TensorFlow 类

包含试验配置文件的本地目录。

将进行训练的计算目标。 这可以是对象，也可以是字符串“local”。

将针对训练创建的计算目标的 VM 大小。 支持的值：任何 Azure VM 大小。

将为训练创建的计算目标的 VM 优先级。 如果未指定，则使用“专用”。

支持的值：“dedicated”和“lowpriority”。

这仅在输入中指定的时间 vm_size param 生效。

包含训练脚本的文件的相对路径。

要传递给 中指定的 entry_script训练脚本的命令行参数的字典。

用于训练的计算目标中的节点数。 AmlCompute分布式训练仅支持目标（node_count>1）。

使用 MPI 时，每个节点的进程数。

使用参数服务器进行分布式训练时，工作器节点数。

荒废的。 指定为参数的 distributed_training 一部分。

使用参数服务器进行分布式训练时，参数服务器节点数。

用于分布式训练的通信后端。

荒废的。 使用 distributed_training 参数。

支持的值：“mpi”和“ps”。 “mpi”表示 MPI/Horovod，“ps”表示参数服务器。

当任一或 node_countprocess_count_per_nodeworker_countparameter_server_count> 1 或 1 时，此参数是必需的。 对于“ps”，其worker_count和parameter_server_count应小于或等于 node_count * （每个节点的 CPU 数或 GPU 数）

当 == 1 和 node_count == 1 时process_count_per_node，除非显式设置了后端，否则不会使用后端。 AmlCompute分布式训练仅支持目标。

用于运行分布式训练作业的参数。

若要使用参数服务器后端运行分布式作业，请使用ParameterServer对象进行指定和worker_count指定parameter_server_count。 和worker_count参数的总parameter_server_count和应小于或等于 node_count * （每个节点的 CPU 数或 GPU 数）。

若要使用 MPI 后端运行分布式作业，请使用 Mpi 对象来指定 process_count_per_node。

指定运行试验的环境是否应支持 GPU。 如果为 true，则会在环境中使用基于 GPU 的默认 docker 映像。 如果为 false，将使用基于 CPU 的映像。 仅当未设置参数时 custom_docker_image ，才会使用默认 docker 映像（CPU 或 GPU）。 此设置仅在启用了 Docker 的计算目标中使用。

指定运行试验的环境是否应基于 Docker。

将从中生成要用于训练的映像的 Docker 映像的名称。

荒废的。 使用 custom_docker_image 参数。

如果未设置，则默认基于 CPU 的映像将用作基础映像。

将从中生成要用于训练的映像的 Docker 映像的名称。 如果未设置，则默认基于 CPU 的映像将用作基础映像。

Docker 映像注册表的详细信息。

指定 Azure ML 是否重复使用现有的 Python 环境。 如果为 false，Azure ML 将基于 conda 依赖项规范创建 Python 环境。

表示要添加到试验的 Python 环境的 conda 包的字符串列表。

表示要添加到试验的 Python 环境的 pip 包的字符串列表。

一个字符串，表示 conda 依赖项 yaml 文件的相对路径。 如果指定，Azure ML 将不会安装任何与框架相关的包。 荒废的。 使用 conda_dependencies_file 参数。

一个字符串，表示 pip 要求文本文件的相对路径。 这可以与 pip_packages 参数结合使用。 荒废的。 使用 pip_requirements_file 参数。

一个字符串，表示 conda 依赖项 yaml 文件的相对路径。 如果指定，Azure ML 将不会安装任何与框架相关的包。

一个字符串，表示 pip 要求文本文件的相对路径。 这可以与 pip_packages 参数结合使用。

环境变量名称和值的字典。 这些环境变量是在执行用户脚本的进程上设置的。

试验的环境定义。 它包括 PythonSection、DockerSection 和环境变量。 可以使用此参数设置未通过其他参数直接公开给估算器构造的任何环境选项。 如果指定此参数，它将优先于其他与环境相关的参数，例如use_gpu，custom_docker_image或conda_packagespip_packages。 这些无效组合将报告错误。

要用作输入的对象DataReferenceDatasetConsumptionConfig列表。

项目共享的后盾数据存储。

Docker 容器的共享内存块的大小。 如果未设置，则使用默认azureml.core.environment._DEFAULT_SHM_SIZE。 有关详细信息，请查看 Docker 运行参考。

包含从中恢复试验的检查点或模型文件的数据路径。

运行允许的最大时间。 如果运行时间超过此值，Azure ML 将尝试自动取消运行。

用于执行训练代码的 TensorFlow 版本。 如果未提供版本，估算器将默认为 Azure ML 支持的最新版本。 用于 TensorFlow.get_supported_versions() 返回列表以获取当前 Azure ML SDK 支持的所有版本的列表。

