HyperDriveStep 类

构造函数

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

参数

注解

请注意，实例化 HyperDriveStep 时，必须使用参数将估算器对象（例如TensorFlow对象）中使用的条目脚本的参数指定为列表estimator_entry_script_arguments。 估算器参数 script_params 接受字典。 但是， estimator_entry_script_argument 参数需要参数作为列表。

HyperDriveStep 初始化涉及使用参数指定对象DataReference列表inputs。 在 Azure ML Pipelines 中，管道步骤可以将另一步骤的输出或 DataReference 对象作为输入。 因此，创建 HyperDriveStep 时， inputs 必须显式设置和 outputs 参数，这将替代 inputs 估算器对象中指定的参数。

使用 HyperDriveStep 的最佳做法是对脚本和与步骤关联的任何依赖文件使用单独的文件夹，并将该文件夹指定为估算器对象的 source_directory文件夹。 例如，请参阅 source_directory 类的参数 TensorFlow 。 这样做有两个好处。 首先，它有助于减小为步骤创建的快照的大小，因为仅快照了步骤所需的快照。 其次，如果对触发快照重新上传的更改 source_directory ，则可以重复使用上一次运行中的步骤输出。

以下示例演示如何在 Azure 机器学习管道中使用 HyperDriveStep。

   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])

完整示例可从 https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-parameter-tuning-with-hyperdrive.ipynb

create_node

create_node(graph, default_datastore, context)