Run Clase

Agregue propiedades inmutables a la ejecución.

Las etiquetas y las propiedades (ambos dict[str, str]) difieren en su mutabilidad. Las propiedades son inmutables, por lo que crean un registro permanente con fines de auditoría. Las etiquetas son mutables. Para obtener más información sobre cómo trabajar con etiquetas y propiedades, vea Etiquetas y ejecuciones de búsqueda.

add_properties(properties)

Parámetros

Enlace de extensibilidad para tipos de ejecución personalizados almacenados en historial de ejecución.

static add_type_provider(runtype, run_factory)

Parámetros

Marque la ejecución como cancelada.

Si hay un trabajo asociado con un campo cancel_uri establecido, finalice ese trabajo también.

cancel()

Cree una ejecución secundaria.

child_run(name=None, run_id=None, outputs=None)

Parámetros

Devoluciones

Comentarios

Se usa para aislar parte de una ejecución en una subsección. Esto se puede hacer para identificar "partes" de una ejecución que son interesantes para separar o para capturar métricas independientes en una intercalación de un subproceso.

Si se establece un directorio de salida para la ejecución secundaria, el contenido de ese directorio se cargará en el registro de ejecución secundario cuando se complete el elemento secundario.

Quite los archivos correspondientes a la ejecución actual en el destino especificado en la configuración de ejecución.

clean()

Devoluciones

Espere a que se procese la cola de tareas.

A continuación, la ejecución se marca como completada. Normalmente se usa en escenarios de cuadernos interactivos.

complete(_set_status=True)

Parámetros

Cree una o varias ejecuciones secundarias.

create_children(count=None, tag_key=None, tag_values=None)

Parámetros

Devoluciones

Comentarios

Debe especificarse el parámetro count OR parameters tag_key AND tag_values .

Descargue un archivo asociado desde el almacenamiento.

download_file(name, output_file_path=None, _validate_checksum=False)

Parámetros

Descargue archivos de un prefijo de almacenamiento determinado (nombre de carpeta) o del contenedor completo si no se especifica el prefijo.

download_files(prefix=None, output_directory=None, output_paths=None, batch_size=100, append_prefix=True, timeout_seconds=None)

Parámetros

Marque la ejecución como errónea.

Opcionalmente, establezca la propiedad Error de la ejecución con un mensaje o excepción pasado a error_details.

fail(error_details=None, error_code=None, _set_status=True)

Parámetros

Espere a que se procese la cola de tareas.

flush(timeout_seconds=300)

Parámetros

Obtenga la ejecución de este área de trabajo con su identificador de ejecución.

static get(workspace, run_id)

Parámetros

Devoluciones

Descargue todos los registros de la ejecución en un directorio.

get_all_logs(destination=None)

Parámetros

Devoluciones

Obtenga todos los elementos secundarios de la ejecución actual seleccionada por los filtros especificados.

get_children(recursive=False, tags=None, properties=None, type=None, status=None, _rehydrate_runs=True)

Parámetros

Devoluciones

Devuelve el contexto del servicio actual.

Use este método para recuperar el contexto del servicio actual para registrar métricas y cargar archivos. Si allow_offline es True (valor predeterminado), las acciones en el objeto Run se imprimirán para estándar.

get_context(allow_offline=True, used_for_context_manager=False, **kwargs)

Parámetros

Devoluciones

Comentarios

Esta función se usa normalmente para recuperar el objeto Run autenticado dentro de un script que se va a enviar para su ejecución a través de experiment.submit(). Este objeto de ejecución es un contexto autenticado para comunicarse con Azure Machine Learning Services y un contenedor conceptual en el que se incluyen métricas, archivos (artefactos) y modelos.

   run = Run.get_context() # allow_offline=True by default, so can be run locally as well
   ...
   run.log("Accuracy", 0.98)
   run.log_row("Performance", epoch=e, error=err)

Capture el estado más reciente de la ejecución. Si el estado de la ejecución es "Queued", se mostrarán los detalles.

get_detailed_status()

Devoluciones

Comentarios

• status: estado actual de la ejecución. El mismo valor que el devuelto de get_status().

