Wyjątki i kody błędów projektanta

Artykuł
09/01/2024

W tym artykule opisano komunikaty o błędach i kody wyjątków w projektancie usługi Azure Machine Learning, które ułatwiają rozwiązywanie problemów z potokami uczenia maszynowego.

Komunikat o błędzie można znaleźć w projektancie, wykonując następujące kroki:

Wybierz składnik, który zakończył się niepowodzeniem, przejdź do karty Dane wyjściowe i dzienniki. Szczegółowe dzienniki można znaleźć w pliku 70_driver_log.txt w kategorii azureml-logs .
Aby uzyskać szczegółowy błąd składnika, możesz sprawdzić go w error_info.json w kategorii module_statistics .

Poniżej przedstawiono kody błędów składników w projektancie.

Błąd 0001

Wyjątek występuje, jeśli nie można odnaleźć co najmniej jednej określonej kolumny zestawu danych.

Ten błąd zostanie wyświetlony, jeśli wybrano kolumnę dla składnika, ale wybrane kolumny nie istnieją w zestawie danych wejściowych. Ten błąd może wystąpić, jeśli ręcznie wpiszesz nazwę kolumny lub jeśli selektor kolumn podał sugerowaną kolumnę, która nie istnieje w zestawie danych podczas uruchamiania potoku.

Rozwiązanie: Ponownie sprawdź składnik zgłaszający ten wyjątek i sprawdź, czy nazwa kolumny lub nazwy są poprawne i że istnieją wszystkie przywoływanych kolumn.

Komunikaty o wyjątkach
Nie można odnaleźć co najmniej jednej określonej kolumny.
Nie odnaleziono kolumny o nazwie lub indeksie "{column_id}".
Kolumna o nazwie lub indeksie "{column_id}" nie istnieje w elemencie "{arg_name_missing_column}".
Kolumna o nazwie lub indeksie "{column_id}" nie istnieje w elemencie "{arg_name_missing_column}", ale istnieje w obiekcie "{arg_name_has_column}".
Nie odnaleziono kolumn o nazwie lub indeksie "{column_names}".
Kolumny o nazwie lub indeksie "{column_names}" nie istnieją w elemencie "{arg_name_missing_column}".
Kolumny o nazwie lub indeksie "{column_names}" nie istnieją w elemencie "{arg_name_missing_column}", ale istnieją w obiekcie "{arg_name_has_column}".

Błąd 0002

Wyjątek występuje, jeśli nie można przeanalizować lub przekonwertować jednego lub większej liczby parametrów z określonego typu na wymagany przez typ metody docelowej.

Ten błąd występuje w usłudze Azure Machine Learning po określeniu parametru jako danych wejściowych, a typ wartości różni się od oczekiwanego typu, a nie można wykonać niejawnej konwersji.

Rozwiązanie: Sprawdź wymagania dotyczące składnika i określ, który typ wartości jest wymagany (ciąg, liczba całkowita, podwójna itp.)

Komunikaty o wyjątkach
Nie można przeanalizować parametru.
Nie można przeanalizować parametru "{arg_name_or_column}".
Nie można przekonwertować parametru "{arg_name_or_column}" na "{to_type}".
Nie można przekonwertować parametru "{arg_name_or_column}" z "{from_type}" na "{to_type}".
Nie można przekonwertować wartości parametru "{arg_name_or_column}" z "{arg_value}" z "{from_type}" na "{to_type}".
Nie można przekonwertować wartości "{arg_value}" w kolumnie "{arg_name_or_column}" z "{from_type}" na "{to_type}" z podanym formatem "{fmt}".

Błąd 0003

Wyjątek występuje, jeśli co najmniej jeden z danych wejściowych ma wartość null lub jest pusty.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli jakiekolwiek dane wejściowe lub parametry składnika mają wartość null lub są puste. Ten błąd może wystąpić na przykład wtedy, gdy nie wpisaliśmy żadnej wartości dla parametru. Może się to zdarzyć również w przypadku wybrania zestawu danych z brakującymi wartościami lub pustego zestawu danych.

