RunConfiguration クラス

コンストラクター

RunConfiguration(script=None, arguments=None, framework=None, communicator=None, conda_dependencies=None, _history_enabled=None, _path=None, _name=None, command=None)

パラメーター

注釈

通常、特定の問題を解決するために機械学習システムを構築します。 たとえば、クエリに対応する検索結果として提供される可能性のある Web ページをランク付けする最適なモデルを見つけることに関心がある場合があります。 最適な機械学習モデルを検索するには、さまざまなアルゴリズムを試すか、異なるパラメーター設定などを検討する必要があります。

Azure Machine Learning SDK では、実験の概念を使用して、さまざまなトレーニング実行が解決しようとしている問題によって関連するという概念を把握します。 その後、 Experiment はこれらのトレーニング実行の論理コンテナーとして機能し、トレーニング実行全体の進行状況の追跡、2 つのトレーニング実行の直接比較などを簡単に行うことができます。

RunConfiguration は、実験でトレーニング実行を送信するために必要な実行環境設定をカプセル化します。 同じ機械学習の問題を解決するように設計されたトレーニング実行の共有構造と、個別のトレーニング実行を互いに区別する構成パラメーター (学習率、損失関数など) の違いの両方をキャプチャします。

一般的なトレーニング シナリオでは、RunConfiguration オブジェクトとトレーニング用の実行スクリプトをパッケージ化する ScriptRunConfig オブジェクトを作成することによって、RunConfiguration が使用されます。

RunConfiguration の構成には、次のものが含まれます。

• 送信されたスクリプトを含む実験ソース ディレクトリのバンドル。

• 送信されたスクリプトのコマンド ライン引数を設定します。

• Python インタープリターのパスの構成。

• アプリケーションの依存関係を管理するための Conda 構成を取得します。 ジョブ送信プロセスでは、構成を使用して一時 Conda 環境をプロビジョニングし、その中でアプリケーションを起動できます。 一時環境はキャッシュされ、後続の実行で再利用されます。

• Docker とカスタム 基本イメージの省略可能な使用方法。

• 複数の種類の Azure コンピューティングに実験を送信するオプションの選択肢。

• 入力を具体化し、出力をアップロードする方法を構成するオプションの選択肢。

• Spark や tensorflow などの一般的なランタイムの高度なランタイム設定。

次の例は、ローカル コンピューターにトレーニング スクリプトを送信する方法を示しています。

   from azureml.core import ScriptRunConfig, RunConfiguration, Experiment

   # create or load an experiment
   experiment = Experiment(workspace, "MyExperiment")
   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = experiment.submit(config)

次の例は、スクリプトと引数の代わりにコマンド プロパティを使用して、クラスターにトレーニング スクリプトを送信する方法を示しています。

   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['python', 'train.py', '--arg1', arg1_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

次の例は、クラスターでコマンドを実行する方法を示しています。

   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['ls', '-l'],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

変数

delete

static delete(path, name)

load

static load(path, name=None)

save

save(path=None, name=None, separate_environment_yaml=False)

auto_prepare_environment

environment_variables

target