Run Класс

Добавьте в выполнение неизменяемые свойства.

Теги и свойства (оба дикта[str, str]) отличаются в их мутируемости. Свойства являются неизменяемыми, поэтому они создают постоянную запись для целей аудита. Теги являются изменяемыми. Дополнительные сведения о работе с тегами и свойствами см. в разделе "Теги" и "Поиск запусков".

add_properties(properties)

Параметры

Перехватчик расширяемости для пользовательских типов запуска, хранящихся в журнале выполнения.

static add_type_provider(runtype, run_factory)

Параметры

Пометьте запуск как отмененный.

Если есть связанное задание с полем набора cancel_uri, завершите это задание.

cancel()

Создайте дочерний запуск.

child_run(name=None, run_id=None, outputs=None)

Параметры

Возвращаемое значение

Комментарии

Используется для изоляции части подраздела. Это можно сделать для идентифицируемых "частей" запуска, которые интересны для разделения, или для записи независимых метрик во время взаимодействия подпроцесса.

Если для дочернего запуска задан выходной каталог, содержимое этого каталога будет отправлено в дочернюю запись выполнения при завершении дочернего файла.

Удалите файлы, соответствующие текущему запуску в целевом объекте, указанном в конфигурации запуска.

clean()

Возвращаемое значение

Дождитесь обработки очереди задач.

Затем выполнение помечается как завершенное. Обычно это используется в сценариях интерактивной записной книжки.

complete(_set_status=True)

Параметры

Создайте один или несколько дочерних запусков.

create_children(count=None, tag_key=None, tag_values=None)

Параметры

Возвращаемое значение

Комментарии

Необходимо указать параметр ИЛИ параметры counttag_key AND tag_values .

Скачайте связанный файл из хранилища.

download_file(name, output_file_path=None, _validate_checksum=False)

Параметры

Скачайте файлы из заданного префикса хранилища (имя папки) или весь контейнер, если префикс не указан.

download_files(prefix=None, output_directory=None, output_paths=None, batch_size=100, append_prefix=True, timeout_seconds=None)

Параметры

Помечайте выполнение как неудачное.

При необходимости задайте свойство Error запуска с сообщением или исключением, переданным error_detailsв .

fail(error_details=None, error_code=None, _set_status=True)

Параметры

Дождитесь обработки очереди задач.

flush(timeout_seconds=300)

Параметры

Получите запуск для этой рабочей области с его идентификатором выполнения.

static get(workspace, run_id)

Параметры

Возвращаемое значение

Скачайте все журналы для запуска в каталог.

get_all_logs(destination=None)

Параметры

Возвращаемое значение

Получение всех дочерних элементов для текущего запуска, выбранного указанными фильтрами.

get_children(recursive=False, tags=None, properties=None, type=None, status=None, _rehydrate_runs=True)

Параметры

Возвращаемое значение

Возвращает текущий контекст службы.

Используйте этот метод для получения текущего контекста службы для метрики ведения журнала и отправки файлов. Если allow_offline задано значение True (по умолчанию), действия с объектом Run будут напечатаны в стандартном режиме.

get_context(allow_offline=True, used_for_context_manager=False, **kwargs)

Параметры

Возвращаемое значение

Комментарии

Эта функция обычно используется для получения объекта run, прошедшего проверку подлинности, внутри скрипта, который будет отправлен для выполнения с помощью experiment.submit(). Этот объект запуска — это контекст, прошедший проверку подлинности для взаимодействия со службами машинного обучения Azure, и концептуальным контейнером, в котором содержатся метрики, файлы (артефакты) и модели.

   run = Run.get_context() # allow_offline=True by default, so can be run locally as well
   ...
   run.log("Accuracy", 0.98)
   run.log_row("Performance", epoch=e, error=err)

Получите последнее состояние выполнения. Если состояние запуска имеет значение Queued, отобразится сведения.

get_detailed_status()

Возвращаемое значение

Комментарии

• состояние: текущее состояние выполнения. То же значение, что и возвращаемое из get_status().

• сведения: подробные сведения о текущем состоянии.

   run = experiment.submit(config)
   details = run.get_detailed_status()
   # details = {
   #     'status': 'Queued',
   #     'details': 'Run requested 1 node(s). Run is in pending status.',
   # }

Получите определение, сведения о состоянии, текущие файлы журнала и другие сведения о выполнении.

get_details()

Возвращаемое значение

Комментарии

Возвращенный словарь содержит следующие пары "ключ-значение".