Rozwiązanie:

Otwórz składnik, który wygenerował wyjątek i sprawdź, czy określono wszystkie dane wejściowe. Upewnij się, że określono wszystkie wymagane dane wejściowe.
Upewnij się, że dane załadowane z usługi Azure Storage są dostępne i że nazwa konta lub klucz nie zostały zmienione.
Sprawdź dane wejściowe pod kątem brakujących wartości lub wartości null.
Jeśli używasz zapytania w źródle danych, sprawdź, czy dane są zwracane w oczekiwanym formacie.
Sprawdź pisownię lub inne zmiany w specyfikacji danych.

Komunikaty o wyjątkach
Co najmniej jeden z danych wejściowych ma wartość null lub jest pusty.
Dane wejściowe "{name}" mają wartość null lub są puste.

Błąd 0004

Wyjątek występuje, jeśli parametr jest mniejszy lub równy określonej wartości.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli parametr w komunikacie znajduje się poniżej wartości granic wymaganej do przetworzenia danych przez składnik.

Rozwiązanie: Ponownie zajmij się składnikiem zgłaszającym wyjątek i zmodyfikuj parametr tak, aby był większy niż określona wartość.

Komunikaty o wyjątkach
Parametr powinien być większy niż wartość granicy.
Wartość parametru "{arg_name}" powinna być większa niż {lower_boundary}.
Parametr "{arg_name}" ma wartość "{actual_value}", która powinna być większa niż {lower_boundary}.

Błąd 0005

Wyjątek występuje, jeśli parametr jest mniejszy niż określona wartość.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli parametr w komunikacie znajduje się poniżej lub jest równy wartości granicy wymaganej dla składnika do przetwarzania danych.

Rozwiązanie: Ponownie zajmij się składnikiem zgłaszającym wyjątek i zmodyfikuj parametr tak, aby był większy lub równy określonej wartości.

Komunikaty o wyjątkach
Parametr powinien być większy lub równy wartości granicy.
Wartość parametru "{arg_name}" powinna być większa lub równa {lower_boundary}.
Parametr "{arg_name}" ma wartość "{value}", która powinna być większa lub równa {lower_boundary}.

Błąd 0006

Wyjątek występuje, jeśli parametr jest większy lub równy określonej wartości.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli parametr w komunikacie jest większy lub równy wartości granicy wymaganej dla składnika do przetwarzania danych.

Rozwiązanie: Ponownie zajmij się składnikiem zgłaszającym wyjątek i zmodyfikuj parametr tak, aby był mniejszy niż określona wartość.

Komunikaty o wyjątkach
Niezgodność parametrów. Jeden z parametrów powinien być mniejszy niż inny.
Wartość parametru "{arg_name}" powinna być mniejsza niż parametr "{upper_boundary_parameter_name}".
Parametr "{arg_name}" ma wartość "{value}", która powinna być mniejsza niż {upper_boundary_parameter_name}.

Błąd 0007

Wyjątek występuje, jeśli parametr jest większy niż określona wartość.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli we właściwościach składnika określono wartość większą niż dozwolona. Możesz na przykład określić dane spoza zakresu obsługiwanych dat lub wskazać, że pięć kolumn jest używanych, gdy są dostępne tylko trzy kolumny.

Ten błąd może również zostać wyświetlony, jeśli określisz dwa zestawy danych, które muszą być zgodne w jakiś sposób. Jeśli na przykład zmieniasz nazwy kolumn i określisz kolumny według indeksu, liczba podanych nazw musi być zgodna z liczbą indeksów kolumn. Innym przykładem może być operacja matematyczna, która używa dwóch kolumn, gdzie kolumny muszą mieć taką samą liczbę wierszy.

Rozwiązanie:

Otwórz składnik i przejrzyj wszystkie ustawienia właściwości liczbowych.
Upewnij się, że wszystkie wartości parametrów mieszczą się w obsługiwanym zakresie wartości dla tej właściwości.
Jeśli składnik przyjmuje wiele danych wejściowych, upewnij się, że dane wejściowe mają taki sam rozmiar.

