Konfigurowanie trenowania automatycznego uczenia maszynowego dla danych tabelarycznych przy użyciu interfejsu wiersza polecenia usługi Azure Machine Learning i zestawu SDK języka Python

DOTYCZY:Rozszerzenie ml interfejsu wiersza polecenia platformy Azure w wersji 2 (bieżąca)Zestaw SDK języka Python azure-ai-ml v2 (bieżąca)

Z tego artykułu dowiesz się, jak skonfigurować zadanie trenowania automatycznego uczenia maszynowego przy użyciu zestawu SDK języka Python usługi Azure Machine Learning w wersji 2. Rozwiązanie AutoML wybiera algorytm i hiperparametry dla Ciebie i generuje model gotowy do wdrożenia. Ten artykuł zawiera szczegółowe informacje o różnych opcjach, których można użyć do konfigurowania eksperymentów zautomatyzowanego uczenia maszynowego.

Jeśli wolisz środowisko bez kodu, możesz również skonfigurować trenowanie automatycznego uczenia maszynowego bez kodu dla danych tabelarycznych za pomocą interfejsu użytkownika studio.

Wymagania wstępne

• Subskrypcja platformy Azure. Jeśli nie masz subskrypcji platformy Azure, przed rozpoczęciem utwórz bezpłatne konto. Wypróbuj bezpłatną lub płatną wersję usługi Azure Machine Learning.
• Obszar roboczy usługi Azure Machine Learning. Jeśli go nie masz, zobacz Tworzenie zasobów, aby rozpocząć pracę.

Skonfiguruj swoje miejsce pracy

Aby nawiązać połączenie z obszarem roboczym, musisz podać subskrypcję, grupę zasobów i obszar roboczy.

from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential
from azure.ai.ml import MLClient

try:
    credential = DefaultAzureCredential()
    credential.get_token("https://management.azure.com/.default")
except Exception:
    credential = InteractiveBrowserCredential()
ml_client = None
try:
    ml_client = MLClient.from_config(credential)
except Exception as ex:
    print(ex)
    # Enter details of your Azure Machine Learning workspace
    subscription_id = "<SUBSCRIPTION_ID>"
    resource_group = "<RESOURCE_GROUP>"
    workspace = "<AZUREML_WORKSPACE_NAME>"
    ml_client = MLClient(credential, subscription_id, resource_group, workspace)

az login

az configure --defaults group=<RESOURCE_GROUP> workspace=<AZUREML_WORKSPACE_NAME> location=<LOCATION>

Określanie źródła danych i formatu

Aby udostępnić dane treningowe w zestawie SDK v2, musisz przesłać je do chmury za pośrednictwem obiektu MLTable.

Wymagania dotyczące ładowania danych do tabeli MLTable:

• Dane muszą być w formie tabelarycznej.
• Wartość, która ma być przewidywana, kolumna docelowa, musi znajdować się w danych.

Dane szkoleniowe muszą być dostępne z poziomu zdalnego przetwarzania. AutoML v2 (zestaw SDK języka Python i CLI/YAML) akceptuje zasoby danych MLTable (v2). Ze względu na zgodność wsteczną obsługuje również zestawy danych tabelarycznych v1 oraz zarejestrowany zestaw danych tabelarycznych przy użyciu tych samych właściwości wejściowego zestawu danych. Zalecamy użycie tabeli MLTable dostępnej w wersji 2. W tym przykładzie dane są przechowywane w ścieżce lokalnej ./train_data/bank_marketing_train_data.csv.

import mltable

paths = [
    {'file': './train_data/bank_marketing_train_data.csv'}
]

train_table = mltable.from_delimited_files(paths)
train_table.save('./train_data')

$schema: https://azuremlschemas.azureedge.net/latest/MLTable.schema.json

paths:
  - file: ./bank_marketing_train_data.csv
transformations:
  - read_delimited:
        delimiter: ','
        encoding: 'ascii'

Teraz folder ./train_data ma plik definicji MLTable oraz plik danych, bank_marketing_train_data.csv.

