autogluon.cloud.TabularCloudPredictor#

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

__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], 默认为 None) – 下载训练好的预测器、批量转换结果和中间输出应保存到的目录路径。如果未指定，则会在工作目录中创建一个带时间戳的文件夹，名为 “AutogluonCloudPredictor/ag-[TIMESTAMP]”，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 fit() 两次并保存每次 fit 的所有结果，您必须指定不同的 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], 默认为 None) – 中间制品将上传和训练好的模型应保存到的 s3 位置路径。必须提供此项，因为 s3 存储桶是全局唯一的，因此很难为您创建一个。如果您只提供了存储桶但未提供子文件夹，将创建一个名为 “YOUR_BUCKET/ag-[TIMESTAMP]” 的带时间戳的文件夹。如果您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 fit() 两次并保存每次 fit 的所有结果，您必须指定不同的 cloud_output_path 位置，或者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, 默认为 "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 后端通过在 AWS 上创建临时的 ray 集群来支持分布式训练。部署和批量推理尚不支持。
verbosity (int, 默认为 2) – 详细程度级别范围为 0 到 4，控制打印信息的详细程度。级别越高，打印信息越详细（您可以设置 verbosity = 0 来抑制警告）。如果使用日志记录，您也可以通过 logger.setLevel(L) 控制打印信息的量，其中 L 的范围为 0 到 50（注意： L 的值越高，打印的信息越少，与 verbosity 级别相反）。

方法

`attach_endpoint`	将当前的 CloudPredictor 附加到现有端点。
`attach_job`	附加到 Sagemaker 训练作业。
`cleanup_deployment`	删除已部署的端点和其他制品
`deploy`	将预测器部署到端点，之后可用于实时推理。
`detach_endpoint`	分离当前端点并返回它。
`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`	使用您选择的后端为 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一般信息。
`get_batch_inference_job_status`	获取批量推理作业的状态。
`get_fit_job_output_path`	获取训练制品在云端的输出路径
`get_fit_job_status`	获取训练作业的状态。
`info`	返回 CloudPredictor 的一般信息
`leaderboard`
`load`	加载 CloudPredictor
`predict`	批量推理。
`predict_proba`	批量推理。当延迟不是主要考虑因素时，批量转换功能可能更简单、更具可扩展性且更合适。
`predict_proba_real_time`	使用已部署的端点预测概率。
`predict_real_time`	使用已部署的端点进行预测。
`save`	保存 CloudPredictor，以便用户以后可以重新加载预测器以访问已部署的端点。
`to_local_predictor`	将云端训练好的预测器转换为本地 AutoGluon Predictor。

属性

`backend_map`
`endpoint_name`	返回 CloudPredictor 已部署的端点名称
`is_fit`	此 CloudPredictor 是否已拟合
`predictor_file_name`
`predictor_type`	底层 AutoGluon Predictor 的类型