Sprawdź, czy zestaw danych lub źródło danych uległ zmianie. Czasami wartość, która pracowała z poprzednią wersją danych, zakończy się niepowodzeniem po zmianie liczby kolumn, typów danych kolumn lub rozmiaru danych.

Komunikaty o wyjątkach
Niezgodność parametrów. Jeden z parametrów powinien być mniejszy lub równy innemu.
Wartość parametru "{arg_name}" powinna być mniejsza lub równa parametrowi "{upper_boundary_parameter_name}".
Parametr "{arg_name}" ma wartość "{actual_value}", która powinna być mniejsza lub równa {upper_boundary}.
Wartość parametru "{arg_name}" {actual_value} powinna być mniejsza lub równa parametrowi "{upper_boundary_parameter_name}" {upper_boundary}.
Wartość parametru "{arg_name}" {actual_value} powinna być mniejsza lub równa {upper_boundary_meaning} wartości {upper_boundary}.

Błąd 0008

Wyjątek występuje, jeśli parametr nie znajduje się w zakresie.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli parametr w komunikacie znajduje się poza granicami wymaganymi przez składnik do przetwarzania danych.

Na przykład ten błąd jest wyświetlany, jeśli spróbujesz użyć polecenia Dodaj wiersze , aby połączyć dwa zestawy danych, które mają inną liczbę kolumn.

Rozwiązanie: Ponownie zajmij się składnikiem zgłaszającym wyjątek i zmodyfikuj parametr tak, aby znajdował się w określonym zakresie.

Komunikaty o wyjątkach
Wartość parametru nie znajduje się w określonym zakresie.
Wartość parametru "{arg_name}" nie jest w zakresie.
Wartość parametru "{arg_name}" powinna znajdować się w zakresie [{lower_boundary}, {upper_boundary}].
Wartość parametru "{arg_name}" nie jest w zakresie. {reason}

Błąd 0009

Wyjątek występuje, gdy nazwa konta usługi Azure Storage lub nazwa kontenera jest niepoprawnie określona.

Ten błąd występuje w projektancie usługi Azure Machine Learning podczas określania parametrów konta usługi Azure Storage, ale nie można rozpoznać nazwy lub hasła. Błędy dotyczące haseł lub nazw kont mogą wystąpić z wielu powodów:

Konto jest nieprawidłowym typem. Niektóre nowe typy kont nie są obsługiwane w przypadku korzystania z projektanta usługi Machine Learning. Aby uzyskać szczegółowe informacje, zobacz Importowanie danych .
Wprowadzono nieprawidłową nazwę konta
Konto już nie istnieje
Hasło dla konta magazynu jest nieprawidłowe lub zostało zmienione
Nie określono nazwy kontenera lub kontener nie istnieje
Nie określono w pełni ścieżki pliku (ścieżki do obiektu blob)

Rozwiązanie:

Takie problemy często występują podczas próby ręcznego wprowadzenia nazwy konta, hasła lub ścieżki kontenera. Zalecamy użycie nowego kreatora dla składnika Importuj dane , co ułatwia wyszukiwanie i sprawdzanie nazw.

Sprawdź również, czy konto, kontener lub obiekt blob został usunięty. Użyj innego narzędzia usługi Azure Storage, aby sprawdzić, czy nazwa konta i hasło zostały wprowadzone poprawnie i czy kontener istnieje.

Niektóre nowsze typy kont nie są obsługiwane przez usługę Azure Machine Learning. Na przykład nie można używać nowych typów magazynu "gorąca" lub "zimna" na potrzeby uczenia maszynowego. Zarówno klasyczne konta magazynu, jak i konta magazynu utworzone jako "Ogólnego przeznaczenia" działają prawidłowo.

Jeśli określono pełną ścieżkę do obiektu blob, sprawdź, czy ścieżka jest określona jako kontener/nazwa obiektu blob oraz czy kontener i obiekt blob istnieją na koncie.

Ścieżka nie powinna zawierać wiodącego ukośnika. Na przykład /container/blob jest niepoprawny i powinien zostać wprowadzony jako kontener/obiekt blob.

