MpiStep Clase

[Obligatorio] Nombre del módulo.

[Obligatorio] Carpeta que contiene script de Python, conda env y otros recursos usados en el paso.

[Obligatorio] Nombre de un script de Python relativo a source_directory.

[Obligatorio] Lista de argumentos de la línea de comandos.

[Obligatorio] Destino de proceso que se va a usar.

[Obligatorio] Número de nodos del destino de proceso que se usa para el entrenamiento. Si es mayor que 1, se ejecutará un trabajo distribuido de mpi. Solo se admite el destino de proceso AmlCompute para trabajos distribuidos. Se admiten los valores de PipelineParameter.

[Obligatorio] Número de procesos por nodo. Si es mayor que 1, se ejecutará un trabajo distribuido de mpi. Solo se admite el destino de proceso AmlCompute para trabajos distribuidos. Se admiten los valores de PipelineParameter.

Lista de enlaces de puerto de entrada.

Lista de enlaces de puerto de salida.

Diccionario de pares nombre-valor registrados como variables de entorno con "AML_PARAMETER_".

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.

Etiqueta de versión opcional para indicar un cambio en la funcionalidad del módulo.

EN DESUSO: ya no es necesario.

Lista de rutas de acceso a hash al comprobar si hay cambios en el contenido del paso. Si no se detectan cambios, la canalización reutilizará el contenido del paso de una ejecución anterior. De forma predeterminada, el contenido de source_directory se aplica un hash excepto a los archivos enumerados en .amlignore o .gitignore.

Indica si el entorno para ejecutar el experimento debe admitir GPU. Si es True, se usará una imagen de Docker predeterminada basada en GPU en el entorno. Si es False, se usará una imagen basada en CPU. Las imágenes de Docker predeterminadas (CPU o GPU) solo se usarán si el custom_docker_image parámetro no está establecido. Esta configuración solo se usa en destinos de proceso habilitados para Docker.

Indica si el entorno para ejecutar el experimento debe estar basado en Docker.

Nombre de la imagen de Docker a partir de la que se compilará la imagen que se va a usar para el entrenamiento. Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.

Detalles del registro de imágenes de Docker.

Indica si Azure ML reutiliza un entorno de Python existente; False significa que Azure ML creará un entorno de Python en función de la especificación de dependencias de Conda.

Lista de cadenas que representan paquetes de Conda que se van a agregar al entorno de Python.

Lista de cadenas que representan paquetes pip que se van a agregar al entorno de Python.

Ruta de acceso relativa al archivo de texto de requisitos de pip. Este parámetro se puede especificar en combinación con el pip_packages parámetro .

EnvironmentDefinition para el experimento. Incluye PythonSection y DockerSection y variables de entorno. Cualquier opción de entorno que no se exponga directamente a través de otros parámetros a la construcción MpiStep se puede establecer mediante environment_definition parámetro. Si se especifica este parámetro, tendrá prioridad sobre otros parámetros relacionados con el entorno, como use_gpu, custom_docker_image, conda_packages o pip_packages y errores se notificarán en estas combinaciones no válidas.

[Obligatorio] Nombre del módulo.

[Obligatorio] Carpeta que contiene script de Python, conda env y otros recursos usados en el paso.

[Obligatorio] Nombre de un script de Python relativo a source_directory.

[Obligatorio] Lista de argumentos de la línea de comandos.

[Obligatorio] Destino de proceso que se va a usar.

[Obligatorio] Número de nodos del destino de proceso que se usa para el entrenamiento. Si es mayor que 1, se ejecutará el trabajo distribuido de mpi. Solo se admite el destino de proceso AmlCompute para trabajos distribuidos. Se admiten los valores de PipelineParameter.

[Obligatorio] Número de procesos por nodo. Si es mayor que 1, se ejecutará el trabajo distribuido de mpi. Solo se admite el destino de proceso AmlCompute para trabajos distribuidos. Se admiten los valores de PipelineParameter.

Lista de enlaces de puerto de entrada.

Lista de enlaces de puerto de salida.

Diccionario de pares nombre-valor registrados como variables de entorno con ">>AML_PARAMETER_<<".

Indica si el paso debe reutilizar los resultados anteriores cuando se vuelven a ejecutar con los mismos parámetros 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.

Etiqueta de versión opcional para indicar un cambio en la funcionalidad del módulo

EN DESUSO: ya no es necesario.

Lista de rutas de acceso a hash al comprobar si hay cambios en el contenido del paso. Si no se detectan cambios, la canalización reutilizará el contenido del paso de una ejecución anterior. De forma predeterminada, el contenido de source_directory se aplica un hash excepto a los archivos enumerados en .amlignore o .gitignore.

Indica si el entorno para ejecutar el experimento debe admitir GPU. Si es True, se usará una imagen de Docker predeterminada basada en GPU en el entorno. Si es False, se usará una imagen basada en CPU. Las imágenes de Docker predeterminadas (CPU o GPU) solo se usarán si el custom_docker_image parámetro no está establecido. Esta configuración solo se usa en destinos de proceso habilitados para Docker.

Indica si el entorno para ejecutar el experimento debe estar basado en Docker. custom_docker_image (str): nombre de la imagen de Docker desde la que se compilará la imagen que se va a usar para el trabajo de mpi. Si no se establece, se usará una imagen basada en CPU predeterminada como imagen base.

Nombre de la imagen de Docker a partir de la que se compilará la imagen que se va a usar para el entrenamiento. Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.

Detalles del registro de imágenes de Docker.

Indica si Azure ML reutiliza un entorno de Python existente; False significa que Azure ML creará un entorno de Python en función de la especificación de dependencias de Conda.

Lista de cadenas que representan paquetes de Conda que se van a agregar al entorno de Python.

Lista de cadenas que representan paquetes pip que se van a agregar al entorno de Python.

Ruta de acceso relativa al archivo de texto de requisitos de pip. Este parámetro se puede especificar en combinación con el pip_packages parámetro .

EnvironmentDefinition para el experimento. Incluye PythonSection y DockerSection y variables de entorno. Cualquier opción de entorno que no se exponga directamente a través de otros parámetros a la construcción MpiStep se puede establecer mediante environment_definition parámetro. Si se especifica este parámetro, tendrá prioridad sobre otros parámetros relacionados con el entorno, como use_gpu, custom_docker_image, conda_packages o pip_packages y errores se notificarán en estas combinaciones no válidas.