Aby uzyskać więcej informacji na temat tabeli MLTable, zobacz Praca z tabelami w usłudze Azure Machine Learning.

Trenowanie, walidacja i testowanie danych

Można określić oddzielne dane szkoleniowe i zestawy danych weryfikacji. Musisz podać dane szkoleniowe do parametru training_data w funkcji fabrycznej zadania rozwiązania AutoML.

Jeśli nie określisz jawnie parametru validation_data lub n_cross_validation , rozwiązanie AutoML stosuje techniki domyślne w celu określenia sposobu weryfikacji. Ta determinacja zależy od liczby wierszy w zestawie danych przypisanym do parametru training_data .

Obliczenia w celu uruchomienia eksperymentu

Zadania AutoML z zestawu Python SDK w wersji 2 (lub interfejsu CLI w wersji 2) są obecnie obsługiwane tylko w zdalnym klastrze obliczeniowym lub wystąpieniu obliczeniowym usługi Azure Machine Learning. Aby uzyskać więcej informacji na temat tworzenia zasobów obliczeniowych przy użyciu zestawu PYTHON SDKv2 lub CLIv2, zobacz Trenowanie modeli przy użyciu interfejsu wiersza polecenia, zestawu SDK i interfejsu API REST usługi Azure Machine Learning.

Konfigurowanie ustawień eksperymentu

Do skonfigurowania eksperymentu rozwiązania AutoML można użyć kilku opcji. Te parametry konfiguracji są ustawiane w metodzie zadania. Możesz również skonfigurować ustawienia szkolenia zadania oraz kryteria zakończenia za pomocą ustawień training i limits.

Poniższy przykład przedstawia wymagane parametry zadania klasyfikacji, które określa dokładność jako metrykę podstawową oraz pięciokrotną walidację krzyżową.

from azure.ai.ml.constants import AssetTypes
from azure.ai.ml import automl, Input

# note that this is a code snippet -- you might have to modify the variable values to run it successfully

# make an Input object for the training data
my_training_data_input = Input(
    type=AssetTypes.MLTABLE, path="./data/training-mltable-folder"
)

# configure the classification job
classification_job = automl.classification(
    compute=my_compute_name,
    experiment_name=my_exp_name,
    training_data=my_training_data_input,
    target_column_name="y",
    primary_metric="accuracy",
    n_cross_validations=5,
    enable_model_explainability=True,
    tags={"my_custom_tag": "My custom value"}
)

# Limits are all optional
classification_job.set_limits(
    timeout_minutes=600, 
    trial_timeout_minutes=20, 
    max_trials=5,
    enable_early_termination=True,
)

# Training properties are optional
classification_job.set_training(
    blocked_training_algorithms=["logistic_regression"], 
    enable_onnx_compatible_models=True
)

$schema: https://azuremlsdk2.blob.core.windows.net/preview/0.0.1/autoMLJob.schema.json
type: automl

experiment_name: <my_exp_name>
description: A classification AutoML job
task: classification

training_data:
    path: "./train_data"
    type: mltable

compute: azureml:<my_compute_name>
primary_metric: accuracy  
target_column_name: y
n_cross_validations: 5
enable_model_explainability: True

tags:
    <my_custom_tag>: <My custom value>

limits:
    timeout_minutes: 600 
    trial_timeout_minutes: 20 
    max_trials: 5
    enable_early_termination: True

training:
    blocked_training_algorithms: ["logistic_regression"] 
    enable_onnx_compatible_models: True

Wybierz typ zadania uczenia maszynowego

Przed przesłaniem zadania automatycznego uczenia maszynowego określ rodzaj problemu uczenia maszynowego, który chcesz rozwiązać. Ten typ problemu określa, jakiej funkcji używa Twoje zadanie i jakie algorytmy modelu stosuje.