• detalles: la información detallada del estado actual.

   run = experiment.submit(config)
   details = run.get_detailed_status()
   # details = {
   #     'status': 'Queued',
   #     'details': 'Run requested 1 node(s). Run is in pending status.',
   # }

Obtenga la definición, la información de estado, los archivos de registro actuales y otros detalles de la ejecución.

get_details()

Devoluciones

Comentarios

El diccionario devuelto contiene los siguientes pares clave-valor:

• runId: identificador de esta ejecución.

• Destino

• status: estado actual de la ejecución. El mismo valor que el devuelto de get_status().

• startTimeUtc: hora UTC de cuándo se inició esta ejecución, en ISO8601.

• endTimeUtc: hora UTC de la finalización de esta ejecución (completado o erróneo), en ISO8601.

  Esta clave no existe si la ejecución todavía está en curso.

• properties: pares clave-valor inmutables asociados a la ejecución. Las propiedades predeterminadas incluyen el identificador de instantánea de la ejecución e información sobre el repositorio git desde el que se creó la ejecución (si existe). Se pueden agregar propiedades adicionales a una ejecución mediante add_properties.

• inputDatasets: conjuntos de datos de entrada asociados a la ejecución.

• outputDatasets: conjuntos de datos de salida asociados a la ejecución.

• logFiles

• submittedBy

   run = experiment.start_logging()

   details = run.get_details()
   # details = {
   #     'runId': '5c24aa28-6e4a-4572-96a0-fb522d26fe2d',
   #     'target': 'sdk',
   #     'status': 'Running',
   #     'startTimeUtc': '2019-01-01T13:08:01.713777Z',
   #     'endTimeUtc': '2019-01-01T17:15:65.986253Z',
   #     'properties': {
   #         'azureml.git.repository_uri': 'https://example.com/my/git/repo',
   #         'azureml.git.branch': 'master',
   #         'azureml.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'azureml.git.dirty': 'True',
   #         'mlflow.source.git.repoURL': 'https://example.com/my/git/repo',
   #         'mlflow.source.git.branch': 'master',
   #         'mlflow.source.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'ContentSnapshotId': 'b4689489-ce2f-4db5-b6d7-6ad11e77079c'
   #     },
   #     'inputDatasets': [{
   #         'dataset': {'id': 'cdebf245-701d-4a68-8055-41f9cf44f298'},
   #         'consumptionDetails': {
   #             'type': 'RunInput',
   #             'inputName': 'training-data',
   #             'mechanism': 'Mount',
   #             'pathOnCompute': '/mnt/datasets/train'
   #         }
   #     }],
   #     'outputDatasets': [{
   #         'dataset': {'id': 'd04e8a19-1caa-4b1f-b318-4cbff9af9615'},
   #         'outputType': 'RunOutput',
   #         'outputDetails': {
   #             'outputName': 'training-result'
   #         }
   #     }],
   #     'runDefinition': {},
   #     'logFiles': {},
   #     'submittedBy': 'Alan Turing'
   # }

Devuelve el estado de ejecución, incluido el contenido del archivo de registro.

get_details_with_logs()

Devoluciones

Obtenga la definición de entorno que usó esta ejecución.

get_environment()

Devoluciones

Enumere los archivos almacenados en asociación con la ejecución.

get_file_names()

Devoluciones

Recupere las métricas registradas en la ejecución.

