Run クラス

変更できないプロパティを実行に追加します。

タグとプロパティ (dict[str, str]の両方) は、変更可能性が異なります。 プロパティは変更不可であるため、プロパティによって監査目的の恒久的な記録が作成されます。 タグは変更可能です。 タグとプロパティの操作の詳細については、「タグと 検索の実行」を参照してください。

add_properties(properties)

パラメーター

実行履歴に格納されているカスタム実行の種類の機能拡張フック。

static add_type_provider(runtype, run_factory)

パラメーター

実行を取り消し済みとしてマークします。

セット cancel_uri フィールドに関連付けられているジョブがある場合は、そのジョブも終了します。

cancel()

子実行を作成します。

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

パラメーター

戻り値

注釈

これは、実行の一部をサブセクションに分離するために使用されます。 これは、サブプロセスの間で分離したり、独立したメトリックをキャプチャしたりする目的で、実行の識別可能な "部分" に対して行うことができます。

子実行の出力ディレクトリが設定されている場合、そのディレクトリの内容は、子の完了時に子実行レコードにアップロードされます。

実行構成で指定されたターゲットの現在の実行に対応するファイルを削除します。

clean()

戻り値

タスク キューが処理されるまで待ちます。

その後、実行は完了としてマークされます。 これは通常、対話型ノートブックのシナリオで使用されます。

complete(_set_status=True)

パラメーター

1 つまたは複数の子実行を作成します。

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

パラメーター

戻り値

注釈

AND counttag_key OR パラメーターtag_valuesパラメーターを指定する必要があります。

ストレージから関連付けられているファイルをダウンロードします。

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

パラメーター

プレフィックスが指定されていない場合は、特定のストレージ プレフィックス (フォルダー名) またはコンテナー全体からファイルをダウンロードします。

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

パラメーター

実行を失敗としてマークします。

必要に応じて、メッセージまたは例外を error_detailsに渡して、実行の Error プロパティを設定します。

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

パラメーター

タスク キューが処理されるまで待ちます。

flush(timeout_seconds=300)

パラメーター

実行 ID を使用して、このワークスペースの実行を取得します。

static get(workspace, run_id)

パラメーター

戻り値

実行のすべてのログをディレクトリにダウンロードします。

get_all_logs(destination=None)

パラメーター

戻り値

指定したフィルターで選択されている現在の実行のすべての子を取得します。

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

パラメーター

戻り値

現在のサービス コンテキストを返します。

メトリックをログに記録し、ファイルをアップロードするための現在のサービス コンテキストを取得するには、このメソッドを使用します。 allow_offlineが True (既定値) の場合、Run オブジェクトに対するアクションは標準出力に出力されます。

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

パラメーター

戻り値

注釈

この関数は、experiment.submit() を介して実行するために送信されるスクリプト内で認証された Run オブジェクトを取得するために一般的に使用されます。 この実行オブジェクトは、Azure Machine Learning サービスと通信するための認証済みコンテキストと、メトリック、ファイル (成果物)、モデルが含まれる概念コンテナーの両方です。

   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)

実行の最新の状態をフェッチします。 実行の状態が "Queued" の場合は、詳細が表示されます。

get_detailed_status()

戻り値

注釈

• status: 実行の現在の状態。 get_status()から返される値と同じです。

• details: 現在の状態の詳細情報。

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

定義、状態情報、現在のログ ファイル、および実行のその他の詳細を取得します。

get_details()

戻り値

注釈

返されるディクショナリには、次のキーと値のペアが含まれています。

• runId: この実行の ID。

• ターゲット を する

• status: 実行の現在の状態。 get_status()から返される値と同じです。

• startTimeUtc: この実行が開始されたときの UTC 時刻 (ISO8601)。

• endTimeUtc: この実行が完了した時刻 (完了または失敗) の UTC 時刻 (ISO8601)。

  実行がまだ進行中の場合、このキーは存在しません。

• properties: 実行に関連付けられている変更できないキーと値のペア。 既定のプロパティには、実行のスナップショット ID と、実行の作成元の Git リポジトリ (存在する場合) に関する情報が含まれます。 add_propertiesを使用して、実行に追加のプロパティを追加できます。

• inputDatasets: 実行に関連付けられている入力データセット。

• outputDatasets: 実行に関連付けられている出力データセット。

• 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'
   # }

ログ ファイルの内容を含む実行状態を返します。

get_details_with_logs()

戻り値

この実行で使用された環境定義を取得します。

get_environment()