Rozwiązanie AutoML obsługuje różne typy zadań:

• Zadania oparte na danych tabelarycznych

  • klasyfikacja
  • regresja
  • prognozowanie

• Zadania z zakresu widzenia komputerowego, w tym

  • Klasyfikacja obrazów
  • Wykrywanie obiektów

• Zadania przetwarzania języka naturalnego, w tym

  • Klasyfikacja tekstu
  • Rozpoznawanie jednostek

Aby uzyskać więcej informacji, zobacz typy zadań. Aby uzyskać więcej informacji na temat konfigurowania zadań prognozowania, zobacz Konfigurowanie rozwiązania AutoML w celu trenowania modelu prognozowania szeregów czasowych.

Obsługiwane algorytmy

AutoML testuje różne modele i algorytmy w procesie automatyzacji i dostrajania. Jako użytkownik nie musisz określać algorytmu.

Metoda zadania określa listę algorytmów lub modeli do zastosowania. Aby dalej modyfikować iteracje z użyciem dostępnych modeli, które mają zostać uwzględnione lub wykluczone, użyj parametrów allowed_training_algorithms lub blocked_training_algorithms w konfiguracji training zadania.

W poniższej tabeli zapoznasz się z obsługiwanymi algorytmami na zadanie uczenia maszynowego.

Z innymi algorytmami:

• Algorytmy wieloklasowe klasyfikacji obrazów
• Algorytmy z wieloma etykietami klasyfikacji obrazów
• Algorytmy wykrywania obiektów obrazów
• Algorytmy klasyfikacji tekstu NLP z wieloma etykietami
• Algorytmy NLP do rozpoznawania nazwanych jednostek (NER) w tekście

Przykładowe notatniki dla każdego typu zadania można znaleźć w sekcji automl-standalone-jobs.

Metryka podstawowa

Parametr primary_metric określa metryki do użycia podczas trenowania modelu na potrzeby optymalizacji. Wybrany typ zadania określa metryki, które można wybrać.

Wybór podstawowej metryki dla rozwiązania AutoML do optymalizacji zależy od wielu czynników. Zalecamy, aby główną kwestią było wybranie metryki najlepiej reprezentującej potrzeby biznesowe. Następnie zastanów się, czy metryka jest odpowiednia dla profilu zestawu danych, w tym rozmiar danych, zakres i rozkład klas. W poniższych sekcjach podsumowano zalecane podstawowe metryki na podstawie typu zadania i scenariusza biznesowego.

Aby dowiedzieć się więcej o określonych definicjach tych metryk, zobacz Ocena wyników eksperymentu rozwiązania AutoML.

Metryki dla scenariuszy wieloklasowych klasyfikacji

Te metryki mają zastosowanie do wszystkich scenariuszy klasyfikacji, w tym do danych tabelarycznych, obrazów lub widzenia komputerowego oraz tekstów związanych z przetwarzaniem języka naturalnego (NLP).

Metryki zależne od progu, takie jak accuracy, recall_score_weighted, norm_macro_recalli precision_score_weighted mogą nie być zoptymalizowane również dla zestawów danych, które są małe, mają duże niesymetryczność klas (dysproporcja klas) lub gdy oczekiwana wartość metryki jest bardzo zbliżona do 0,0 lub 1,0. W takich przypadkach AUC_weighted może być lepszym wyborem dla podstawowej metryki. Po zakończeniu automatycznego uczenia maszynowego możesz wybrać zwycięski model na podstawie metryki najlepiej dopasowanej do potrzeb biznesowych.

Metryki dla scenariuszy klasyfikacji wieloetykietowej

W przypadku wielu etykiet klasyfikacji tekstu obecnie "Dokładność" jest jedyną metryką podstawową obsługiwaną.

