autogluon.cloud.TimeSeriesCloudPredictor#

class autogluon.cloud.TimeSeriesCloudPredictor(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[source]#

参数

local_output_path (Optional[str], default = None) – 下载的训练好的预测器、批次转换结果和中间输出应保存到的目录路径。如果未指定，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、批次转换结果和中间输出。注意：要调用两次 fit() 并保存每次 fit 的所有结果，您必须指定不同的 local_output_path 位置或根本不指定 local_output_path。否则，第一次 fit() 生成的文件将被第二次 fit() 覆盖。
cloud_output_path (Optional[str], default = None) – 中间工件将上传到此 s3 位置，训练好的模型也应保存到此位置。必须提供此参数，因为 s3 存储桶是全局唯一的，难以为您自动创建。如果您只提供了存储桶名称而未提供子文件夹，将创建一个名为“YOUR_BUCKET/ag-[TIMESTAMP]”的时间戳文件夹。如果您同时提供了存储桶和子文件夹，我们将使用您指定的路径。注意：要调用两次 fit() 并保存每次 fit 的所有结果，您必须指定不同的 cloud_output_path 位置，或者只提供存储桶名称而不提供子文件夹。否则，第一次 fit() 生成的文件将被第二次 fit() 覆盖。
backend (str, default = "sagemaker") – 要使用的后端。有效选项包括：“sagemaker”和“ray_aws”。SageMaker 后端支持在 AWS SageMaker 上进行训练、部署和批次推理。仅支持单实例训练。RayAWS 后端支持通过在 AWS 上创建临时的 Ray 集群进行分布式训练。尚不支持部署和批次推理。
verbosity (int, default = 2) – 冗余级别范围为 0 到 4，控制打印信息的详细程度。级别越高，打印的详细信息越多（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) 控制打印信息的数量，其中 L 的范围是 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 连接到现有端点。
`attach_job`	连接到现有训练作业
`cleanup_deployment`	删除已部署的端点及其他工件
`deploy`	将预测器部署到端点，该端点可用于后续进行实时推理。
`detach_endpoint`	分离当前端点并返回。
`download_trained_predictor`	从云端下载训练好的预测器。
`fit`	使用 SageMaker 拟合预测器。
`generate_default_permission`	为指定后端的 CloudPredictor 生成所需的 json 格式权限文件。
`get_batch_inference_job_info`	获取批次推理作业的通用信息。
`get_batch_inference_job_status`	获取批次推理作业的状态。
`get_fit_job_output_path`	获取训练好的工件在云端的输出路径
`get_fit_job_status`	获取训练作业的状态。
`info`	返回有关 CloudPredictor 的通用信息
`leaderboard`
`load`	加载 CloudPredictor
`predict`	使用 SageMaker 批次转换进行预测。
`predict_proba`	批次推理。当延迟不是主要考虑因素时，批次转换功能可能更简便、更具可伸缩性且更适合。
`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 SageMaker 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