RunConfiguration 类

构造函数

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

参数

注解

我们通常构建机器学习系统来解决特定问题。 例如，我们可能有兴趣查找对可能用作查询的搜索结果进行排名的最佳模型。 搜索最佳机器学习模型可能需要我们尝试不同的算法，或者考虑不同的参数设置等。

在 Azure 机器学习 SDK 中，我们使用试验的概念来捕获不同的训练运行与尝试解决的问题相关的概念。 然后，它 Experiment 充当这些训练运行的逻辑容器，以便更轻松地跟踪训练运行中的进度、直接比较两个训练运行等。

RunConfiguration 封装在试验中提交训练运行所需的执行环境设置。 它捕获旨在解决同一机器学习问题的训练运行的共享结构，以及配置参数（例如学习速率、损失函数等）的差异，这些参数区分不同的训练运行。

在典型的训练方案中，RunConfiguration 用于创建一个 ScriptRunConfig 将 RunConfiguration 对象和执行脚本打包在一起用于训练的对象。

RunConfiguration 的配置包括：

• 捆绑试验源目录，包括提交的脚本。

• 设置提交的脚本的命令行参数。

• 配置 Python 解释器的路径。

• 获取用于管理应用程序依赖项的 Conda 配置。 作业提交过程可以使用配置来预配临时 Conda 环境并在其中启动应用程序。 临时环境在后续运行中缓存并重复使用。

• Docker 和自定义基础映像的可选用法。

• 可选选择将试验提交到多种类型的 Azure 计算。

• 可选选项，用于配置如何具体化输入和输出和上传输出。

• 常见运行时（如 spark 和 tensorflow）的高级运行时设置。

以下示例演示如何在本地计算机上提交训练脚本。

   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)

以下示例演示如何使用命令属性而不是脚本和参数在群集上提交训练脚本。

   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)

以下示例演示如何在群集上运行命令。

   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)

变量

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