• runId: идентификатор этого запуска.

• целевой объект

• состояние: текущее состояние выполнения. То же значение, что и возвращаемое из get_status().

• startTimeUtc: время UTC при запуске этого запуска в ISO8601.

• endTimeUtc: время UTC завершения выполнения (завершено или не выполнено) в ISO8601.

  Этот ключ не существует, если выполнение по-прежнему выполняется.

• свойства: неизменяемые пары "ключ-значение", связанные с выполнением. Свойства по умолчанию включают идентификатор моментального снимка запуска и сведения о репозитории Git, из которого был создан запуск (при наличии). Дополнительные свойства можно добавить в выполнение с помощью add_properties.

• inputDatasets: входные наборы данных, связанные с выполнением.

• outputDatasets: выходные наборы данных, связанные с выполнением.

• logFiles

• submittedBy

   run = experiment.start_logging()

   details = run.get_details()
   # details = {
   #     'runId': '5c24aa28-6e4a-4572-96a0-fb522d26fe2d',
   #     'target': 'sdk',
   #     'status': 'Running',
   #     'startTimeUtc': '2019-01-01T13:08:01.713777Z',
   #     'endTimeUtc': '2019-01-01T17:15:65.986253Z',
   #     'properties': {
   #         'azureml.git.repository_uri': 'https://example.com/my/git/repo',
   #         'azureml.git.branch': 'master',
   #         'azureml.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'azureml.git.dirty': 'True',
   #         'mlflow.source.git.repoURL': 'https://example.com/my/git/repo',
   #         'mlflow.source.git.branch': 'master',
   #         'mlflow.source.git.commit': '7dc972657c2168927a02c3bc2b161e0f370365d7',
   #         'ContentSnapshotId': 'b4689489-ce2f-4db5-b6d7-6ad11e77079c'
   #     },
   #     'inputDatasets': [{
   #         'dataset': {'id': 'cdebf245-701d-4a68-8055-41f9cf44f298'},
   #         'consumptionDetails': {
   #             'type': 'RunInput',
   #             'inputName': 'training-data',
   #             'mechanism': 'Mount',
   #             'pathOnCompute': '/mnt/datasets/train'
   #         }
   #     }],
   #     'outputDatasets': [{
   #         'dataset': {'id': 'd04e8a19-1caa-4b1f-b318-4cbff9af9615'},
   #         'outputType': 'RunOutput',
   #         'outputDetails': {
   #             'outputName': 'training-result'
   #         }
   #     }],
   #     'runDefinition': {},
   #     'logFiles': {},
   #     'submittedBy': 'Alan Turing'
   # }

Возвращает состояние выполнения, включая содержимое файла журнала.

get_details_with_logs()

Возвращаемое значение

Получите определение среды, используемое этим запуском.

get_environment()

Возвращаемое значение

Вывод списка файлов, хранящихся в связи с выполнением.

get_file_names()

Возвращаемое значение

Получите метрики, зарегистрированные в выполнение.

Значение recursive True (False по умолчанию), а затем извлекает метрики для выполнения в поддереве выполнения.

get_metrics(name=None, recursive=False, run_type=None, populate=False)

Параметры

Возвращаемое значение

Комментарии

   run = experiment.start_logging() # run id: 123
   run.log("A", 1)
   with run.child_run() as child: # run id: 456
       child.log("A", 2)

   metrics = run.get_metrics()
   # metrics = { 'A': 1 }

   metrics = run.get_metrics(recursive=True)
   # metrics = { '123': { 'A': 1 }, '456': { 'A': 2 } } note key is runId

Получение последних свойств запуска из службы.

get_properties()

Возвращаемое значение

Комментарии

Свойства являются неизменяемыми системными сведениями, такими как длительность, дата выполнения, пользователь и настраиваемые свойства, добавленные с add_properties помощью метода. Дополнительные сведения см. в разделе "Тег" и "Поиск запусков".

При отправке задания в Машинное обучение Azure, если исходные файлы хранятся в локальном репозитории Git, сведения о репозитории хранятся в виде свойств. Эти свойства Git добавляются при создании запуска или вызове Experiment.submit. Дополнительные сведения о свойствах Git см. в интеграции Git для Машинного обучения Azure.

Получите значение секрета из контекста выполнения.

Получите значение секрета для указанного имени. Имя секрета ссылается на значение, хранящееся в Azure Key Vault, связанное с рабочей областью. Пример работы с секретами см. в статье "Использование секретов в учебных запусках".

get_secret(name)

Параметры

Возвращаемое значение

Получение значений секрета для заданного списка имен секретов.

