Řešení potíží s experimenty automatizovaného strojového učení

  • Článek

PLATÍ PRO:Rozšíření Azure CLI ml v2 (aktuální)Python SDK azure-ai-ml v2 (aktuální)

V této příručce se dozvíte, jak identifikovat a vyřešit problémy v experimentech automatizovaného strojového učení.

Řešení potíží s automatizovaným strojovém učením pro image a NLP v nástroji Studio

Pokud dojde k selhání úlohy automatizovaného strojového učení pro image a NLP, můžete chybu pochopit pomocí následujících kroků.

  1. V uživatelském rozhraní studia by úloha AutoML měla obsahovat zprávu o selhání, která značí důvod selhání.
  2. Další podrobnosti najdete v podřízené úloze této úlohy AutoML. Toto podřízené spuštění je úloha HyperDrivu.
  3. Na kartě Zkušební verze můžete zkontrolovat všechny zkušební verze provedené pro toto spuštění HyperDrivu.
  4. Přejděte do neúspěšné zkušební úlohy.
  5. Tyto úlohy by měly mít chybovou zprávu v části Stav na kartě Přehled označující důvod selhání. Pokud chcete získat další podrobnosti o selhání, vyberte Zobrazit další podrobnosti .
  6. Kromě toho můžete na kartě Výstupy a protokoly zobrazit std_log.txta podívat se na podrobné protokoly a trasování výjimek.

Pokud vaše spuštění automatizovaného strojového učení používá ke zkušebním verzím spuštění kanálu, postupujte podle těchto kroků, abyste pochopili chybu.

  1. Postupujte podle kroků 1 až 4 výše a identifikujte neúspěšnou zkušební úlohu.
  2. Toto spuštění by mělo zobrazit spuštění kanálu a neúspěšné uzly v kanálu jsou označené červenou barvou. Diagram that shows a failed pipeline job.
  3. Vyberte uzel, který selhal, v kanálu.
  4. Tyto úlohy by měly mít chybovou zprávu v části Stav na kartě Přehled označující důvod selhání. Pokud chcete získat další podrobnosti o selhání, vyberte Zobrazit další podrobnosti .
  5. Na kartě Výstupy a protokoly se můžete podívat na std_log.txta podívat se na podrobné protokoly a trasování výjimek.

Další kroky