Si recursive es True (False de forma predeterminada), capture las métricas para las ejecuciones en el subárbol de la ejecución especificada.

get_metrics(name=None, recursive=False, run_type=None, populate=False)

Parámetros

Devoluciones

Comentarios

   run = experiment.start_logging() # run id: 123
   run.log("A", 1)
   with run.child_run() as child: # run id: 456
       child.log("A", 2)

   metrics = run.get_metrics()
   # metrics = { 'A': 1 }

   metrics = run.get_metrics(recursive=True)
   # metrics = { '123': { 'A': 1 }, '456': { 'A': 2 } } note key is runId

Capture las propiedades más recientes de la ejecución desde el servicio.

get_properties()

Devoluciones

Comentarios

Las propiedades son información inmutable generada por el sistema, como la duración, la fecha de ejecución, el usuario y las propiedades personalizadas agregadas con el add_properties método . Para obtener más información, consulte Etiquetas y ejecuciones de búsqueda.

Al enviar un trabajo a Azure Machine Learning, si los archivos de origen se almacenan en un repositorio git local, la información sobre el repositorio se almacena como propiedades. Estas propiedades de Git se agregan al crear una ejecución o llamar a Experiment.submit. Para más información sobre las propiedades de Git, consulte Integración de Git para Azure Machine Learning.

Obtenga el valor secreto del contexto de una ejecución.

Obtenga el valor del secreto para el nombre proporcionado. El nombre del secreto hace referencia a un valor almacenado en Azure Key Vault asociado al área de trabajo. Para obtener un ejemplo de cómo trabajar con secretos, consulte Uso de secretos en ejecuciones de entrenamiento.

get_secret(name)

Parámetros

Devoluciones

Obtenga los valores secretos de una lista determinada de nombres secretos.

Obtenga un diccionario de secretos encontrados y no encontrados para la lista de nombres proporcionados. Cada nombre secreto hace referencia a un valor almacenado en Azure Key Vault asociado al área de trabajo. Para obtener un ejemplo de cómo trabajar con secretos, consulte Uso de secretos en ejecuciones de entrenamiento.

get_secrets(secrets)

Parámetros

Devoluciones

Obtenga el identificador de instantánea más reciente.

get_snapshot_id()

Devoluciones

Capture el estado más reciente de la ejecución.

Los valores comunes devueltos incluyen "Running", "Completed" y "Failed".

get_status()

Devoluciones

Comentarios

• NotStarted: se trata de un estado temporal en los objetos Run del lado cliente antes del envío en la nube.

• Inicio: la ejecución se ha empezado a procesar en la nube. El autor de la llamada tiene un identificador de ejecución en este momento.

• Aprovisionamiento: se devuelve cuando se crea el proceso a petición para un envío de trabajo determinado.

• Preparación: el entorno de ejecución se está preparando:

  • compilación de imágenes de Docker

  • Configuración del entorno de conda

• En cola: el trabajo se pone en cola en el destino de proceso. Por ejemplo, en BatchAI, el trabajo está en estado en cola.

  mientras espera a que todos los nodos solicitados estén listos.

• En ejecución: el trabajo comenzó a ejecutarse en el destino de proceso.

• Finalización: el código de usuario se ha completado y la ejecución se realiza en fases posteriores al procesamiento.

• CancelRequested: se ha solicitado la cancelación para el trabajo.

• Completado: la ejecución se completó correctamente. Esto incluye el código de usuario y la ejecución

  fases posteriores al procesamiento.

• Error: error en la ejecución. Normalmente, la propiedad Error de una ejecución proporcionará detalles sobre por qué.

• Cancelado: sigue una solicitud de cancelación e indica que la ejecución se ha cancelado correctamente.

• Not Respondiendo: en el caso de las ejecuciones que tienen latidos habilitados, no se ha enviado ningún latido recientemente.

   run = experiment.submit(config)
   while run.get_status() not in ['Completed', 'Failed']: # For example purposes only, not exhaustive
       print('Run {} not in terminal state'.format(run.id))
       time.sleep(10)

OBSOLESCENTE. Utilice get_context.