Получите словарь найденных и не найденных секретов для списка указанных имен. Каждое имя секрета ссылается на значение, хранящееся в Azure Key Vault, связанное с рабочей областью. Пример работы с секретами см. в статье "Использование секретов в учебных запусках".

get_secrets(secrets)

Параметры

Возвращаемое значение

Получите последний идентификатор моментального снимка.

get_snapshot_id()

Возвращаемое значение

Получите последнее состояние выполнения.

К общим значениям, возвращаемым, относятся "Выполнение", "Завершено" и "Сбой".

get_status()

Возвращаемое значение

Комментарии

• NotStarted — это временные объекты запуска на стороне клиента состояния перед отправкой облака.

• Запуск начал обрабатываться в облаке. Вызывающий объект имеет идентификатор выполнения на этом этапе.

• Подготовка — возвращается при создании вычислений по запросу для заданной отправки задания.

• Подготовка — подготовленная среда выполнения:

  • Сборка образа docker

  • Настройка среды conda

• В очереди — задание помещается в очередь в целевом объекте вычислений. Например, в BatchAI задание находится в состоянии очереди

  ожидая готовности всех запрошенных узлов.

• Выполнение — задание, запущенное в целевом объекте вычислений.

• Завершение — код пользователя завершился, и выполнение выполняется на этапах после обработки.

• CancelRequested . Отмена была запрошена для задания.

• Завершено — выполнение успешно завершено. Это включает как пользовательский код, так и запуск

  этапы после обработки.

• Сбой — сбой выполнения. Обычно свойство Error во время выполнения предоставляет сведения о том, почему.

• Отменено . Следует запросу на отмену и указывает, что выполнение теперь успешно отменено.

• Не отвечая на запросы — для запусков с включенными пульсами, не было отправлено пульса.

   run = experiment.submit(config)
   while run.get_status() not in ['Completed', 'Failed']: # For example purposes only, not exhaustive
       print('Run {} not in terminal state'.format(run.id))
       time.sleep(10)

УСТАРЕВШИЕ. Используйте get_context.

Получите отправленный запуск для этого эксперимента.

get_submitted_run(**kwargs)

Возвращаемое значение

Получите последний набор изменяемых тегов во время выполнения из службы.

get_tags()

Возвращаемое значение

Получение списка запусков в эксперименте, заданного необязательными фильтрами.

static list(experiment, type=None, tags=None, properties=None, status=None, include_children=False, _rehydrate_runs=True)

Параметры

Возвращаемое значение

Комментарии

В следующем примере кода показаны некоторые способы использования list метода.

   favorite_completed_runs = Run.list(experiment, status='Completed', tags='favorite')

   all_distinct_runs = Run.list(experiment)
   and_their_children = Run.list(experiment, include_children=True)

   only_script_runs = Run.list(experiment, type=ScriptRun.RUN_TYPE)

Получение списка запусков в вычислительных ресурсах, указанных необязательными фильтрами.

static list_by_compute(compute, type=None, tags=None, properties=None, status=None)

Параметры

Возвращаемое значение

Зайдите в журнал значения метрики в выполнение с заданным именем.

log(name, value, description='', step=None)

Параметры

Комментарии

Ведение журнала метрик в ходе выполнения приводит к тому, что метрика будет сохранена в записи выполнения эксперимента. Вы можете регистрировать одну и ту же метрику несколько раз в ходе выполнения, то результат считается вектором этой метрики. Если шаг указан для метрики, он должен быть указан для всех значений.

Зайдите в таблицу точности в хранилище артефактов.

Метрика таблицы точности — это многопользовательская, не скалярная метрика, которая может использоваться для создания нескольких типов графиков, которые постоянно различаются по пространству прогнозируемых вероятностей. Примерами этих диаграмм являются ROC, точность отзыва и кривые подъема.

Вычисление таблицы точности аналогично вычислению кривой ROC. Кривая ROC сохраняет истинные положительные ставки и ложные положительные ставки во многих различных пороговых значениях вероятности. Таблица точности сохраняет необработанное число истинных положительных, ложных срабатываний, истинных отрицательных и ложных отрицательных значений во многих пороговых значениях вероятности.

Для выбора пороговых значений используются два метода: "вероятность" и "процентиль". Они отличаются тем, как они выборки из пространства прогнозируемых вероятностей.

