EstimatorStep Classe
OBSOLESCENT. Crée une étape de pipeline à exécuter Estimator pour l’apprentissage du modèle Azure ML.
Créez une étape de pipeline Azure ML pour exécuter estimateur pour l’apprentissage du modèle Machine Learning.
OBSOLESCENT. Utilisez à la CommandStep place. Pour obtenir un exemple, consultez Comment exécuter l’apprentissage ML dans des pipelines avec CommandStep.
Constructeur
EstimatorStep(name=None, estimator=None, estimator_entry_script_arguments=None, runconfig_pipeline_params=None, inputs=None, outputs=None, compute_target=None, allow_reuse=True, version=None)Paramètres
| Nom | Description |
|---|---|
|
name
|
Nom de l’étape. Valeur par défaut: None
|
|
estimator
|
Objet estimateur associé pour cette étape. Il peut s’agir d’un estimateur préconfiguré tel que Chainer, , PyTorchTensorFlowou SKLearn. Valeur par défaut: None
|
|
estimator_entry_script_arguments
|
[Obligatoire] Liste des arguments de ligne de commande. Si le script d’entrée de l’estimateur n’accepte pas les arguments de ligne de commande, définissez cette valeur de paramètre sur une liste vide. Valeur par défaut: None
|
|
runconfig_pipeline_params
|
Remplacement des propriétés runconfig au moment de l’exécution à l’aide de paires clé-valeur, chacune portant le nom de la propriété runconfig et pipelineParameter pour cette propriété. Valeurs prises en charge : « NodeCount », « MpiProcessCountPerNode », « TensorflowWorkerCount », « TensorflowParameterServerCount » Valeur par défaut: None
|
|
inputs
|
Liste des entrées à utiliser. Valeur par défaut: None
|
|
outputs
|
Liste des objets PipelineData. Valeur par défaut: None
|
|
compute_target
|
[Obligatoire] Cible de calcul à utiliser. Valeur par défaut: None
|
|
allow_reuse
|
Indique si l’étape doit réutiliser les résultats précédents lors de la réexécutation avec les mêmes paramètres. La réutilisation est activée par défaut. Si le contenu de l’étape (scripts/dépendances) ainsi que les entrées et les paramètres restent inchangés, la sortie de l’exécution précédente de cette étape est réutilisée. Lors de la réutilisation de l’étape, au lieu de soumettre le travail au calcul, les résultats de l’exécution précédente sont immédiatement mis à la disposition des étapes suivantes. Si vous utilisez des jeux de données Azure Machine Learning comme entrées, la réutilisation est déterminée par la modification de la définition du jeu de données, et non par la modification des données sous-jacentes. Valeur par défaut: True
|
|
version
|
Balise de version facultative pour indiquer une modification des fonctionnalités du module. Valeur par défaut: None
|
|
name
Obligatoire
|
Nom de l’étape. |
|
estimator
Obligatoire
|
<xref:Estimator>
Objet estimateur associé pour cette étape. Il peut s’agir d’un estimateur préconfiguré tel que Chainer, , PyTorchTensorFlowou SKLearn. |
|
estimator_entry_script_arguments
Obligatoire
|
[str]
[Obligatoire] Liste des arguments de ligne de commande. Si le script d’entrée de l’estimateur n’accepte pas les arguments de ligne de commande, définissez cette valeur de paramètre sur une liste vide. |
|
runconfig_pipeline_params
Obligatoire
|
Remplacement des propriétés runconfig au moment de l’exécution à l’aide de paires clé-valeur, chacune portant le nom de la propriété runconfig et pipelineParameter pour cette propriété. Valeurs prises en charge : « NodeCount », « MpiProcessCountPerNode », « TensorflowWorkerCount », « TensorflowParameterServerCount » |
|
inputs
Obligatoire
|
list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]]
Liste des entrées à utiliser. |
|
outputs
Obligatoire
|
Liste des objets PipelineData. |
|
compute_target
Obligatoire
|
