RunConfiguration Clase

Constructor

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

Parámetros

Comentarios

Normalmente, creamos sistemas de aprendizaje automático para resolver un problema específico. Por ejemplo, podríamos estar interesados en encontrar el mejor modelo que clasifica las páginas web que podrían servirse como resultados de búsqueda correspondientes a una consulta. Nuestra búsqueda del mejor modelo de aprendizaje automático puede requerir que pruebemos algoritmos diferentes, o considere la posibilidad de una configuración de parámetros diferente, etc.

En el SDK de Azure Machine Learning, se usa el concepto de un experimento para capturar la noción de que las distintas ejecuciones de entrenamiento están relacionadas con el problema que intentan resolver. A Experiment continuación, actúa como un contenedor lógico para estas ejecuciones de entrenamiento, lo que facilita el seguimiento del progreso entre ejecuciones de entrenamiento, compara dos ejecuciones de entrenamiento directamente, etc.

RunConfiguration encapsula la configuración del entorno de ejecución necesaria para enviar una ejecución de entrenamiento en un experimento. Captura la estructura compartida de las ejecuciones de entrenamiento diseñadas para resolver el mismo problema de aprendizaje automático, así como las diferencias en los parámetros de configuración (por ejemplo, velocidad de aprendizaje, función de pérdida, etc.) que distinguen las distintas ejecuciones de entrenamiento entre sí.

En escenarios de entrenamiento típicos, RunConfiguration se usa mediante la creación de un ScriptRunConfig objeto que empaqueta un objeto RunConfiguration y un script de ejecución para el entrenamiento.

La configuración de RunConfiguration incluye:

• Agrupación del directorio de origen del experimento, incluido el script enviado.

• Establecer los argumentos de la línea de comandos para el script enviado.

• Configuración de la ruta de acceso para el intérprete de Python.

• Obtenga la configuración de Conda para administrar las dependencias de la aplicación. El proceso de envío de trabajos puede usar la configuración para aprovisionar un entorno de Conda temporal e iniciar la aplicación dentro. Los entornos temporales se almacenan en caché y se reutilizan en ejecuciones posteriores.

• Uso opcional de Docker y imágenes base personalizadas.

• Opción opcional de enviar el experimento a varios tipos de proceso de Azure.

• Opción opcional para configurar cómo materializar entradas y cargar salidas.

• Configuración avanzada del entorno de ejecución para entornos de ejecución comunes, como spark y tensorflow.

En el ejemplo siguiente se muestra cómo enviar un script de entrenamiento en la máquina 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)

En el ejemplo siguiente se muestra cómo enviar un script de entrenamiento en el clúster mediante la propiedad command en lugar de script y 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)

En el ejemplo siguiente se muestra cómo ejecutar un comando en el clúster.

   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)

Variables

delete

static delete(path, name)

load

static load(path, name=None)

save

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

auto_prepare_environment

environment_variables

target