RunConfiguration 클래스

생성자

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

매개 변수

설명

일반적으로 특정 문제를 해결하기 위해 기계 학습 시스템을 빌드합니다. 예를 들어 쿼리에 해당하는 검색 결과로 제공될 수 있는 웹 페이지의 순위를 지정하는 최상의 모델을 찾는 데 관심이 있을 수 있습니다. 최상의 기계 학습 모델을 검색하려면 다른 알고리즘을 사용해 보거나 다른 매개 변수 설정 등을 고려해야 할 수 있습니다.

Azure Machine Learning SDK에서는 실험의 개념을 사용하여 다른 학습 실행이 해결하려는 문제와 관련이 있다는 개념을 캡처합니다. 그런 Experiment 다음 이러한 학습 실행에 대한 논리적 컨테이너 역할을 하므로 학습 실행에서 진행 상황을 더 쉽게 추적하고 두 학습 실행을 직접 비교하는 등의 작업을 쉽게 할 수 있습니다.

RunConfiguration은 실험에서 학습 실행을 제출하는 데 필요한 실행 환경 설정을 캡슐화합니다. 동일한 기계 학습 문제를 해결하도록 설계된 학습 실행의 공유 구조뿐만 아니라 서로 고유한 학습 실행을 구별하는 구성 매개 변수(예: 학습 속도, 손실 함수 등)의 차이점을 모두 캡처합니다.

일반적인 학습 시나리오에서는 RunConfiguration 개체와 학습을 위한 실행 스크립트를 함께 패키지하는 개체를 만들어 ScriptRunConfig RunConfiguration을 사용합니다.

RunConfiguration의 구성에는 다음이 포함됩니다.

• 제출된 스크립트를 포함하여 실험 원본 디렉터리를 묶습니다.

• 제출된 스크립트에 대한 명령줄 인수 설정

• Python 인터프리터에 대한 경로 구성

• 애플리케이션 종속성을 관리하기 위한 Conda 구성을 가져옵니다. 작업 제출 프로세스는 구성을 사용하여 임시 Conda 환경을 프로비전하고 애플리케이션을 시작할 수 있습니다. 임시 환경은 캐시되고 후속 실행에서 다시 사용됩니다.

• Docker 및 사용자 지정 기본 이미지의 선택적 사용.

• 여러 유형의 Azure 컴퓨팅에 실험을 제출하는 선택 사항입니다.

• 입력을 구체화하고 출력을 업로드하는 방법을 구성하는 선택 사항입니다.

• Spark 및 tensorflow와 같은 공용 런타임에 대한 고급 런타임 설정입니다.

다음 예제에서는 로컬 컴퓨터에서 학습 스크립트를 제출하는 방법을 보여 줍니다.

   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)

다음 예제에서는 스크립트 및 인수 대신 명령 속성을 사용하여 클러스터에서 학습 스크립트를 제출하는 방법을 보여 줍니다.

   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)

다음 샘플에서는 클러스터에서 명령을 실행하는 방법을 보여 줍니다.

   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)

변수

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