HyperDriveStep Clase

Crea un paso de canalización de Azure ML para ejecutar la asignación de hiperparámetros para el entrenamiento del modelo de Machine Learning.

Para obtener un ejemplo de uso de HyperDriveStep, vea el cuaderno https://aka.ms/pl-hyperdrive.

Cree un paso de canalización de Azure ML para ejecutar la asignación de hiperparámetros para el entrenamiento del modelo de Machine Learning.

Constructor

HyperDriveStep(name, hyperdrive_config, estimator_entry_script_arguments=None, inputs=None, outputs=None, metrics_output=None, allow_reuse=True, version=None)

Parámetros

Nombre	Description
name Requerido	str [Obligatorio] Nombre del paso.
hyperdrive_config Requerido	HyperDriveConfig [Obligatorio] HyperDriveConfig que define la configuración de la ejecución de HyperDrive.
estimator_entry_script_arguments	list Lista de argumentos de línea de comandos para el script de entrada del estimador. Si el script de entrada del estimador no acepta argumentos de línea de comandos, establezca este valor de parámetro en una lista vacía. Valor predeterminado: None
inputs	list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]] Lista de enlaces de puerto de entrada. Valor predeterminado: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]] Una lista de enlaces de puerto de salida Valor predeterminado: None
metrics_output	Union[PipelineData, DataReference, OutputPortBinding] Valor opcional que especifica la ubicación para almacenar las métricas de ejecución de HyperDrive como un archivo JSON. Valor predeterminado: None
allow_reuse	bool Indica si el paso debe reutilizar los resultados anteriores al volver a ejecutarse con la misma configuración. La reutilización está habilitada de forma predeterminada. Si el contenido del paso (scripts o dependencias), así como las entradas y los parámetros permanecen sin cambios, se reutiliza la salida de la ejecución anterior de este paso. Al volver a usar el paso, en lugar de enviar el trabajo al proceso, los resultados de la ejecución anterior se pone inmediatamente a disposición de los pasos posteriores. Si usa conjuntos de datos de Azure Machine Learning como entradas, la reutilización viene determinada por si la definición del conjunto de datos ha cambiado, no por si los datos subyacentes han cambiado. Valor predeterminado: True
version	str Etiqueta de versión opcional para indicar un cambio en la funcionalidad del módulo. Valor predeterminado: None
name Requerido	str [Obligatorio] Nombre del paso.
hyperdrive_config Requerido	HyperDriveConfig [Obligatorio] HyperDriveConfig que define la configuración de la ejecución de HyperDrive.
estimator_entry_script_arguments Requerido	list Lista de argumentos de línea de comandos para el script de entrada del estimador. Si el script de entrada del estimador no acepta argumentos de línea de comandos, establezca este valor de parámetro en una lista vacía.
inputs Requerido	list[Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference, PortDataReference, PipelineData, DatasetConsumptionConfig]] Lista de enlaces de puerto de entrada.
outputs Requerido	list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]] Lista de enlaces de puerto de salida.
metrics_output Requerido	Union[PipelineData, DataReference, OutputPortBinding] Valor opcional que especifica la ubicación para almacenar las métricas de ejecución de HyperDrive como un archivo JSON.
allow_reuse Requerido	bool Indica si el paso debe reutilizar los resultados anteriores al volver a ejecutarse con la misma configuración. La reutilización está habilitada de forma predeterminada. Si el contenido del paso (scripts o dependencias), así como las entradas y los parámetros permanecen sin cambios, se reutiliza la salida de la ejecución anterior de este paso. Al volver a usar el paso, en lugar de enviar el trabajo al proceso, los resultados de la ejecución anterior se pone inmediatamente a disposición de los pasos posteriores. Si usa conjuntos de datos de Azure Machine Learning como entradas, la reutilización viene determinada por si la definición del conjunto de datos ha cambiado, no por si los datos subyacentes han cambiado.
version Requerido	str Versión

Comentarios

Tenga en cuenta que los argumentos del script de entrada que se usan en el objeto estimador (por ejemplo, el TensorFlow objeto) deben especificarse como lista mediante el estimator_entry_script_arguments parámetro al crear una instancia de HyperDriveStep. El parámetro script_params estimador acepta un diccionario. Sin embargo, estimator_entry_script_argument el parámetro espera argumentos como una lista.

La inicialización de HyperDriveStep implica especificar una lista de DataReference objetos con el inputs parámetro . En Azure ML Pipelines, un paso de canalización puede realizar la salida de otro paso o objetos DataReference como entrada. Por lo tanto, al crear un HyperDriveStep, los inputs parámetros y outputs deben establecerse explícitamente, que invalida el inputs parámetro especificado en el objeto Estimator.

El procedimiento recomendado para trabajar con HyperDriveStep es usar una carpeta independiente para scripts y los archivos dependientes asociados al paso y especificar esa carpeta como el objeto estimador.source_directory Por ejemplo, consulte el source_directory parámetro de la TensorFlow clase . Esto tiene dos ventajas. En primer lugar, ayuda a reducir el tamaño de la instantánea creada para el paso porque solo se instantánea lo que se necesita para el paso. En segundo lugar, la salida del paso de una ejecución anterior se puede reutilizar si no hay ningún cambio en que source_directory desencadenaría una nueva carga del snaphot.

En el ejemplo siguiente se muestra cómo usar HyperDriveStep en una canalización de Azure Machine Learning.


   metrics_output_name = 'metrics_output'
   metrics_data = PipelineData(name='metrics_data',
                               datastore=datastore,
                               pipeline_output_name=metrics_output_name,
                               training_output=TrainingOutput("Metrics"))

   model_output_name = 'model_output'
   saved_model = PipelineData(name='saved_model',
                               datastore=datastore,
                               pipeline_output_name=model_output_name,
                               training_output=TrainingOutput("Model",
                                                              model_file="outputs/model/saved_model.pb"))

   hd_step_name='hd_step01'
   hd_step = HyperDriveStep(
       name=hd_step_name,
       hyperdrive_config=hd_config,
       inputs=[data_folder],
       outputs=[metrics_data, saved_model])

El ejemplo completo está disponible en https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-parameter-tuning-with-hyperdrive.ipynb

Métodos

create_node

Cree un nodo desde el paso HyperDrive y agréguelo al grafo especificado.

Este método no está pensado para usarse directamente. Cuando se crea una instancia de una canalización con este paso, Azure ML pasa automáticamente los parámetros necesarios a través de este método para que el paso se pueda agregar a un grafo de canalización que represente el flujo de trabajo.

create_node

Cree un nodo desde el paso HyperDrive y agréguelo al grafo especificado.

create_node(graph, default_datastore, context)

Parámetros

Nombre	Description
graph Requerido	Graph Objeto de grafo al que se va a agregar el nodo.
default_datastore Requerido	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Almacén de datos predeterminado.
context Requerido	<xref:azureml.pipeline.core._GraphContext> Contexto del grafo.

Devoluciones

Tipo	Description
Node	Nodo creado.

Compartir a través de

HyperDriveStep Clase

Constructor

Parámetros

Comentarios

Métodos

create_node

Parámetros

Devoluciones

Comentarios