Пороговые значения вероятности равномерно разделены между 0 и 1. Если NUM_POINTS равен 5 пороговым значениям вероятности будет [0.0, 0.25, 0.5, 0.75, 1.0].

Пороговые значения процентиля распределяются в соответствии с распределением прогнозируемых вероятностей. Каждое пороговое значение соответствует процентиле данных с пороговым значением вероятности. Например, если NUM_POINTS равен 5, то первый порог будет находиться на 0-м процентилье, второй на 25-м процентилье, третий в 50-м и т. д.

Таблицы вероятностей и таблицы процентиля — это 3D-списки, в которых первое измерение представляет метку класса, второе измерение представляет выборку по одному порогу (масштабы с NUM_POINTS), а третье измерение всегда имеет 4 значения: TP, FP, TN, FN и всегда в этом порядке.

Значения путаницы (TP, FP, TN, FN) вычисляются с помощью одной стратегии rest. Дополнительные сведения см. по следующей ссылке: https://en.wikipedia.org/wiki/Multiclass_classification

N = # примеров в наборе данных проверки (200 в примере) M = # пороговые значения = # выборки, взятые из пространства вероятности (5 в примере) C = # классы в полном наборе данных (например, 3 в примере)

Некоторые инварианты таблицы точности:

• TP + FP + TN + FN = N для всех пороговых значений для всех классов
• TP + FN совпадает со всеми порогами для любого класса
• TN + FP совпадает со всеми порогами для любого класса.
• Таблицы вероятностей и процентильные таблицы имеют фигуру [C, M, 4]

Примечание. M может быть любым значением и управлять разрешением диаграмм, это не зависит от набора данных, определяется при вычислении метрик, а также удаляет место хранения, время вычисления и разрешение.

Метки классов должны быть строками, значения путаницы должны быть целыми числами, а пороговые значения должны быть с плавающей запятой.

log_accuracy_table(name, value, description='')

Параметры

Комментарии

Пример допустимого значения JSON:

   {
       "schema_type": "accuracy_table",
       "schema_version": "1.0.1",
       "data": {
           "probability_tables": [
               [
                   [82, 118, 0, 0],
                   [75, 31, 87, 7],
                   [66, 9, 109, 16],
                   [46, 2, 116, 36],
                   [0, 0, 118, 82]
               ],
               [
                   [60, 140, 0, 0],
                   [56, 20, 120, 4],
                   [47, 4, 136, 13],
                   [28, 0, 140, 32],
                   [0, 0, 140, 60]
               ],
               [
                   [58, 142, 0, 0],
                   [53, 29, 113, 5],
                   [40, 10, 132, 18],
                   [24, 1, 141, 34],
                   [0, 0, 142, 58]
               ]
           ],
           "percentile_tables": [
               [
                   [82, 118, 0, 0],
                   [82, 67, 51, 0],
                   [75, 26, 92, 7],
                   [48, 3, 115, 34],
                   [3, 0, 118, 79]
               ],
               [
                   [60, 140, 0, 0],
                   [60, 89, 51, 0],
                   [60, 41, 99, 0],
                   [46, 5, 135, 14],
                   [3, 0, 140, 57]
               ],
               [
                   [58, 142, 0, 0],
                   [56, 93, 49, 2],
                   [54, 47, 95, 4],
                   [41, 10, 132, 17],
                   [3, 0, 142, 55]
               ]
           ],
           "probability_thresholds": [0.0, 0.25, 0.5, 0.75, 1.0],
           "percentile_thresholds": [0.0, 0.01, 0.24, 0.98, 1.0],
           "class_labels": ["0", "1", "2"]
       }
   }

Зайдите в матрицу путаницы в хранилище артефактов.

Это регистрирует оболочку вокруг матрицы смещений. Данные метрик содержат метки класса и список 2D для самой матрицы. Дополнительные сведения о вычислении метрики см. по следующей ссылке: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

log_confusion_matrix(name, value, description='')

Параметры

Комментарии

Пример допустимого значения JSON:

   {
       "schema_type": "confusion_matrix",
       "schema_version": "1.0.0",
       "data": {
           "class_labels": ["0", "1", "2", "3"],
           "matrix": [
               [3, 0, 1, 0],
               [0, 1, 0, 1],
               [0, 0, 1, 0],
               [0, 0, 0, 1]
           ]
       }
   }

Запишите метрику изображения в запись выполнения.

log_image(name, path=None, plot=None, description='')

Параметры

Комментарии

Используйте этот метод для записи файла изображения или диаграммы matplotlib в выполнение. Эти изображения будут видимыми и сопоставимыми в записи выполнения.

