Solución de problemas de experimentos de aprendizaje automático automatizado en Python

SE APLICA A:Azure ML del SDK de Python v1

En esta guía, aprenderá a identificar y resolver problemas conocidos de los experimentos de aprendizaje automático automatizado con el SDK de Azure Machine Learning.

Dependencias de versiones

Las dependencias de AutoML con respecto a versiones más recientes del paquete rompen la compatibilidad. Después de la versión 1.13.0 del SDK, los modelos no se cargan en los SDK anteriores debido a la incompatibilidad entre las versiones anteriores ancladas en los paquetes de AutoML anteriores, y las versiones más recientes ancladas hoy en día.

Se esperan errores como:

• Errores de módulo no encontrado como,

  No module named 'sklearn.decomposition._truncated_svd'

• Errores de importación como,

  ImportError: cannot import name 'RollingOriginValidator',

• Errores de atributos como,

  AttributeError: 'SimpleImputer' object has no attribute 'add_indicator'

Las resoluciones dependen de la versión de entrenamiento del SDK de AutoML:

• Si la versión de entrenamiento del SDK de AutoML es posterior a la 1.13.0, se necesitan pandas == 0.25.1 y scikit-learn==0.22.1.

  • Si hay una discrepancia de versiones, actualice scikit-learn o Pandas a la versión correcta con lo siguiente:

        pip install --upgrade pandas==0.25.1
        pip install --upgrade scikit-learn==0.22.1
    

• Si la versión de entrenamiento del SDK de AutoML es la 1.12.0, o anterior, se necesitan pandas == 0.23.4 y sckit-learn==0.20.3.

  • Si hay una discrepancia de versiones, cambie scikit-learn o Pandas a una versión anterior correcta con lo siguiente:

      pip install --upgrade pandas==0.23.4
      pip install --upgrade scikit-learn==0.20.3
    

Configurar

El paquete de AutoML cambia, ya que la versión 1.0.76 requiere desinstalar la versión anterior antes de actualizar a la nueva.

• ImportError: cannot import name AutoMLConfig

  Si se detecta este error después de actualizar a la versión v1.0.76, o posterior, del SDK desde una versión anterior, resuelva el error ejecutando pip uninstall azureml-train automl y luego pip install azureml-train-automl. El script automl_setup.cmd lo hace automáticamente.

• Error de automl_setup

  • En Windows, ejecute automl_setup desde un símbolo del sistema de Anaconda. Instalación de Miniconda.

  • Asegúrese de está instalado la versión de 64 bits de Conda 4.4.10, o una versión posterior. Puede comprobar los bits con el comando conda info. platform debe ser win-64 para Windows o osx-64 para Mac. Para comprobar la versión, use el comando conda -V. Si tiene instalada una versión anterior, puede actualizarla mediante el comando conda update conda. Para comprobar la versión de 32 bits, ejecute

  • Asegúrese de que Conda esté instalado.

  • Linux: gcc: error trying to exec 'cc1plus'

    1. Si se produce el error gcc: error trying to exec 'cc1plus': execvp: No such file or directory, instale las herramientas de creación de GCC para su distribución de Linux. Por ejemplo, en Ubuntu, use el comando sudo apt-get install build-essential.

    2. Pase un nuevo nombre como primer parámetro a automl_setup para crear un nuevo entorno de Conda. Vea los entornos de Conda existentes mediante conda env list y quítelos con conda env remove -n <environmentname>.

• Error de automl_setup_linux.sh: si automl_setup_linus.sh produce el error unable to execute 'gcc': No such file or directory en Ubuntu Linux:

  1. Asegúrese de que los puertos de salida 53 y 80 estén habilitados. En una máquina virtual de Azure, puede hacerlo desde Azure Portal. Para ello, seleccione la máquina virtual y haga clic en Redes.
  2. Ejecute el comando: sudo apt-get update
  3. Ejecute el comando: sudo apt-get install build-essential --fix-missing
  4. Vuelva a ejecutar automl_setup_linux.sh.

• Error de configuration.ipynb:

  • En el caso de Conda local, asegúrese primero de que automl_setup se haya ejecutado correctamente.
  • Asegúrese de que subscription_id es correcto. Busque subscription_id en Azure Portal. Para ello, seleccione Todos los servicios y, después, Suscripciones. Los caracteres "<" y ">" no deben incluirse en el valor de subscription_id. Por ejemplo, subscription_id = "12345678-90ab-1234-5678-1234567890abcd" tiene el formato válido.
  • Garantice el acceso de tipo Colaborador o Propietario a la suscripción.
  • Compruebe que la región sea una de las regiones admitidas: eastus2, eastus, westcentralus, southeastasia, westeurope, australiaeast, westus2 o southcentralus.
  • Asegúrese de acceder a la región mediante Azure Portal.

