SKLearn 類別

參考

在 Scikit-learn 實驗中建立定型的估算器。

已淘汰。使用 ScriptRunConfig 物件搭配您自己的已定義環境或AzureML-Tutorial策劃的環境。如需使用 ScriptRunConfig 設定 SKLearn 實驗執行的簡介，請參閱使用 Azure Machine Learning 大規模定型 scikit-learn 模型。

此估算器僅支援單一節點 CPU 定型。

支援的版本：0.20.3

初始化 Scikit-learn 估算器。

繼承: azureml.train.estimator._framework_base_estimator._FrameworkBaseEstimator

SKLearn

建構函式

SKLearn(source_directory, *, compute_target=None, vm_size=None, vm_priority=None, entry_script=None, script_params=None, use_docker=True, 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, 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)

參數

名稱	Description
source_directory 必要	str 包含實驗設定檔的本機目錄。
compute_target 必要	AbstractComputeTarget 或 str 將進行定型的計算目標。這可以是物件或字串「local」。
vm_size 必要	str 將針對定型建立之計算目標的 VM 大小。支援的值：任何 Azure VM 大小。
vm_priority 必要	str 將針對定型建立之計算目標的 VM 優先順序。如果未指定，則會使用 'dedicated'。支援的值：'dedicated' 和 'lowpriority'。只有在輸入中指定時 `vm_size param` ，才會生效。
entry_script 必要	str 字串，表示用來開始定型之檔案的相對路徑。
script_params 必要	dict 命令列引數的字典，用來傳遞至中指定的 `entry_script` 定型腳本。
custom_docker_image 必要	str 要用來定型之映射的 Docker 映射名稱。如果未設定，則會使用預設 CPU 型映射作為基底映射。
image_registry_details 必要	ContainerRegistry Docker 映射登錄的詳細資料。
user_managed 必要	bool 指定 Azure ML 是否重複使用現有的 Python 環境。 False 表示 AzureML 會根據 conda 相依性規格建立 Python 環境。
conda_packages 必要	list 字串清單，表示要新增至實驗 Python 環境的 conda 套件。
pip_packages 必要	list 字串清單，表示要新增至實驗 Python 環境的 pip 套件。
conda_dependencies_file_path 必要	str 字串，表示 conda 相依性 yaml 檔案的相對路徑。如果指定，Azure ML 將不會安裝任何架構相關套件。這可與參數搭配 `conda_packages` 使用。已淘汰。 `conda_dependencies_file`使用參數。
pip_requirements_file_path 必要	str 字串，表示 pip 需求文字檔的相對路徑。這可與參數搭配 `pip_packages` 使用。已淘汰。 `pip_requirements_file`使用參數。
conda_dependencies_file 必要	str 字串，表示 conda 相依性 yaml 檔案的相對路徑。如果指定，Azure ML 將不會安裝任何架構相關套件。這可與參數搭配 `conda_packages` 使用。
pip_requirements_file 必要	str 字串，表示 pip 需求文字檔的相對路徑。這可與參數搭配 `pip_packages` 使用。
environment_variables 必要	dict 環境變數名稱和值的字典。這些環境變數會在執行使用者指令碼的程序上設定。
environment_definition 必要	Environment 實驗的環境定義包括 PythonSection、DockerSection 和環境變數。任何未透過其他參數直接公開至估算器建構的環境選項，都可以使用 `environment_definition` 參數來設定。如果指定此參數，則會優先于其他環境相關參數，例如 `use_gpu` 、 `custom_docker_image` 、 `conda_packages` 或 `pip_packages` 。錯誤將會回報不正確組合。
inputs 必要	list 做為輸入的或 DatasetConsumptionConfig 物件清單 DataReference 。
shm_size 必要	str Docker 容器的共用記憶體區塊大小。如果未設定，則會使用預設azureml.core.environment._DEFAULT_SHM_SIZE。
resume_from 必要	DataPath 包含要繼續實驗之檢查點或模型檔案的資料路徑。
max_run_duration_seconds 必要	int 執行所允許的最大時間。如果執行時間超過此值，Azure ML 會嘗試自動取消執行。
framework_version 必要	str 要用來執行定型程式碼的 Scikit-learn 版本。 `SKLearn.get_supported_versions()` 會傳回目前 SDK 支援的版本清單。
source_directory 必要	str 包含實驗設定檔的本機目錄。
compute_target 必要	AbstractComputeTarget 或 str 將進行定型的計算目標。這可以是物件或字串「local」。
vm_size 必要	str 將針對定型建立之計算目標的 VM 大小。支援的值：任何 Azure VM 大小。