Заведите список значений метрик в выполнение с заданным именем.

log_list(name, value, description='')

Параметры

Журнал прогнозов в хранилище артефактов.

Это регистрирует оценку метрик, которую можно использовать для сравнения распределения истинных целевых значений с распределением прогнозируемых значений для задачи регрессии.

Прогнозы бинируются и стандартные отклонения вычисляются для линейчатой диаграммы ошибок.

log_predictions(name, value, description='')

Параметры

Комментарии

Пример допустимого значения JSON:

   {
       "schema_type": "predictions",
       "schema_version": "1.0.0",
       "data": {
           "bin_averages": [0.25, 0.75],
           "bin_errors": [0.013, 0.042],
           "bin_counts": [56, 34],
           "bin_edges": [0.0, 0.5, 1.0]
       }
   }

Журнал остатков в хранилище артефактов.

Это регистрирует данные, необходимые для отображения гистограммы остатков для задачи регрессии. Остаточные остатки прогнозируются - фактические.

Должно быть несколько краев, чем число счетчиков. Ознакомьтесь с документацией по гистограмме числовых чисел и ребер для представления гистограммы. https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

log_residuals(name, value, description='')

Параметры

Комментарии

Пример допустимого значения JSON:

   {
       "schema_type": "residuals",
       "schema_version": "1.0.0",
       "data": {
           "bin_edges": [50, 100, 200, 300, 350],
           "bin_counts": [0.88, 20, 30, 50.99]
       }
   }

Зайдите в журнал метрики строки в выполнение с заданным именем.

log_row(name, description=None, **kwargs)

Параметры

Комментарии

Использование log_row создает табличную метрику со столбцами, как описано в kwargs. Каждый именованный параметр создает столбец со указанным значением. log_row можно вызывать один раз, чтобы записать произвольный кортеж или несколько раз в цикле, чтобы создать полную таблицу.

   citrus = ['orange', 'lemon', 'lime']
   sizes = [ 10, 7, 3]
   for index in range(len(citrus)):
       run.log_row("citrus", fruit = citrus[index], size=sizes[index])

Зайдите в журнал метрики таблицы в выполнение с заданным именем.

log_table(name, value, description='')

Параметры

Зарегистрируйте модель для ввода в эксплуатацию.

register_model(model_name, model_path=None, tags=None, properties=None, model_framework=None, model_framework_version=None, description=None, datasets=None, sample_input_dataset=None, sample_output_dataset=None, resource_configuration=None, **kwargs)

Параметры

Возвращаемое значение

Комментарии

   model = best_run.register_model(model_name = 'best_model', model_path = 'outputs/model.pkl')

Удалите список изменяемых тегов в этом запуске.

remove_tags(tags)

Параметры

Возвращаемое значение

Восстановление моментального снимка в виде ZIP-файла. Возвращает путь к ZIP-файлу.

restore_snapshot(snapshot_id=None, path=None)

Параметры

Возвращаемое значение

Добавьте или измените набор тегов в выполнении. Теги, которые не передаются в словаре, остаются неуправляемыми.

Можно также добавлять простые строковые теги. Если эти теги отображаются в словаре тегов в виде ключей, они имеют значение None. Дополнительные сведения см. в разделе "Тег" и "Поиск запусков".

set_tags(tags)

Параметры

Пометьте запуск как запущенный.

Обычно это используется в сложных сценариях при создании запуска другим субъектом.

start()

Отправьте эксперимент и верните активный дочерний запуск.

submit_child(config, tags=None, **kwargs)

Параметры

Возвращаемое значение

Комментарии

Отправка — это асинхронный вызов платформы машинного обучения Azure для выполнения пробной версии на локальном или удаленном оборудовании. В зависимости от конфигурации отправка автоматически подготавливает среды выполнения, выполняет код и записывает исходный код и результаты в журнал выполнения эксперимента.

Чтобы отправить эксперимент, сначала необходимо создать объект конфигурации, описывающий запуск эксперимента. Конфигурация зависит от типа пробной версии.

Пример отправки дочернего эксперимента с локального компьютера ScriptRunConfig следующим образом:

   from azureml.core import ScriptRunConfig

   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = parent_run.submit_child(config)

   # get the url to view the progress of the experiment and then wait
   # until the trial is complete
   print(run.get_portal_url())
   run.wait_for_completion()

Дополнительные сведения о настройке запуска см. в статье submit.