• Error de workspace.from_config:

  Si se produce un error en la llamada a ws = Workspace.from_config():

  1. Asegúrese de que el cuaderno configuration.ipynb se ha ejecutado correctamente.
  2. Si el cuaderno se ejecuta desde una carpeta que no está en la carpeta donde se ejecutó configuration.ipynb, copie la carpeta aml_config y el archivo config.json que contiene en la nueva carpeta. Workspace.from_config lee el archivo config.json de la carpeta del cuaderno o su carpeta principal.
  3. Si se usa una suscripción, un grupo de recursos, un área de trabajo o una región nuevos, asegúrese de volver a ejecutar el cuaderno configuration.ipynb. Cambiar el archivo config.json directamente solo funcionará si el área de trabajo ya existe en el grupo de recursos especificado en la suscripción indicada.
  4. Si quiere cambiar la región, cambie el área de trabajo, el grupo de recursos o la suscripción. Workspace.create no creará ni actualizará un área de trabajo si ya existe, aunque la región especificada sea diferente.

TensorFlow

A partir de la versión 1.5.0 del SDK, el aprendizaje automático automatizado no instala los modelos de TensorFlow de forma predeterminada. Para instalar TensorFlow y usarlo con los experimentos de aprendizaje automático automatizado, instale tensorflow==1.12.0 mediante CondaDependencies.

  from azureml.core.runconfig import RunConfiguration
  from azureml.core.conda_dependencies import CondaDependencies
  run_config = RunConfiguration()
  run_config.environment.python.conda_dependencies = CondaDependencies.create(conda_packages=['tensorflow==1.12.0'])

Errores de Numpy

• Error de import numpy en Windows: algunos entornos Windows ven un error al cargar Numpy con la versión más reciente de Python: 3.6.8. Si ve este problema, pruebe con la versión 3.6.7 de Python.

• Error de import numpy : compruebe la versión de TensorFlow en el entorno de Conda de aprendizaje automático automatizado. Las versiones compatibles son anteriores a la 1.13. Desinstale TensorFlow del entorno si la versión es la 1.13, o posterior.

Puede comprobar la versión de TensorFlow y desinstalar como se indica a continuación:

1. Inicie un shell de comandos y active el entorno de Conda donde están instalados los paquetes de aprendizaje automático automatizado.
2. Escriba pip freeze y busque tensorflow; si se encuentra, la versión indicada debe ser anterior a la 1.13
3. Si la versión indicada no es una versión compatible, escriba pip uninstall tensorflow en el shell de comandos y escriba "y" (sí) para confirmar la operación.

jwt.exceptions.DecodeError

mensaje de error exacto: jwt.exceptions.DecodeError: It is required that you pass in a value for the "algorithms" argument when calling decode().

En el caso de las versiones del SDK anteriores o iguales a la versión 1.17.0, la instalación podría dar como resultado una versión no compatible de PyJWT. Compruebe que la versión de PyJWT en el entorno de Conda de aprendizaje automático automatizado es una versión admitida. Es decir, PyJWT versión 2.0.0 o anterior.

Puede comprobar la versión de PyJWT como se indica a continuación:

1. Inicie un shell de comandos y active el entorno de Conda donde están instalados los paquetes de aprendizaje automático automatizado.

2. Escriba pip freeze y busque PyJWT; si se encuentra, la versión indicada debe ser anterior a la 2.0.0.

Si la versión indicada no es una versión compatible:

1. Considere la posibilidad de actualizar a la versión más reciente del SDK de AutoML: pip install -U azureml-sdk[automl].

2. Si eso no es viable, desinstale PyJWT del entorno e instale la versión correcta como se indica a continuación:

   1. Ejecute pip uninstall PyJWT en el shell de comandos y escriba y para confirmar.
   2. Realice la instalación mediante pip install 'PyJWT<2.0.0'.

Acceso a datos

Para los trabajos de aprendizaje automático automatizado, debe asegurarse de que el almacén de datos de archivos que se conecta al almacenamiento de archivos de Azure tiene las credenciales de autenticación adecuadas. Si no las tiene, aparece el siguiente mensaje. Aprenda a actualizar las credenciales de autenticación de acceso a datos.