W przypadku wielkoetykietowej klasyfikacji obrazów obsługiwane podstawowe metryki są zdefiniowane w wyliczeniu ClassificationMultilabelPrimaryMetrics.

Metryki dla scenariuszy rozpoznawania nazwanych encji w przetwarzaniu języka naturalnego

W przypadku zadania NLP polegającego na rozpoznawaniu nazwanych jednostek (NER) obecnie „Trafność” jest jedyną obsługiwaną podstawową metryką.

Metryki dla scenariuszy regresji

r2_score, normalized_mean_absolute_errori normalized_root_mean_squared_error wszystkie próbują zminimalizować błędy przewidywania. r2_score i normalized_root_mean_squared_error jednocześnie minimalizują średnie błędy kwadratowe, jednocześnie normalized_mean_absolute_error minimalizując średnią wartość bezwzględną błędów. Wartość bezwzględna traktuje jednakowo błędy o każdej wielkości, a błędy podniesione do kwadratu nakładają znacznie większą karę na błędy o większych wartościach bezwzględnych. W zależności od tego, czy większe błędy powinny być karane surowiej, czy nie, można wybrać optymalizację błędu kwadratowego lub bezwzględnego.

Główną różnicą między elementami r2_score i normalized_root_mean_squared_error jest sposób ich normalizacji i ich znaczenia. normalized_root_mean_squared_error jest błędem średniokwadratowym znormalizowanym według zakresu i można go interpretować jako średnią wielkość błędu dla przewidywania. r2_score to błąd średniokwadratowy znormalizowany przez oszacowanie wariancji danych. Jest to proporcja odmiany, którą model może przechwycić.

Jeśli ranga, zamiast dokładnej wartości, jest interesująca, spearman_correlation może być lepszym wyborem. Mierzy korelację rangi między rzeczywistymi wartościami i przewidywaniami.

Rozwiązanie AutoML nie obsługuje obecnie żadnych podstawowych metryk, które mierzą względną różnicę między przewidywaniami i obserwacjami. Metryki r2_score, normalized_mean_absolute_errori normalized_root_mean_squared_error są miarami różnicy bezwzględnej. Jeśli na przykład przewidywanie różni się od obserwacji o 10 jednostek, te metryki obliczają tę samą wartość, jeśli obserwacja to 20 jednostek lub 20 000 jednostek. Natomiast różnica procentowa, która jest miarą względną, daje błędy odpowiednio 50% i 0,05%. Aby zoptymalizować pod kątem różnicy względnej, możesz uruchomić AutoML z użyciem obsługiwanej metryki podstawowej, a następnie wybrać model z najlepszym wynikiem mean_absolute_percentage_error lub root_mean_squared_log_error. Te metryki są niezdefiniowane, gdy wszystkie wartości obserwacji są zerowe, więc mogą nie zawsze być dobrymi wyborami.

Metryki scenariuszy prognozowania szeregów czasowych

Zalecenia są podobne do zaleceń dotyczących scenariuszy regresji.

Metryki scenariuszy wykrywania obiektów obrazów

W przypadku wykrywania obiektów obrazu obsługiwane są podstawowe metryki zdefiniowane w wyliczeniem ObjectDetectionPrimaryMetrics .

Metryki dla scenariuszy segmentacji instancji obrazu

W przypadku scenariuszy segmentacji wystąpień obrazu obsługiwane są podstawowe metryki zdefiniowane w wyliczeniem InstanceSegmentationPrimaryMetrics .

Tworzenie cech danych

W każdym eksperymencie rozwiązania AutoML dane są automatycznie przekształcane na liczby i wektory liczb. Dane są również skalowane i znormalizowane w celu ułatwienia algorytmom, które są wrażliwe na funkcje w różnych skalach. Te przekształcenia danych nazywa się featuryzacją.

Podczas konfigurowania zadań AutoML można włączyć lub wyłączyć ustawienia featurization.

