autogluon.cloud.MultiModalCloudPredictor#

class autogluon.cloud.MultiModalCloudPredictor(local_output_path: Optional[str] = None, cloud_output_path: Optional[str] = None, backend: str = 'sagemaker', verbosity: int = 2)[source]#

__init__(local_output_path: Optional[str] = None, cloud_output_path: Optional[str] = None, backend: str = 'sagemaker', verbosity: int = 2) → None#

参数

local_output_path (Optional[str], default = None) – 存储下载的训练好的预测器、批量转换结果和中间输出的目录路径。如果未指定，则将在工作目录中创建一个名为“AutogluonCloudPredictor/ag-[TIMESTAMP]”的时间戳文件夹，用于存储所有下载的训练好的预测器、批量转换结果和中间输出。注意：要调用两次 fit() 并保存每次拟合的所有结果，必须指定不同的 local_output_path 位置或完全不指定 local_output_path。否则，第一次 fit() 的文件将被第二次 fit() 覆盖。
cloud_output_path (Optional[str], default = None) – 中间工件将上传并训练好的模型应保存的 s3 位置路径。必须提供此项，因为 s3 存储桶在全球范围内是唯一的，很难为您创建一个。如果只提供了存储桶而没有提供子文件夹，则会创建一个名为“YOUR_BUCKET/ag-[TIMESTAMP]”的时间戳文件夹。如果提供了存储桶和子文件夹，则将使用您提供的路径。注意：要调用两次 fit() 并保存每次拟合的所有结果，必须指定不同的 cloud_output_path 位置或只提供存储桶而不提供子文件夹。否则，第一次 fit() 的文件将被第二次 fit() 覆盖。
backend (str, default = "sagemaker") – 要使用的后端。有效选项有：“sagemaker”和“ray_aws”。SageMaker 后端支持在 AWS SageMaker 上进行训练、部署和批量推理。仅支持单实例训练。RayAWS 后端支持通过在 AWS 上创建临时 Ray 集群进行分布式训练。暂不支持部署和批量推理。
verbosity (int, default = 2) – 详细级别范围从 0 到 4，控制打印信息的多少。级别越高，打印语句越详细（可以将 verbosity 设置为 0 以抑制警告）。如果使用日志记录，您还可以通过 logger.setLevel(L) 控制打印信息的多少，其中 L 的范围从 0 到 50（注意：L 的值越高，打印语句越少，与 verbosity 级别相反）。

方法

`attach_endpoint`	将当前的 CloudPredictor 附加到现有终端节点。
`attach_job`	附加到 sagemaker 训练作业。
`cleanup_deployment`	删除已部署的终端节点和其他工件。
`deploy`	将预测器部署到终端节点，以便后续进行实时推理。
`detach_endpoint`	分离当前终端节点并返回它。
`download_trained_predictor`	从云端下载训练好的预测器。
`fit`	使用后端拟合预测器。
`generate_default_permission`	为使用所选后端的 CloudPredictor 生成所需的 json 格式权限文件。
`get_batch_inference_job_info`	获取批量推理作业的通用信息。
`get_batch_inference_job_status`	获取批量推理作业的状态。
`get_fit_job_output_path`	获取训练工件在云中的输出路径。
`get_fit_job_status`	获取训练作业的状态。
`info`	返回 CloudPredictor 的通用信息。
`leaderboard`
`load`	加载 CloudPredictor。
`predict`	批量推理。
`predict_proba`	批量推理。当不关心延迟时，批量转换功能可能更容易、更具可扩展性且更适合。
`predict_proba_real_time`	使用已部署的终端节点预测概率。
`predict_real_time`	使用已部署的终端节点进行预测。
`save`	保存 CloudPredictor，以便用户后续可以重新加载预测器以访问已部署的终端节点。
`to_local_predictor`	将云端训练好的预测器转换为本地 AutoGluon 预测器。

属性

`backend_map`
`endpoint_name`	返回 CloudPredictor 已部署的终端节点名称
`is_fit`	此 CloudPredictor 是否已拟合
`predictor_file_name`
`predictor_type`	基础 AutoGluon 预测器的类型