Mensaje de error: Could not create a connection to the AzureFileService due to missing credentials. Either an Account Key or SAS token needs to be linked the default workspace blob store.

Esquema de datos

Al intentar crear un experimento ML automatizado mediante el botón Editar y enviar del Estudio de Azure Machine Learning, el esquema de datos del nuevo experimento debe coincidir con el esquema de los datos que se usaron en el experimento original. De lo contrario, se muestra un mensaje de error similar al siguiente. Obtenga más información sobre cómo editar y enviar experimentos desde la interfaz de usuario de Studio.

Experimentos que no son de visión del mensaje de error: Schema mismatch error: (an) additional column(s): "Column1: String, Column2: String, Column3: String", (a) missing column(s)

Mensaje de error para conjuntos de datos de visión: Schema mismatch error: (an) additional column(s): "dataType: String, dataSubtype: String, dateTime: Date, category: String, subcategory: String, status: String, address: String, latitude: Decimal, longitude: Decimal, source: String, extendedProperties: String", (a) missing column(s): "image_url: Stream, image_details: DataRow, label: List" Vision dataset error(s): Vision dataset should have a target column with name 'label'. Vision dataset should have labelingProjectType tag with value as 'Object Identification (Bounding Box)'.

Databricks

Consulte Configuración de un experimento de aprendizaje automático automatizado con Databricks (SDK de Azure Machine Learning v1).

La puntuación R2 de la previsión siempre es cero

este problema surge si los datos de entrenamiento proporcionados tienen una serie temporal que contiene el mismo valor para los últimos puntos de datos n_cv_splits + forecasting_horizon.

Si se espera este patrón en la serie temporal, puede cambiar la métrica principal a la raíz del error cuadrático medio normalizado.

Implementación con errores

En el caso de las versiones 1.18.0, o anteriores, del SDK, puede producirse el siguiente error en la imagen base creada para la implementación: ImportError: cannot import name cached_property from werkzeug.

Para solucionar el problema, haga lo siguiente:

1. Descargue los archivos del modelo.
2. Descompresión del paquete
3. Implementación mediante los recursos sin comprimir

Aplicación de Azure Functions

En la actualidad, el aprendizaje automático automatizado no admite aplicaciones de Azure Functions.

Errores del cuaderno de ejemplo

si se produce un error en un cuaderno de ejemplo que indica que la propiedad, el método o la biblioteca no existen:

• Asegúrese de que se ha seleccionado el kernel correcto en el cuaderno de Jupyter Notebook. El kernel se muestra en la parte superior derecha de la página del cuaderno. El valor predeterminado es azure_automl. El kernel se guarda como parte del cuaderno. Si cambia a un nuevo entorno de Conda, tendrá que seleccionar el nuevo kernel en el cuaderno.

  • Para Azure Notebooks, debe ser Python 3.6.
  • En el caso de entornos de Conda locales, debe ser el nombre del entorno de Conda que especificó en automl_setup.

• Para asegurarse de que el cuaderno sea para la versión del SDK que está usando:

  • Para comprobar la versión del SDK, ejecute azureml.core.VERSION en una celda de Jupyter Notebook.
  • Puede descargar la versión anterior de los cuadernos de ejemplo de GitHub con estos pasos:
    1. Seleccione el botón Branch.
    2. Vaya a la pestaña Tags.
    3. Selección de la versión

Limitación de experimentos

Si tiene más de 100 experimentos de aprendizaje automático automatizado, es posible que los nuevos experimentos tengan tiempos de ejecución largos.

Error de descarga de la configuración del firewall de red virtual

Si está en redes virtuales, puede encontrarse con errores de descarga del modelo al usar NLP de AutoML. Esto se debe a que el tráfico de red está bloqueado para descargar los modelos y tokenizadores de Azure CDN. Para desbloquearlo, permita enumerar las siguientes direcciones URL en la configuración "Reglas de aplicación" de la directiva de firewall de red virtual:

• aka.ms
• https://automlresources-prod.azureedge.net

Siga las instrucciones que se indican aquí para configurar las opciones del firewall.

Las instrucciones para configurar el área de trabajo en la red virtual están disponibles aquí.

Pasos siguientes

• Obtenga más información sobre cómo entrenar un modelo de regresión con aprendizaje automático automatizado o cómo entrenar con aprendizaje automático automatizado en un recurso remoto.

• Obtenga más información sobre cómo y dónde implementar un modelo.