W poniższej tabeli przedstawiono zaakceptowane ustawienia cechowania.

Poniższy kod pokazuje, jak w tym przypadku zastosować niestandardowe tworzenie cech w zadaniu regresji.

from azure.ai.ml.automl import ColumnTransformer

transformer_params = {
    "imputer": [
        ColumnTransformer(fields=["CACH"], parameters={"strategy": "most_frequent"}),
        ColumnTransformer(fields=["PRP"], parameters={"strategy": "most_frequent"}),
    ],
}
regression_job.set_featurization(
    mode="custom",
    transformer_params=transformer_params,
    blocked_transformers=["LabelEncoding"],
    column_name_and_types={"CHMIN": "Categorical"},
)

$schema: https://azuremlsdk2.blob.core.windows.net/preview/0.0.1/autoMLJob.schema.json
type: automl

experiment_name: <my_exp_name>
description: A classification AutoML job
task: classification

training_data:
    path: "./train_data"
    type: mltable

compute: azureml:<my_compute_name>
primary_metric: accuracy  
target_column_name: y
n_cross_validations: 5
enable_model_explainability: True

featurization:
    mode: custom
    column_name_and_types:
        CHMIN: Categorical
    blocked_transformers: ["label_encoder"]
    transformer_params:
        imputer:
            - fields: ["CACH", "PRP"]
            parameters:
                strategy: most_frequent

limits:
    # limit settings

training:
    # training settings

Kryteria wyjścia

Możesz zdefiniować kilka opcji w set_limits() funkcji, aby zakończyć eksperyment przed ukończeniem zadania.

Uruchom eksperyment

Prześlij eksperyment, aby uruchomić i wygenerować model.

Po utworzeniu MLClient w wymaganiach wstępnych możesz uruchomić następujące polecenie w obszarze roboczym.

# Submit the AutoML job
returned_job = ml_client.jobs.create_or_update(
    classification_job
)  # submit the job to the backend

print(f"Created job: {returned_job}")

# Get a URL for the status of the job
returned_job.services["Studio"].endpoint

run_id=$(az ml job create --file automl-classification-job.yml -w <Workspace> -g <Resource Group> --subscription <Subscription>)

az ml job show -n $run_id --web

Wiele podrzędnych uruchomień w klastrach

Możesz uruchomić podrzędne uruchomienia eksperymentu AutoML na klastrze, na którym jest już uruchomiony inny eksperyment. Czas zależy od liczby węzłów, które ma klaster i czy te węzły są dostępne do uruchomienia innego eksperymentu.

Każdy węzeł w klastrze funkcjonuje jako oddzielna maszyna wirtualna (VM), która może zrealizować pojedyncze uruchomienie treningu. W przypadku rozwiązania AutoML oznacza to uruchomienie podrzędne. Jeśli wszystkie węzły są zajęte, AutoML umieszcza nowy eksperyment w kolejce. Jeśli są dostępne wolne węzły, nowy eksperyment uruchamia uruchomienia podrzędne równolegle na dostępnych węzłach lub maszynach wirtualnych.

Aby ułatwić zarządzanie przebiegami podrzędnymi oraz tym, kiedy mogą być uruchamiane, zalecamy utworzenie dedykowanego klastra dla każdego eksperymentu i dopasowanie liczby max_concurrent_iterations w eksperymencie do liczby węzłów w klastrze. W ten sposób korzystasz jednocześnie ze wszystkich węzłów klastra przy takiej liczbie współbieżnych uruchomień podrzędnych i iteracji, jaką chcesz.

Skonfiguruj max_concurrent_iterations w konfiguracji limits. Jeśli parametr nie jest skonfigurowany, domyślnie w ramach eksperymentu dozwolone jest tylko jedno współbieżne podrzędne uruchomienie/iteracja. W przypadku instancji obliczeniowej można ustawić wartość max_concurrent_trials na taką samą jak liczba rdzeni w maszynie wirtualnej tej instancji obliczeniowej.