[Obligatoire] Cible de calcul à utiliser. |
|
allow_reuse
Obligatoire
|
Indique si l’étape doit réutiliser les résultats précédents lors de la réexécutation avec les mêmes paramètres. La réutilisation est activée par défaut. Si le contenu de l’étape (scripts/dépendances) ainsi que les entrées et les paramètres restent inchangés, la sortie de l’exécution précédente de cette étape est réutilisée. Lors de la réutilisation de l’étape, au lieu de soumettre le travail au calcul, les résultats de l’exécution précédente sont immédiatement mis à la disposition des étapes suivantes. Si vous utilisez des jeux de données Azure Machine Learning comme entrées, la réutilisation est déterminée par la modification de la définition du jeu de données, et non par la modification des données sous-jacentes. |
|
version
Obligatoire
|
Version |
Remarques
Notez que les arguments du script d’entrée utilisés dans l’objet Estimator doivent être spécifiés comme liste à l’aide du paramètre lors de l’instanciation estimator_entry_script_arguments d’un EstimateorStep. Le paramètre script_params Estimateur accepte un dictionnaire. Toutefois, estimator_entry_script_argument le paramètre attend des arguments sous forme de liste.
L’initialisation EstimateorStep implique la spécification d’une liste d’entrées avec le inputs paramètre et vous n’avez pas besoin de spécifier les entrées avec l’estimateur, une exception est levée si vous le faites. Reportez-vous au inputs paramètre pour les types d’entrées autorisés. Vous pouvez également spécifier les sorties de l’étape. Reportez-vous au outputs paramètre pour les types de sorties autorisés.
La meilleure pratique pour l’utilisation d’EstimateorStep consiste à utiliser un dossier distinct pour les scripts et tous les fichiers dépendants associés à l’étape Estimatoret à spécifier ce dossier comme source_directory objet. Cela présente deux avantages. Tout d’abord, il permet de réduire la taille de l’instantané créé pour l’étape, car seul ce qui est nécessaire pour l’étape est instantané. Deuxièmement, la sortie de l’étape à partir d’une exécution précédente peut être réutilisée s’il n’y a aucune modification apportée à celle source_directory qui déclencherait un nouveau chargement du snaphot.
Méthodes
| create_node |
Créez un nœud à partir de l’étape Estimateur et ajoutez-le au graphique spécifié. OBSOLESCENT. Utilisez à la CommandStep place. Pour obtenir un exemple, consultez Comment exécuter l’apprentissage ML dans des pipelines avec CommandStep. Cette méthode n’est pas destinée à être utilisée directement. Lorsqu’un pipeline est instancié avec cette étape, Azure ML transmet automatiquement les paramètres requis par cette méthode afin que cette étape puisse être ajoutée à un graphique de pipeline qui représente le flux de travail. |
create_node
Créez un nœud à partir de l’étape Estimateur et ajoutez-le au graphique spécifié.
OBSOLESCENT. Utilisez à la CommandStep place. Pour obtenir un exemple, consultez Comment exécuter l’apprentissage ML dans des pipelines avec CommandStep.
Cette méthode n’est pas destinée à être utilisée directement. Lorsqu’un pipeline est instancié avec cette étape, Azure ML transmet automatiquement les paramètres requis par cette méthode afin que cette étape puisse être ajoutée à un graphique de pipeline qui représente le flux de travail.
create_node(graph, default_datastore, context)Paramètres
| Nom | Description |
|---|---|
|
graph
Obligatoire
|
Objet graphique auquel ajouter le nœud. |
|
default_datastore
Obligatoire
|
Magasin de données par défaut. |
|
context
Obligatoire
|
<xref:azureml.pipeline.core._GraphContext>
Contexte de graphe. |
Retours
| Type | Description |
|---|---|
|
Nœud créé. |