包含试验配置文件的本地目录。

将进行训练的计算目标。 这可以是对象，也可以是字符串“local”。

将针对训练创建的计算目标的 VM 大小。 支持的值：任何 Azure VM 大小。

将为训练创建的计算目标的 VM 优先级。 如果未指定，则使用“专用”。

支持的值：“dedicated”和“lowpriority”。

这仅在输入中指定的时间 vm_size param 生效。

包含训练脚本的文件的相对路径。

要传递给指定 entry_scripttne 训练脚本的命令行参数字典。

用于训练的计算目标中的节点数。 AmlCompute分布式训练仅支持目标（node_count>1）。

使用 MPI 时，每个节点的进程数。

使用参数服务器时，工作器节点数。

荒废的。 指定为参数的 distributed_training 一部分。

使用参数服务器时，参数服务器节点数。

用于分布式训练的通信后端。

荒废的。 使用 distributed_training 参数。

支持的值：“mpi”和“ps”。 “mpi”表示 MPI/Horovod，“ps”表示参数服务器。

当任一或 node_countprocess_count_per_nodeworker_countparameter_server_count> 1 或 1 时，此参数是必需的。 对于“ps”，其worker_count和parameter_server_count应小于或等于 node_count * （每个节点的 CPU 数或 GPU 数）

当 == 1 和 node_count == 1 时process_count_per_node，除非显式设置了后端，否则不会使用后端。 AmlCompute分布式训练仅支持目标。 分布式训练支持。

用于运行分布式训练作业的参数。

若要使用参数服务器后端运行分布式作业，请使用ParameterServer对象进行指定和worker_count指定parameter_server_count。 和worker_count参数的总parameter_server_count和应小于或等于 node_count * （每个节点的 CPU 数或 GPU 数）。

若要使用 MPI 后端运行分布式作业，请使用 Mpi 对象来指定 process_count_per_node。

指定运行试验的环境是否应支持 GPU。 如果为 true，则会在环境中使用基于 GPU 的默认 Docker 映像。 如果为 false，将使用基于 CPU 的映像。 仅当未设置参数时 custom_docker_image ，才会使用默认 docker 映像（CPU 或 GPU）。 此设置仅在启用了 Docker 的计算目标中使用。

指定运行试验的环境是否应基于 Docker。

将从中生成要用于训练的映像的 Docker 映像的名称。

荒废的。 使用 custom_docker_image 参数。

如果未设置，则默认基于 CPU 的映像将用作基础映像。

将从中生成要用于训练的映像的 Docker 映像的名称。 如果未设置，则默认基于 CPU 的映像将用作基础映像。

Docker 映像注册表的详细信息。

指定 Azure ML 是否重复使用现有的 Python 环境。 如果为 false，Azure ML 将基于 conda 依赖项规范创建 Python 环境。

表示要添加到试验的 Python 环境的 conda 包的字符串列表。

表示要添加到试验的 Python 环境的 pip 包的字符串列表。

conda 依赖项 yaml 文件的相对路径。 如果指定，Azure ML 将不会安装任何与框架相关的包。 荒废的。 使用 conda_dependencies_file 参数。

pip 要求文本文件的相对路径。 这可以与 pip_packages 参数结合使用。 荒废的。 使用 pip_requirements_file 参数。

环境变量名称和值的字典。 这些环境变量是在执行用户脚本的进程上设置的。

一个字符串，表示 conda 依赖项 yaml 文件的相对路径。 如果指定，Azure ML 将不会安装任何与框架相关的包。

pip 要求文本文件的相对路径。 这可以与 pip_packages 参数结合使用。

环境变量名称和值的字典。 这些环境变量是在执行用户脚本的进程上设置的。

试验的环境定义。 它包括 PythonSection、DockerSection 和环境变量。 可以使用此参数设置未通过其他参数直接公开给估算器构造的任何环境选项。 如果指定此参数，它将优先于其他与环境相关的参数，例如use_gpu，custom_docker_image或conda_packagespip_packages。 这些无效组合将报告错误。

azureml.data.data_reference的列表。要用作输入的 DataReference 对象。

项目共享的后盾数据存储。

Docker 容器的共享内存块的大小。 如果未设置，则默认为azureml.core.environment._DEFAULT_SHM_SIZE。 有关详细信息，请参阅

用于执行训练代码的 TensorFlow 版本。 如果未提供版本，估算器将默认为 Azure ML 支持的最新版本。 使用 TensorFlow.get_supported_versions（） 返回一个列表，以获取当前 Azure ML SDK 支持的所有版本的列表。

使用预生成的框架映像启用增量环境生成，以加快环境准备速度。 预建框架映像基于预安装的框架依赖项的 Azure ML 默认 CPU/GPU 基础映像构建。

在运行提交之前禁用脚本验证。 默认值为 True。

显示脚本 linting 警告。 默认值为 False。

显示包验证警告。 默认值为 False。