vm_priority 必要	str 將針對定型建立之計算目標的 VM 優先順序。如果未指定，則會使用 'dedicated'。支援的值：'dedicated' 和 'lowpriority'。只有在輸入中指定時 `vm_size param` ，才會生效。
entry_script 必要	str 字串，表示用來開始定型之檔案的相對路徑。
script_params 必要	dict 命令列引數的字典，用來傳遞至中指定的 `entry_script` 定型腳本。
use_docker 必要	bool 布林值，指出執行實驗的環境是否應該以 Docker 為基礎。
custom_docker_image 必要	str 要用來定型之映射的 Docker 映射名稱。如果未設定，則會使用預設 CPU 型映射作為基底映射。
image_registry_details 必要	ContainerRegistry Docker 映射登錄的詳細資料。
user_managed 必要	bool 指定 Azure ML 是否重複使用現有的 Python 環境。 False 表示 AzureML 會根據 conda 相依性規格建立 Python 環境。
conda_packages 必要	list 字串清單，表示要新增至實驗 Python 環境的 conda 套件。
pip_packages 必要	list 字串清單，表示要新增至實驗 Python 環境的 pip 套件。
conda_dependencies_file_path 必要	str 字串，表示 conda 相依性 yaml 檔案的相對路徑。如果指定，Azure ML 將不會安裝任何架構相關套件。這可與參數搭配 `conda_packages` 使用。已淘汰。 `conda_dependencies_file`使用參數。
pip_requirements_file_path 必要	str 字串，表示 pip 需求文字檔的相對路徑。這可與參數搭配 `pip_packages` 使用。已淘汰。 `pip_requirements_file`使用參數。
conda_dependencies_file 必要	str 字串，表示 conda 相依性 yaml 檔案的相對路徑。如果指定，Azure ML 將不會安裝任何架構相關套件。這可與參數搭配 `conda_packages` 使用。
pip_requirements_file 必要	str 字串，表示 pip 需求文字檔的相對路徑。這可與參數搭配 `pip_packages` 使用。
environment_variables 必要	dict 環境變數名稱和值的字典。這些環境變數會在執行使用者指令碼的程序上設定。
environment_definition 必要	Environment 實驗的環境定義包括 PythonSection、DockerSection 和環境變數。任何未透過其他參數直接公開至估算器建構的環境選項，都可以使用 `environment_definition` 參數來設定。如果指定此參數，則會優先于其他環境相關參數，例如 `use_gpu` 、 `custom_docker_image` 、 `conda_packages` 或 `pip_packages` 。錯誤將會回報不正確組合。
inputs 必要	list azureml.data.data_reference的清單。要做為輸入的 DataReference 物件。
shm_size 必要	str Docker 容器的共用記憶體區塊大小。如果未設定，則會使用預設azureml.core.environment._DEFAULT_SHM_SIZE。
resume_from 必要	DataPath 包含要繼續實驗之檢查點或模型檔案的資料路徑。
max_run_duration_seconds 必要	int 執行的最大允許時間。如果執行時間超過此值，Azure ML 將會嘗試自動取消執行。
framework_version 必要	str 要用於執行定型程式碼的 Scikit-learn 版本。 `SKLearn.get_supported_versions()` 會傳回目前 SDK 支援的版本清單。
_enable_optimized_mode 必要	bool 使用預先建置的架構映射啟用累加環境建置，以加快環境準備速度。預先建置的架構映射是以預先安裝架構相依性的 Azure ML 預設 CPU/GPU 基底映射為基礎所建置。
_disable_validation 必要	bool 在執行提交之前停用腳本驗證。預設值為 True。
_show_lint_warnings 必要	bool 顯示腳本 linting 警告。預設值是 False。
_show_package_warnings 必要	bool 顯示套件驗證警告。預設值是 False。

備註

提交定型作業時，Azure ML 會在 Docker 容器內的 conda 環境中執行腳本。 SKLearn 容器已安裝下列相依性。

相依性 |Scikit-learn 0.20.3 |———————- |—————– |Python |3.6.2 |azureml-defaults |最新 |IntelMpi |2018.3.222 |scikit-learn |0.20.3 |numpy |1.16.2 |miniconda |4.5.11 |scipy |1.2.1 |joblib |0.13.2 |git |2.7.4 |

Docker 映射會擴充 Ubuntu 16.04。

如果您需要安裝其他相依性，您可以使用 pip_packages 或 conda_packages 參數，也可以提供 pip_requirements_file 或 conda_dependencies_file 檔案。或者，您可以建置自己的映射，並將參數傳遞 custom_docker_image 至估算器建構函式。

屬性

DEFAULT_VERSION

DEFAULT_VERSION = '0.20.3'

FRAMEWORK_NAME

FRAMEWORK_NAME = 'SKLearn'

共用方式為

SKLearn 類別

建構函式

參數

備註

屬性

DEFAULT_VERSION

FRAMEWORK_NAME

意見反應

其他資源