戻り値

実行に関連付けて格納されているファイルを一覧表示します。

get_file_names()

戻り値

実行に記録されたメトリックを取得します。

recursiveが True (既定では False) の場合は、指定された実行のサブツリー内の実行のメトリックをフェッチします。

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

パラメーター

戻り値

注釈

   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

サービスから実行の最新のプロパティをフェッチします。

get_properties()

戻り値

注釈

プロパティは、期間、実行日、ユーザー、 add_properties メソッドで追加されたカスタム プロパティなど、システムによって生成される不変の情報です。 詳細については、「 実行のタグ付けと検索」を参照してください。

Azure Machine Learning にジョブを送信するときに、ソース ファイルがローカル Git リポジトリに格納されている場合、リポジトリに関する情報はプロパティとして格納されます。 これらの git プロパティは、実行の作成時または Experiment.submit の呼び出し時に追加されます。 Git プロパティの詳細については、 Azure Machine Learning の Git 統合に関するページを参照してください。

実行のコンテキストからシークレット値を取得します。

指定された名前のシークレット値を取得します。 シークレット名は、ワークスペースに関連付けられている Azure Key Vault に格納されている値を参照します。 シークレットの操作例については、「 トレーニングの実行でシークレットを使用する」を参照してください。

get_secret(name)

パラメーター

戻り値

特定のシークレット名の一覧のシークレット値を取得します。

指定された名前の一覧の検出されたシークレットと見つからないシークレットのディクショナリを取得します。 各シークレット名は、ワークスペースに関連付けられている Azure Key Vault に格納されている値を参照します。 シークレットの操作例については、「 トレーニングの実行でシークレットを使用する」を参照してください。

get_secrets(secrets)

パラメーター

戻り値

最新のスナップショット ID を取得します。

get_snapshot_id()

戻り値

実行の最新の状態をフェッチします。

返される一般的な値は、"Running"、"Completed"、"Failed" です。

get_status()

戻り値

注釈

• NotStarted - これは、クラウドの送信前にクライアント側の Run オブジェクトが存在する一時的な状態です。

• 開始 - クラウドでの実行の処理が開始されました。 呼び出し元には、この時点で実行 ID があります。

• プロビジョニング - 特定のジョブの送信に対してオンデマンド コンピューティングが作成されるときに返されます。

• 準備中 - 実行環境が準備中です。

  • docker イメージのビルド

  • conda 環境のセットアップ

• キュー - ジョブはコンピューティング 先でキューに入れられます。 たとえば、BatchAI では、ジョブはキューに登録された状態です

  要求されたすべてのノードの準備が整うのを待機しています。

• 実行中 - コンピューティング 先でジョブの実行が開始されました。

• 最終処理 - ユーザー コードが完了し、実行は後処理段階にあります。

• CancelRequested - ジョブの取り消しが要求されました。

• 完了 - 実行が正常に完了しました。 これには、ユーザー コードと実行の両方が含まれます

  後処理ステージ。

• 失敗 - 実行に失敗しました。 通常、実行の Error プロパティは、理由に関する詳細を提供します。

• Canceled - 取り消し要求に従い、実行が正常に取り消されたことを示します。

• NotResponding - ハートビートが有効になっている実行の場合、ハートビートは最近送信されていません。

   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)

廃止。 get_contextを使用します。

この実験のために送信された実行を取得します。

get_submitted_run(**kwargs)

戻り値

サービスから、実行時に変更可能なタグの最新のセットをフェッチします。

get_tags()

戻り値

オプションのフィルターで指定された実験の実行の一覧を取得します。

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

パラメーター

戻り値

注釈

次のコード例は、 list メソッドのいくつかの使用方法を示しています。

   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)

省略可能なフィルターで指定されたコンピューティング内の実行の一覧を取得します。

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

パラメーター

戻り値

指定された名前でメトリック値を実行に記録します。

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

パラメーター

注釈

メトリックを実行にログに記録すると、そのメトリックが実験の実行レコードに格納されます。 実行内で同じメトリックを複数回ログに記録できます。その結果は、そのメトリックのベクトルと見なされます。 メトリックにステップを指定する場合は、すべての値に対して指定する必要があります。

精度テーブルをアーティファクト ストアに記録します。

精度テーブル メトリックは、複数の種類の折れ線グラフを生成するために使用できるマルチユースの非スカラー メトリックであり、予測される確率の空間にわたって継続的に変化します。 これらのグラフの例としては、ROC、精度再現率、リフト曲線があります。