Obtenga la ejecución enviada para este experimento.

get_submitted_run(**kwargs)

Devoluciones

Capture el conjunto más reciente de etiquetas mutables en la ejecución desde el servicio.

get_tags()

Devoluciones

Obtenga una lista de ejecuciones en un experimento especificado por filtros opcionales.

static list(experiment, type=None, tags=None, properties=None, status=None, include_children=False, _rehydrate_runs=True)

Parámetros

Devoluciones

Comentarios

En el ejemplo de código siguiente se muestran algunos usos del list método .

   favorite_completed_runs = Run.list(experiment, status='Completed', tags='favorite')

   all_distinct_runs = Run.list(experiment)
   and_their_children = Run.list(experiment, include_children=True)

   only_script_runs = Run.list(experiment, type=ScriptRun.RUN_TYPE)

Obtenga una lista de ejecuciones en un proceso especificado por filtros opcionales.

static list_by_compute(compute, type=None, tags=None, properties=None, status=None)

Parámetros

Devoluciones

Registre un valor de métrica en la ejecución con el nombre especificado.

log(name, value, description='', step=None)

Parámetros

Comentarios

El registro de una métrica en una ejecución hace que esa métrica se almacene en el registro de ejecución del experimento. Puede registrar la misma métrica varias veces dentro de una ejecución, el resultado que se considera un vector de esa métrica. Si se especifica el paso para una métrica, debe especificarse para todos los valores.

Registre una tabla de precisión en el almacén de artefactos.

La métrica de tabla de precisión es una métrica multiuso que no es escalar que se puede usar para generar varios tipos de gráficos de líneas que varían continuamente sobre el espacio de probabilidades previstas. Algunos ejemplos de estos gráficos son ROC, precisión-recuperación y curvas de elevación.

El cálculo de la tabla de precisión es similar al cálculo de una curva ROC. Una curva ROC almacena tasas positivas verdaderas y tasas de falsos positivos a muchos umbrales de probabilidad diferentes. La tabla de precisión almacena el número sin procesar de verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos en muchos umbrales de probabilidad.

Hay dos métodos que se usan para seleccionar umbrales: "probabilidad" y "percentil". Difieren en cómo se muestrean del espacio de probabilidades predichas.

Los umbrales de probabilidad son umbrales espaciados uniformemente entre 0 y 1. Si NUM_POINTS es 5, los umbrales de probabilidad serían [0,0, 0,25, 0,5, 0,75, 1,0].

Los umbrales de percentil están espaciados según la distribución de probabilidades previstas. Cada umbral corresponde al percentil de los datos a un umbral de probabilidad. Por ejemplo, si NUM_POINTS es 5, el primer umbral estaría en el percentil 0, el segundo en el percentil 25, el tercero en el 50, etc.

Las tablas de probabilidad y las tablas de percentil son listas 3D donde la primera dimensión representa la etiqueta de clase, la segunda dimensión representa la muestra en un umbral (escalas con NUM_POINTS) y la tercera dimensión siempre tiene 4 valores: TP, FP, TN, FN y siempre en ese orden.

Los valores de confusión (TP, FP, TN, FN) se calculan con la estrategia uno frente al resto. Consulte el vínculo siguiente para obtener más detalles: https://en.wikipedia.org/wiki/Multiclass_classification

N = número de muestras del conjunto de datos de validación (200 en el ejemplo) M = # umbrales = # muestras tomadas del espacio de probabilidad (5 en el ejemplo) C = # clases del conjunto de datos completo (3 en el ejemplo)

Algunas invariables de la tabla de precisión:

• TP + FP + TN + FN = N para todos los umbrales de todas las clases
• TP + FN es el mismo en todos los umbrales de cualquier clase.
• TN + FP es el mismo en todos los umbrales de cualquier clase.
• Las tablas de probabilidad y las tablas de percentil tienen forma [C, M, 4]

Nota: M puede ser cualquier valor y controla la resolución de los gráficos Esto es independiente del conjunto de datos, se define al calcular las métricas y elimina el espacio de almacenamiento, el tiempo de cálculo y la resolución.