Eksplorowanie modeli i metryk

Rozwiązanie AutoML oferuje opcje monitorowania i oceniania wyników trenowania.

• Aby zapoznać się z definicjami i przykładami wykresów wydajności i metryk dostępnych dla każdego przebiegu, zobacz Ocena wyników eksperymentu rozwiązania AutoML.

W interfejsie użytkownika Azure Machine Learning na stronie modelu można wyświetlić podsumowanie cechowania i zrozumieć, jakie funkcje zostały dodane do określonego modelu. Możesz również wyświetlić hiperparametry używane podczas trenowania określonego modelu i wyświetlania i dostosowywania używanego kodu trenowania modelu wewnętrznego.

Rejestrowanie i wdrażanie modeli

Po przetestowaniu modelu i potwierdzeniu, że chcesz go używać w środowisku produkcyjnym, możesz zarejestrować go do późniejszego użycia.

Użyj AutoML w potokach

Aby użyć rozwiązania AutoML w przepływach pracy operacji uczenia maszynowego, możesz dodać kroki zadania automatycznego uczenia maszynowego do potoków usługi Azure Machine Learning. Takie podejście pozwala zautomatyzować cały przepływ pracy, podłączając skrypty przygotowywania danych do rozwiązania AutoML. Następnie zarejestruj i zweryfikuj wynikowy najlepszy model.

Ten kod jest przykładowym potokiem ze składnikiem klasyfikacji automatycznego uczenia maszynowego i składnikiem polecenia, który wyświetla wynikowe dane wyjściowe. Kod odwołuje się do danych wejściowych (danych szkoleniowych i walidacji) oraz danych wyjściowych (najlepszy model) w różnych krokach.

# Define pipeline
@pipeline(
    description="AutoML Classification Pipeline",
    )
def automl_classification(
    classification_train_data,
    classification_validation_data
):
    # define the automl classification task with automl function
    classification_node = classification(
        training_data=classification_train_data,
        validation_data=classification_validation_data,
        target_column_name="y",
        primary_metric="accuracy",
        # currently need to specify outputs "mlflow_model" explictly to reference it in following nodes 
        outputs={"best_model": Output(type="mlflow_model")},
    )
    # set limits and training
    classification_node.set_limits(max_trials=1)
    classification_node.set_training(
        enable_stack_ensemble=False,
        enable_vote_ensemble=False
    )

    command_func = command(
        inputs=dict(
            automl_output=Input(type="mlflow_model")
        ),
        command="ls ${{inputs.automl_output}}",
        environment="azureml://registries/azureml/environments/sklearn-1.5/labels/latest"
    )
    show_output = command_func(automl_output=classification_node.outputs.best_model)


pipeline_job = automl_classification(
    classification_train_data=Input(path="./training-mltable-folder/", type="mltable"),
    classification_validation_data=Input(path="./validation-mltable-folder/", type="mltable"),
)

# set pipeline level compute
pipeline_job.settings.default_compute = compute_name

# submit the pipeline job
returned_pipeline_job = ml_client.jobs.create_or_update(
    pipeline_job,
    experiment_name=experiment_name
)
returned_pipeline_job

# ...
# Note that this is a snippet from the bankmarketing example you can find in our examples repo -> https://github.com/Azure/azureml-examples/tree/main/sdk/python/jobs/pipelines/1h_automl_in_pipeline/automl-classification-bankmarketing-in-pipeline