精度テーブルの計算は、ROC 曲線の計算に似ています。 ROC 曲線は、真陽性率と偽陽性率をさまざまな確率しきい値に格納します。 精度テーブルには、多くの確率しきい値で真陽性、偽陽性、真陰性、偽陰性の生数が格納されます。

しきい値の選択には、"確率" と "百分位数" の 2 つの方法があります。これらは、予測される確率の空間からサンプリングする方法が異なります。

確率のしきい値は、0 から 1 の間で一様に間隔を空けたしきい値です。 NUM_POINTSが 5 の場合、確率しきい値は [0.0, 0.25, 0.5, 0.75, 1.0] になります。

百分位数のしきい値は、予測される確率の分布に従って間隔が空けられます。 各しきい値は、確率しきい値でのデータのパーセンタイルに対応します。 たとえば、NUM_POINTSが 5 の場合、最初のしきい値は 0 パーセンタイル、2 番目のしきい値は 25 パーセンタイル、3 番目は 50 パーセンタイルになります。

確率テーブルとパーセンタイル テーブルはどちらも 3D リストであり、1 番目のディメンションはクラス ラベルを表し、2 番目のディメンションは 1 つのしきい値 (NUM_POINTSを使用したスケール) でサンプルを表し、3 番目のディメンションには常に 4 つの値 (TP、FP、TN、FN、および常にその順序) があります。

混同値 (TP、FP、TN、FN) は、1 対 rest 戦略で計算されます。 詳細については、次のリンクを参照してください。 https://en.wikipedia.org/wiki/Multiclass_classification

N = 検証データセット内のサンプルの数 (例では 200) M = # thresholds = # 確率空間から取得されたサンプル (例では 5) 完全なデータセットの C = # クラス (例では 3)

精度テーブルのインバリアント:

• すべてのクラスのすべてのしきい値に対する TP + FP + TN + FN = N
• TP + FN は、任意のクラスのすべてのしきい値で同じです
• TN + FP は、任意のクラスのすべてのしきい値で同じです
• 確率テーブルとパーセンタイル テーブルの形状 [C, M, 4]

注: M は任意の値にすることができ、グラフの解像度を制御します。これはデータセットに依存せず、メトリックの計算時に定義され、ストレージ領域、計算時間、解決をトレードオフします。

クラス ラベルは文字列、混同値は整数、しきい値は float にする必要があります。

log_accuracy_table(name, value, description='')

パラメーター

注釈

有効な JSON 値の例:

   {
       "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"]
       }
   }

混同行列をアーティファクト ストアに記録します。

これにより、sklearn 混同行列のラッパーがログに記録されます。 メトリック データには、マトリックス自体のクラス ラベルと 2D リストが含まれています。 メトリックの計算方法の詳細については、次のリンクを参照してください。 https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

パラメーター

注釈

有効な JSON 値の例:

   {
       "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]
           ]
       }
   }

実行レコードに画像メトリックを記録します。

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

パラメーター

注釈

このメソッドを使用して、イメージ ファイルまたは matplotlib プロット を実行に記録します。 これらのイメージは、実行レコードに表示され、同等になります。

指定された名前を使用して、メトリック値の一覧を実行に記録します。

log_list(name, value, description='')

パラメーター

成果物ストアに予測をログに記録します。

これにより、真のターゲット値の分布と回帰タスクの予測値の分布を比較するために使用できるメトリック スコアがログに記録されます。

予測はビン分割され、折れ線グラフの誤差範囲に対して標準偏差が計算されます。

log_predictions(name, value, description='')

パラメーター

注釈

有効な JSON 値の例:

   {
       "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]
       }
   }

残差をアーティファクト ストアに記録します。

これにより、回帰タスクの残差のヒストグラムを表示するために必要なデータがログに記録されます。 残差は予測されます - 実際。

カウントの数よりも 1 つ多くのエッジが必要です。 カウントとエッジを使用してヒストグラムを表す例については、numpy ヒストグラムのドキュメントを参照してください。 https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

パラメーター

注釈

有効な JSON 値の例:

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

指定された名前で行メトリックを実行に記録します。

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

パラメーター

注釈

log_rowを使用すると、kwargs で説明されているように、列を含むテーブル メトリックが作成されます。 各名前付きパラメーターは、指定された値を持つ列を生成します。 log_row は、任意のタプルをログに記録するために 1 回呼び出すか、ループ内で複数回呼び出して完全なテーブルを生成することができます。