Las etiquetas de clase deben ser cadenas, los valores de confusión deben ser enteros y los umbrales deben ser floats.

log_accuracy_table(name, value, description='')

Parámetros

Comentarios

Ejemplo de un valor JSON válido:

   {
       "schema_type": "accuracy_table",
       "schema_version": "1.0.1",
       "data": {
           "probability_tables": [
               [
                   [82, 118, 0, 0],
                   [75, 31, 87, 7],
                   [66, 9, 109, 16],
                   [46, 2, 116, 36],
                   [0, 0, 118, 82]
               ],
               [
                   [60, 140, 0, 0],
                   [56, 20, 120, 4],
                   [47, 4, 136, 13],
                   [28, 0, 140, 32],
                   [0, 0, 140, 60]
               ],
               [
                   [58, 142, 0, 0],
                   [53, 29, 113, 5],
                   [40, 10, 132, 18],
                   [24, 1, 141, 34],
                   [0, 0, 142, 58]
               ]
           ],
           "percentile_tables": [
               [
                   [82, 118, 0, 0],
                   [82, 67, 51, 0],
                   [75, 26, 92, 7],
                   [48, 3, 115, 34],
                   [3, 0, 118, 79]
               ],
               [
                   [60, 140, 0, 0],
                   [60, 89, 51, 0],
                   [60, 41, 99, 0],
                   [46, 5, 135, 14],
                   [3, 0, 140, 57]
               ],
               [
                   [58, 142, 0, 0],
                   [56, 93, 49, 2],
                   [54, 47, 95, 4],
                   [41, 10, 132, 17],
                   [3, 0, 142, 55]
               ]
           ],
           "probability_thresholds": [0.0, 0.25, 0.5, 0.75, 1.0],
           "percentile_thresholds": [0.0, 0.01, 0.24, 0.98, 1.0],
           "class_labels": ["0", "1", "2"]
       }
   }

Registre una matriz de confusión en el almacén de artefactos.

Esto registra un contenedor alrededor de la matriz de confusión sklearn. Los datos de métricas contienen las etiquetas de clase y una lista 2D para la propia matriz. Consulte el vínculo siguiente para obtener más información sobre cómo se calcula la métrica: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

Parámetros

Comentarios

Ejemplo de un valor JSON válido:

   {
       "schema_type": "confusion_matrix",
       "schema_version": "1.0.0",
       "data": {
           "class_labels": ["0", "1", "2", "3"],
           "matrix": [
               [3, 0, 1, 0],
               [0, 1, 0, 1],
               [0, 0, 1, 0],
               [0, 0, 0, 1]
           ]
       }
   }

Registre una métrica de imagen en el registro de ejecución.

log_image(name, path=None, plot=None, description='')

Parámetros

Comentarios

Use este método para registrar un archivo de imagen o un trazado matplotlib en la ejecución. Estas imágenes serán visibles y comparables en el registro de ejecución.

Registre una lista de valores de métricas en la ejecución con el nombre especificado.

log_list(name, value, description='')

Parámetros

Registre predicciones en el almacén de artefactos.

Esto registra una puntuación de métrica que se puede usar para comparar las distribuciones de valores de destino verdaderos con la distribución de valores previstos para una tarea de regresión.

Las predicciones están binned y las desviaciones estándar se calculan para las barras de error en un gráfico de líneas.

log_predictions(name, value, description='')

Parámetros

Comentarios

Ejemplo de un valor JSON válido:

   {
       "schema_type": "predictions",
       "schema_version": "1.0.0",
       "data": {
           "bin_averages": [0.25, 0.75],
           "bin_errors": [0.013, 0.042],
           "bin_counts": [56, 34],
           "bin_edges": [0.0, 0.5, 1.0]
       }
   }

Registre los valores residuales en el almacén de artefactos.

Esto registra los datos necesarios para mostrar un histograma de valores residuales para una tarea de regresión. Los valores residuales se predicen: reales.

