Приоритет виртуальной машины целевого объекта вычислений, который будет создан для обучения. Если значение не указано, используется "dedicated" (выделенный).

Поддерживаемые значения: dedicated и lowpriority.

Действует только в том случае, если vm_size param указан во входных данных.

Относительный путь к файлу, содержащему скрипт обучения.

Словарь аргументов командной строки для передачи в скрипт обучения tne, указанный в entry_script.

Число узлов в целевом объекте вычислений, используемом для обучения. Для распределенного обучения (node_count> 1) поддерживается только целевой объект AmlCompute.

При использовании MPI это количество процессов на узел.

При использовании сервера параметров — количество рабочих узлов.

НЕ РЕКОМЕНДУЕТСЯ. Укажите как часть параметра distributed_training.

При использовании сервера параметров — количество узлов сервера параметров.

Внутренний сервер подключений для распределенного обучения.

НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр distributed_training.

Поддерживаемые значения: "mpi" и "ps". MPI представляет MPI/Horovod, а PS — сервер параметров.

Этот параметр является обязательным при node_count, process_count_per_node, worker_count или parameter_server_count> 1. В случае с PS сумма worker_count и parameter_server_count должна быть меньше или равна node_count * (количество процессоров или графических процессоров на узел).

Если node_count == 1 и process_count_per_node == 1, серверная часть не будет использоваться, кроме случаев, когда она задана явным образом. Для распределенного обучения поддерживается только целевой объект AmlCompute. поддерживается для распределенного обучения.

Параметры для выполнения распределенного задания обучения.

Для выполнения распределенного задания с серверной частью сервера параметров используйте ParameterServer объект , чтобы указать worker_count и parameter_server_count. Сумма параметров worker_count и parameter_server_count должна быть меньше или равна node_count * (количество ЦП или GPU на узел).

Чтобы запустить распределенное задание с помощью MPI-сервера, используйте объект Mpi для указания process_count_per_node.

Указывает, должна ли среда выполнения эксперимента поддерживать GPU. При значении True в среде будет использоваться образ Docker по умолчанию на основе GPU. При значении False будет использоваться образ на основе ЦП. Образы Docker по умолчанию (ЦП или GPU) будут использоваться только в том случае, если custom_docker_image параметр не задан. Этот параметр используется только в целевых объектах вычислений с поддержкой Docker.

Указывает, должна ли среда, используемая для проведения эксперимента, быть основана на Docker.

Имя образа Docker, из которого будет построен образ, используемый для обучения.

НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр custom_docker_image.

Если он не задан, в качестве базового образа будет использоваться образ на основе ЦП по умолчанию.

Имя образа Docker, из которого будет построен образ, используемый для обучения. Если он не задан, в качестве базового образа будет использоваться образ на основе ЦП по умолчанию.

Сведения о реестре образов Docker.

Указывает, будет ли Azure ML повторно использовать существующую среду Python. При значении False Azure ML создает среду Python на основе спецификации зависимостей Conda.

Список строк, представляющих пакеты Сonda, добавляемые в среду Python для эксперимента.

Список строк, представляющих пакеты pip, добавляемые в среду Python для эксперимента.

Относительный путь к файлу YAML зависимостей Conda. Если он указан, Машинное обучение Azure не будет устанавливать пакеты, связанные с платформой. НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр conda_dependencies_file.

Относительный путь к текстовому файлу требований PIP. Его можно указать в сочетании с параметром pip_packages. НЕ РЕКОМЕНДУЕТСЯ. Используйте параметр pip_requirements_file.

Словарь имен и значений переменных среды. Эти переменные среды задаются для процесса, в котором выполняется пользовательский скрипт.

Строка, представляющая относительный путь к файлу YAML зависимостей Conda. Если он указан, Машинное обучение Azure не будет устанавливать пакеты, связанные с платформой.

Относительный путь к текстовому файлу требований PIP. Его можно указать в сочетании с параметром pip_packages.

Словарь имен и значений переменных среды. Эти переменные среды задаются для процесса, в котором выполняется пользовательский скрипт.

Определение среды для эксперимента. Сюда входят PythonSection, DockerSection и переменные среды. С помощью этого параметра можно задать любую опцию среды, которая не предоставляется напрямую через другие параметры в конструкцию оценщика. Если этот параметр указан, он будет иметь приоритет над другими параметрами, связанными со средой, например, use_gpu, custom_docker_image, conda_packages и pip_packages. При недопустимых сочетаниях параметров будут выводиться сообщения об ошибке.

Список azureml.data.data_reference. Объекты DataReference, используемые в качестве входных данных.

Резервное хранилище данных для общей папки проекта.

Размер блока общей памяти контейнера Docker. Если значение не задано, значение по умолчанию — azureml.core.environment._DEFAULT_SHM_SIZE. Дополнительные сведения см. в разделе

Версия TensorFlow, которая будет использоваться для исполнения кода обучения. Если версия не указана, оценщик по умолчанию будет использовать последнюю версию, поддерживаемую Azure ML. Используйте TensorFlow.get_supported_versions(), чтобы получить список всех поддерживаемых версий текущего пакета SDK для Машинного обучения Azure.

Включите добавочную сборку среды с помощью предварительно созданных образов платформы для ускорения подготовки среды. Предварительно созданный образ платформы создан на основе базовых образов ЦП и GPU Azure ML по умолчанию с предварительно установленными зависимостями платформы.

Отключите проверку скрипта перед запуском отправки. Значение по умолчанию равно True.

Отображение предупреждений о анализе кода скрипта. Значение по умолчанию — False.

Отображение предупреждений о проверке пакета. Значение по умолчанию — False.