Aktifkan logging di alur desainer Azure Machine Learning

Dalam artikel ini, Anda mempelajari cara menambahkan kode logging ke alur desainer. Anda juga mempelajari cara melihat log tersebut dengan menggunakan portal web studio Azure Machine Learning.

Untuk informasi selengkapnya tentang metrik pengelogan menggunakan pengalaman penulisan SDK, lihat Memantau eksekusi dan metrik eksperimen Azure Pembelajaran Mesin.

Aktifkan logging dengan Execute Python Script

Gunakan komponen Execute Python Script untuk mengaktifkan logging dalam alur perancang. Meskipun Anda dapat mencatat nilai apa pun dengan alur kerja ini, sangat berguna untuk mencatat metrik dari komponen Evaluasi Model untuk melacak kinerja model di seluruh eksekusi.

Contoh berikut menunjukkan kepada Anda cara mencatat kesalahan kuadrat rata-rata dari dua model terlatih menggunakan komponen Evaluasi Model dan Execute Python Script.

1. Hubungkan komponen Execute Python Script ke output komponen Evaluasi Model.

   

2. Tempelkan kode berikut ke editor kode Execute Python Script untuk log kesalahan absolut rata-rata untuk model terlatih Anda. Anda dapat menggunakan pola yang sama untuk log nilai lain dalam desainer:

   BERLAKU UNTUK: Python SDK azureml v1

   # dataframe1 contains the values from Evaluate Model
   def azureml_main(dataframe1=None, dataframe2=None):
       print(f'Input pandas.DataFrame #1: {dataframe1}')
   
       from azureml.core import Run
   
       run = Run.get_context()
   
       # Log the mean absolute error to the parent run to see the metric in the run details page.
       # Note: 'run.parent.log()' should not be called multiple times because of performance issues.
       # If repeated calls are necessary, cache 'run.parent' as a local variable and call 'log()' on that variable.
       parent_run = Run.get_context().parent
   
       # Log left output port result of Evaluate Model. This also works when evaluate only 1 model.
       parent_run.log(name='Mean_Absolute_Error (left port)', value=dataframe1['Mean_Absolute_Error'][0])
       # Log right output port result of Evaluate Model. The following line should be deleted if you only connect one Score component to the` left port of Evaluate Model component.
       parent_run.log(name='Mean_Absolute_Error (right port)', value=dataframe1['Mean_Absolute_Error'][1])
   
       return dataframe1,
   

Kode ini menggunakan Azure Machine Learning Python SDK untuk log nilai. Kode ini menggunakan Run.get_context() untuk mendapatkan konteks eksekusi yang ada. Kode ini kemudian log nilai ke konteks tersebut dengan metode run.parent.log(). Kode ini menggunakan parent untuk mencatat nilai ke eksekusi alur induk daripada eksekusi komponen.

Untuk informasi selengkapnya tentang cara menggunakan Python SDK untuk mencatat nilai, lihat Mengaktifkan pengelogan di Azure Pembelajaran Mesin eksekusi pelatihan.

Menampilkan log

Setelah eksekusi alur selesai, Anda dapat melihat Mean_Absolute_Error di halaman Eksperimen.

1. Navigasi ke bagian Pekerjaan.

2. Pilih eksperimen Anda.

3. Pilih pekerjaan dalam eksperimen yang ingin Anda lihat.

4. Pilih Metrik.

   

Langkah berikutnya

Dalam artikel ini, Anda mempelajari cara menggunakan log di desainer. Untuk langkah berikutnya, lihat artikel terkait ini:

• Pelajari cara memecahkan masalah alur desainer, lihat Debug & pecahkan masalah alur ML.
• Pelajari cara menggunakan Python SDK untuk mencatat metrik dalam pengalaman penulisan SDK, lihat Mengaktifkan pengelogan di Azure Pembelajaran Mesin pelatihan berjalan.
• Pelajari cara menggunakan Execute Python Script dalam desainer.