Debe haber un borde más que el número de recuentos. Consulte la documentación del histograma numpy para obtener ejemplos de uso de recuentos y bordes para representar un histograma. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

Parámetros

Comentarios

Ejemplo de un valor JSON válido:

   {
       "schema_type": "residuals",
       "schema_version": "1.0.0",
       "data": {
           "bin_edges": [50, 100, 200, 300, 350],
           "bin_counts": [0.88, 20, 30, 50.99]
       }
   }

Registre una métrica de fila en la ejecución con el nombre especificado.

log_row(name, description=None, **kwargs)

Parámetros

Comentarios

El uso log_row de crea una métrica de tabla con columnas como se describe en kwargs. Cada parámetro con nombre genera una columna con el valor especificado. log_row se puede llamar una vez para registrar una tupla arbitraria o varias veces en un bucle para generar una tabla completa.

   citrus = ['orange', 'lemon', 'lime']
   sizes = [ 10, 7, 3]
   for index in range(len(citrus)):
       run.log_row("citrus", fruit = citrus[index], size=sizes[index])

Registre una métrica de tabla en la ejecución con el nombre especificado.

log_table(name, value, description='')

Parámetros

Registre un modelo para la operacionalización.

register_model(model_name, model_path=None, tags=None, properties=None, model_framework=None, model_framework_version=None, description=None, datasets=None, sample_input_dataset=None, sample_output_dataset=None, resource_configuration=None, **kwargs)

Parámetros

Devoluciones

Comentarios

   model = best_run.register_model(model_name = 'best_model', model_path = 'outputs/model.pkl')

Elimine la lista de etiquetas mutables en esta ejecución.

remove_tags(tags)

Parámetros

Devoluciones

Restaure una instantánea como un archivo ZIP. Devuelve la ruta de acceso al archivo ZIP.

restore_snapshot(snapshot_id=None, path=None)

Parámetros

Devoluciones

Agregue o modifique un conjunto de etiquetas en la ejecución. Las etiquetas que no se pasan en el diccionario se dejan intactas.

También puede agregar etiquetas de cadena simples. Cuando estas etiquetas aparecen en el diccionario de etiquetas como claves, tienen un valor none. Para obtener más información, consulte Etiquetas y ejecuciones de búsqueda.

set_tags(tags)

Parámetros

Marque la ejecución como iniciada.

Normalmente se usa en escenarios avanzados cuando otro actor ha creado la ejecución.

start()

Envíe un experimento y devuelva la ejecución secundaria activa.

submit_child(config, tags=None, **kwargs)

Parámetros

Devoluciones

Comentarios

Enviar es una llamada asincrónica a la plataforma de Azure Machine Learning para ejecutar una prueba en hardware local o remoto. En función de la configuración, submit preparará automáticamente los entornos de ejecución, ejecutará el código y capturará el código fuente y los resultados en el historial de ejecución del experimento.

Para enviar un experimento, primero debe crear un objeto de configuración que describa cómo se va a ejecutar el experimento. La configuración depende del tipo de prueba necesario.

Un ejemplo de cómo enviar un experimento secundario desde la máquina local mediante ScriptRunConfig es el siguiente:

   from azureml.core import ScriptRunConfig

   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = parent_run.submit_child(config)

   # get the url to view the progress of the experiment and then wait
   # until the trial is complete
   print(run.get_portal_url())
   run.wait_for_completion()

Para obtener más información sobre cómo configurar una ejecución, consulte submit.

Etiquete la ejecución con una clave de cadena y un valor de cadena opcional.

tag(key, value=None)

Parámetros

Comentarios

Las etiquetas y las propiedades de una ejecución son diccionarios de cadena:> cadena. La diferencia entre ellos es la mutabilidad: las etiquetas se pueden establecer, actualizar y eliminar mientras que las propiedades solo se pueden agregar. Esto hace que las propiedades sean más adecuadas para los desencadenadores de comportamiento relacionados con el sistema o el flujo de trabajo, mientras que las etiquetas suelen tener sentido y accesibles para los consumidores del experimento.