Пометьте выполнение строковым ключом и необязательным строковым значением.

tag(key, value=None)

Параметры

Комментарии

Теги и свойства в выполнении — это оба словаря строковой> строки. Разница между ними заключается в том, что теги можно задавать, обновлять и удалять, а свойства можно добавлять только. Это делает свойства более подходящими для триггеров поведения, связанных с системой или рабочим процессом, в то время как теги обычно сталкиваются с пользователем и значимы для потребителей эксперимента.

   run = experiment.start_logging()
   run.tag('DeploymentCandidate')
   run.tag('modifiedBy', 'Master CI')
   run.tag('modifiedBy', 'release pipeline') # Careful, tags are mutable

   run.add_properties({'BuildId': os.environ.get('VSTS_BUILD_ID')}) # Properties are not

   tags = run.get_tags()
   # tags = { 'DeploymentCandidate': None, 'modifiedBy': 'release pipeline' }

Сохраните моментальный снимок входного файла или папки.

take_snapshot(file_or_folder_path)

Параметры

Возвращаемое значение

Комментарии

Моментальные снимки предназначены для исходного кода , используемого для выполнения эксперимента. Они хранятся вместе с запуском, чтобы пробная версия была реплицирована в будущем.

Отправьте файл в запись выполнения.

upload_file(name, path_or_stream, datastore_name=None)

Параметры

Возвращаемое значение

Комментарии

   run = experiment.start_logging()
   run.upload_file(name='important_file', path_or_stream="path/on/disk/file.txt")

Отправьте файлы в запись выполнения.

upload_files(names, paths, return_artifacts=False, timeout_seconds=None, datastore_name=None)

Параметры

Комментарии

upload_files имеет то же влияние, что upload_file и на отдельные файлы, однако при использовании используются преимущества производительности и использования upload_filesресурсов.

   import os

   run = experiment.start_logging()
   file_name_1 = 'important_file_1'
   file_name_2 = 'important_file_2'
   run.upload_files(names=[file_name_1, file_name_2],
                       paths=['path/on/disk/file_1.txt', 'other/path/on/disk/file_2.txt'])

   run.download_file(file_name_1, 'file_1.txt')

   os.mkdir("path")  # The path must exist
   run.download_file(file_name_2, 'path/file_2.txt')

Отправьте указанную папку в заданное имя префикса.

upload_folder(name, path, datastore_name=None)

Параметры

Комментарии

   run = experiment.start_logging()
   run.upload_folder(name='important_files', path='path/on/disk')

   run.download_file('important_files/existing_file.txt', 'local_file.txt')

Дождитесь завершения этого запуска. Возвращает объект состояния после ожидания.

wait_for_completion(show_output=False, wait_post_processing=False, raise_on_error=True)

Параметры

Возвращаемое значение

Возвращает описание выполнения.

Необязательное описание выполнения — это указанная пользователем строка, полезная для описания выполнения.

Возвращаемое значение

Возвращает отображаемое имя выполнения.

Необязательное отображаемое имя запуска — это указанная пользователем строка, полезная для последующей идентификации выполнения.

Возвращаемое значение

Получите эксперимент, содержащий запуск.

Возвращаемое значение

Получение идентификатора выполнения.

Идентификатор выполнения — это уникальный идентификатор в содержаемом эксперименте.

Возвращаемое значение

УСТАРЕВШИЕ. Используйте display_name.

Необязательный имя запуска — это указанная пользователем строка, полезная для последующей идентификации выполнения.

Возвращаемое значение

Получение номера выполнения.

Монотонно увеличивающееся число, представляющее порядок выполнения в эксперименте.

Возвращаемое значение

Получите родительский запуск для этого запуска из службы.

Запуски могут иметь необязательный родительский объект, что приводит к потенциальной иерархии деревьев запусков. Чтобы записать метрики в родительский запуск, используйте log метод родительского объекта, например run.parent.log().

Возвращаемое значение

Возвращает неизменяемые свойства этого запуска.

Возвращаемое значение

Комментарии

К свойствам относятся неизменяемые системные сведения, такие как длительность, дата выполнения, пользователь и т. д.

Возвращает состояние объекта запуска.

Возвращает набор изменяемых тегов в этом запуске.

Возвращаемое значение

Получение типа выполнения.

Указывает, как был создан или настроен запуск.

Возвращаемое значение