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

指定された名前でテーブル メトリックを実行に記録します。

log_table(name, value, description='')

パラメーター

運用化のためのモデルを登録します。

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)

パラメーター

戻り値

注釈

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

この実行で変更可能なタグの一覧を削除します。

remove_tags(tags)

パラメーター

戻り値

スナップショットを ZIP ファイルとして復元します。 ZIP へのパスを返します。

restore_snapshot(snapshot_id=None, path=None)

パラメーター

戻り値

実行でタグのセットを追加または変更します。 辞書に渡されないタグは変更されずに残ります。

単純な文字列のタグを追加することもできます。 これらのタグがキーとしてタグ ディクショナリに表示される場合、値は None になります。 詳細については、「 実行のタグ付けと検索」を参照してください。

set_tags(tags)

パラメーター

実行を開始済みとしてマークします。

これは通常、実行が別のアクターによって作成された高度なシナリオで使用されます。

start()

実験を送信し、アクティブな子実行を返します。

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

パラメーター

戻り値

注釈

Submit は、ローカルまたはリモートのハードウェアで試用版を実行するための Azure Machine Learning プラットフォームへの非同期呼び出しです。 構成に応じて、submit によって実行環境が自動的に準備され、コードが実行され、ソース コードと結果が実験の実行履歴にキャプチャされます。

実験を送信するには、まず、実験の実行方法を説明する構成オブジェクトを作成する必要があります。 構成は、必要な試用版の種類によって異なります。

ScriptRunConfigを使用してローカル コンピューターから子実験を送信する方法の例を次に示します。

   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()

実行を構成する方法の詳細については、 submitを参照してください。

文字列キーと省略可能な文字列値を使用して、実行にタグを付きます。

tag(key, value=None)

パラメーター

注釈

実行のタグとプロパティは、どちらも文字列 -> 文字列のディクショナリです。 それらの違いは変更可能性です。タグは設定、更新、削除できますが、プロパティは追加することしかできません。 これにより、プロパティはシステム/ワークフロー関連の動作トリガーにより適切になりますが、タグは一般にユーザー向けであり、実験のコンシューマーにとって意味があります。

   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' }

入力ファイルまたはフォルダーのスナップショットを保存します。

take_snapshot(file_or_folder_path)

パラメーター

戻り値

注釈

スナップショットは、実験の実行に使用される ソース コード を目的としています。 これらは、実行試用版を将来レプリケートできるように、実行と共に格納されます。

ファイルを実行レコードにアップロードします。

upload_file(name, path_or_stream, datastore_name=None)

パラメーター

戻り値

注釈

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

ファイルを実行レコードにアップロードします。

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

パラメーター

注釈

upload_files は個別のファイルに対する upload_file と同じ効果がありますが、 upload_filesを使用する場合、パフォーマンスとリソース使用率の利点があります。

   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')

指定したフォルダーを特定のプレフィックス名にアップロードします。

upload_folder(name, path, datastore_name=None)

パラメーター

注釈

   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')

この実行が完了するまで待ちます。 待機後の状態オブジェクトを返します。

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

パラメーター

戻り値

実行の説明を返します。

実行の説明 (省略可能) は、実行の説明に役立つユーザー指定の文字列です。

戻り値

実行の表示名を返します。

実行のオプションの表示名は、実行の後の識別に役立つユーザー指定の文字列です。

戻り値

実行を含む実験を取得します。

戻り値

実行 ID を取得します。

実行の ID は、含まれている実験全体で一意の識別子です。

戻り値

廃止。 display_nameを使用します。

実行の省略可能な名前は、実行の後の識別に役立つユーザー指定の文字列です。

戻り値

実行番号を取得します。

実験内の実行の順序を表す単調に増加する数。

戻り値

この実行の親実行をサービスからフェッチします。

実行には省略可能な親を含めることができます。その結果、実行のツリー階層が発生する可能性があります。 親の実行にメトリックをログに記録するには、親オブジェクトの log メソッド (たとえば、 run.parent.log()) を使用します。

戻り値

この実行の変更できないプロパティを返します。

戻り値

注釈

プロパティには、期間、実行日、ユーザーなどの不変のシステム生成情報が含まれます。

実行オブジェクトの状態を返します。

この実行で変更可能なタグのセットを返します。

戻り値

実行の種類を取得します。

実行がどのように作成または構成されたかを示します。

戻り値