   run = experiment.start_logging()
   run.tag('DeploymentCandidate')
   run.tag('modifiedBy', 'Master CI')
   run.tag('modifiedBy', 'release pipeline') # Careful, tags are mutable

   run.add_properties({'BuildId': os.environ.get('VSTS_BUILD_ID')}) # Properties are not

   tags = run.get_tags()
   # tags = { 'DeploymentCandidate': None, 'modifiedBy': 'release pipeline' }

Guarde una instantánea del archivo o carpeta de entrada.

take_snapshot(file_or_folder_path)

Parámetros

Devoluciones

Comentarios

Las instantáneas están diseñadas para ser el código fuente que se usa para ejecutar la ejecución del experimento. Estos se almacenan con la ejecución para que la prueba de ejecución se pueda replicar en el futuro.

Cargue un archivo en el registro de ejecución.

upload_file(name, path_or_stream, datastore_name=None)

Parámetros

Devoluciones

Comentarios

   run = experiment.start_logging()
   run.upload_file(name='important_file', path_or_stream="path/on/disk/file.txt")

Cargue los archivos en el registro de ejecución.

upload_files(names, paths, return_artifacts=False, timeout_seconds=None, datastore_name=None)

Parámetros

Comentarios

upload_files tiene el mismo efecto que upload_file en archivos independientes, pero hay ventajas de rendimiento y uso de recursos al usar upload_files.

   import os

   run = experiment.start_logging()
   file_name_1 = 'important_file_1'
   file_name_2 = 'important_file_2'
   run.upload_files(names=[file_name_1, file_name_2],
                       paths=['path/on/disk/file_1.txt', 'other/path/on/disk/file_2.txt'])

   run.download_file(file_name_1, 'file_1.txt')

   os.mkdir("path")  # The path must exist
   run.download_file(file_name_2, 'path/file_2.txt')

Cargue la carpeta especificada en el nombre de prefijo especificado.

upload_folder(name, path, datastore_name=None)

Parámetros

Comentarios

   run = experiment.start_logging()
   run.upload_folder(name='important_files', path='path/on/disk')

   run.download_file('important_files/existing_file.txt', 'local_file.txt')

Espere a que finalice esta ejecución. Devuelve el objeto de estado después de la espera.

wait_for_completion(show_output=False, wait_post_processing=False, raise_on_error=True)

Parámetros

Devoluciones

Devuelve la descripción de la ejecución.

La descripción opcional de la ejecución es una cadena especificada por el usuario que resulta útil para describir una ejecución.

Devoluciones

Devuelve el nombre para mostrar de la ejecución.

El nombre para mostrar opcional de la ejecución es una cadena especificada por el usuario que resulta útil para la identificación posterior de la ejecución.

Devoluciones

Obtenga el experimento que contiene la ejecución.

Devoluciones

Obtener el identificador de ejecución.

El identificador de la ejecución es un identificador único en el experimento contenedor.

Devoluciones

OBSOLESCENTE. Use display_name.

El nombre opcional de la ejecución es una cadena especificada por el usuario útil para la identificación posterior de la ejecución.

Devoluciones

Obtenga el número de ejecución.

Número que aumenta de forma monotónica que representa el orden de las ejecuciones dentro de un experimento.

Devoluciones

Capture la ejecución primaria para esta ejecución desde el servicio.

Las ejecuciones pueden tener un elemento primario opcional, lo que da lugar a una posible jerarquía de árboles de ejecuciones. Para registrar métricas en una ejecución primaria, use el log método del objeto primario, por ejemplo, run.parent.log().

Devoluciones

Devuelve las propiedades inmutables de esta ejecución.

Devoluciones

Comentarios

Las propiedades incluyen información inmutable generada por el sistema, como la duración, la fecha de ejecución, el usuario, etc.

Devuelve el estado del objeto de ejecución.

Devuelve el conjunto de etiquetas mutables en esta ejecución.

Devoluciones

Obtiene el tipo de ejecución.

Indica cómo se creó o configuró la ejecución.

Devoluciones