$schema: https://azuremlschemas.azureedge.net/latest/pipelineJob.schema.json
type: pipeline

description: AutoML Classification Pipeline
experiment_name: <exp_name>

# set the default compute for the pipeline steps
settings:
    default_compute: azureml:<my_compute>

# pipeline inputs
inputs:
    classification_train_data:
        type: mltable
        path: "./train_data"
    classification_validation_data:
        type: mltable
        path: "./valid_data"

jobs:
    # Configure the automl training node of the pipeline 
    classification_node:
        type: automl
        task: classification
        primary_metric: accuracy
        target_column_name: y
        training_data: ${{parent.inputs.classification_train_data}}
        validation_data: ${{parent.inputs.classification_validation_data}}
        training:
            max_trials: 1
        limits:
            enable_stack_ensemble: False
            enable_vote_ensemble: False
        outputs:
            best_model:
                type: mlflow_model

    show_output:
        type: command
        inputs:
            automl_output: ${{parent.jobs.classification_node.outputs.best_model}}
        environment: "azureml://registries/azureml/environments/sklearn-1.5/labels/latest"
        command: >-
            ls ${{inputs.automl_output}}
        

> run_id=$(az ml job create --file automl-classification-pipeline.yml -w <Workspace> -g <Resource Group> --subscription <Subscription>)
> az ml job show -n $run_id --web

Używanie rozwiązania AutoML na dużą skalę: trenowanie rozproszone

W przypadku scenariuszy dużych danych rozwiązanie AutoML obsługuje trenowanie rozproszone dla ograniczonego zestawu modeli:

Algorytmy trenowania rozproszonego automatycznie partycjonują i dystrybuują dane między wieloma węzłami obliczeniowymi na potrzeby trenowania modelu.

Trenowanie rozproszone na potrzeby klasyfikacji i regresji

Aby użyć trenowania rozproszonego do klasyfikacji lub regresji, ustaw właściwości training_mode i max_nodes obiektu zadania.

Poniższy przykładowy kod przedstawia przykład tych ustawień zadania klasyfikacji:

from azure.ai.ml.constants import TabularTrainingMode

# Set the training mode to distributed
classification_job.set_training(
    allowed_training_algorithms=["LightGBM"],
    training_mode=TabularTrainingMode.DISTRIBUTED
)

# Distribute training across 4 nodes for each trial
classification_job.set_limits(
    max_nodes=4,
    # other limit settings
)

# Set the training mode to distributed
training:
    allowed_training_algorithms: ["LightGBM"]
    training_mode: distributed

# Distribute training across 4 nodes for each trial
limits:
    max_nodes: 4

Trenowanie rozproszone na potrzeby prognozowania

Aby dowiedzieć się, jak działa trenowanie rozproszone na potrzeby zadań prognozowania, zobacz prognozowanie na dużą skalę. Aby używać trenowania rozproszonego na potrzeby prognozowania, należy ustawić właściwości training_mode, enable_dnn_training, max_nodes oraz opcjonalnie max_concurrent_trials obiektu zadania.

Poniższy przykładowy kod przedstawia przykład tych ustawień zadania prognozowania:

from azure.ai.ml.constants import TabularTrainingMode

# Set the training mode to distributed
forecasting_job.set_training(
    enable_dnn_training=True,
    allowed_training_algorithms=["TCNForecaster"],
    training_mode=TabularTrainingMode.DISTRIBUTED
)

# Distribute training across 4 nodes
# Train 2 trial models in parallel => 2 nodes per trial
forecasting_job.set_limits(
    max_concurrent_trials=2,
    max_nodes=4,
    # other limit settings
)

# Set the training mode to distributed
training:
    allowed_training_algorithms: ["TCNForecaster"]
    training_mode: distributed

# Distribute training across 4 nodes
# Train 2 trial models in parallel => 2 nodes per trial
limits:
    max_concurrent_trials: 2
    max_nodes: 4

Przykłady pełnego kodu konfiguracji można znaleźć w poprzednich sekcjach dotyczących konfiguracji i przesyłania zadań.

Powiązana zawartość

• Dowiedz się więcej o tym, jak i gdzie wdrożyć model.
• Dowiedz się więcej o sposobie konfigurowania rozwiązania AutoML do trenowania modelu prognozowania szeregów czasowych.