Komunikaty o wyjątkach
Nazwa konta usługi Azure Storage lub nazwa kontenera jest niepoprawna.
Nazwa konta usługi Azure Storage "{account_name}" lub nazwa kontenera "{container_name}" jest nieprawidłowa; oczekiwano nazwy kontenera/obiektu blob formatu.

Błąd 0010

Wyjątek występuje, jeśli wejściowe zestawy danych mają nazwy kolumn, które powinny być zgodne, ale nie.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli indeks kolumn w komunikacie ma różne nazwy kolumn w dwóch wejściowych zestawach danych.

Rozwiązanie: Użyj opcji Edytuj metadane lub zmodyfikuj oryginalny zestaw danych, aby mieć taką samą nazwę kolumny dla określonego indeksu kolumny.

Komunikaty o wyjątkach
Kolumny z odpowiednim indeksem w wejściowych zestawach danych mają różne nazwy.
Nazwy kolumn nie są takie same dla kolumn {col_index} (zera) wejściowych zestawów danych (odpowiednio{dataset1} i {dataset2}).

Błąd 0011

Wyjątek występuje, jeśli przekazany argument zestawu kolumn nie ma zastosowania do żadnej kolumny zestawu danych.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli wybrany kolumna nie jest zgodny z żadną kolumną w danym zestawie danych.

Ten błąd można również uzyskać, jeśli nie wybrano kolumny, a co najmniej jedna kolumna jest wymagana do działania składnika.

Rozwiązanie: zmodyfikuj wybór kolumny w składniku, tak aby dotyczył kolumn w zestawie danych.

Jeśli składnik wymaga wybrania określonej kolumny, takiej jak kolumna etykiety, sprawdź, czy wybrano odpowiednią kolumnę.

Jeśli wybrano niewłaściwe kolumny, usuń je i uruchom ponownie potok.

Komunikaty o wyjątkach
Określony zestaw kolumn nie ma zastosowania do żadnej kolumny zestawu danych.
Określony zestaw kolumn "{column_set}" nie ma zastosowania do żadnej kolumny zestawu danych.

Błąd 0012

Wyjątek występuje, jeśli nie można utworzyć wystąpienia klasy z przekazanym zestawem argumentów.

Rozwiązanie: ten błąd nie może działać przez użytkownika i zostanie wycofany w przyszłej wersji.

Komunikaty o wyjątkach
Nieuszkodzony model należy najpierw wytrenować model.
Nietrenowany model ({arg_name}), użyj wytrenowanego modelu.

Błąd 0013

Wyjątek występuje, jeśli element uczący się przekazany do składnika jest nieprawidłowym typem.

Ten błąd występuje za każdym razem, gdy wytrenowany model jest niezgodny z połączonym składnikiem oceniania.

Rozwiązanie:

Określ typ ucznia, który jest generowany przez składnik trenowania, i określ składnik oceniania, który jest odpowiedni dla ucznia.

Jeśli model został wytrenowany przy użyciu dowolnego z wyspecjalizowanych składników szkoleniowych, połącz wytrenowany model tylko z odpowiednim wyspecjalizowanym składnikiem oceniania.

Typ modelu	Składnik trenowania	Składnik oceniania
dowolny klasyfikator	Train Model (Trenuj model)	Generowanie wyników w modelu
dowolny model regresji	Train Model (Trenuj model)	Generowanie wyników w modelu

Komunikaty o wyjątkach
Osoba ucząca się nieprawidłowego typu jest przekazywana.
Osoba ucząca się "{arg_name}" ma nieprawidłowy typ.
Uczeń "{arg_name}" ma nieprawidłowy typ "{learner_type}".
Osoba ucząca się nieprawidłowego typu jest przekazywana. Komunikat o wyjątku: {exception_message}

Błąd 0014

Wyjątek występuje, jeśli liczba unikatowych wartości kolumn jest większa niż dozwolona.

Ten błąd występuje, gdy kolumna zawiera zbyt wiele unikatowych wartości, takich jak kolumna ID lub kolumna tekstowa. Ten błąd może zostać wyświetlony, jeśli określisz, że kolumna będzie obsłużona jako dane kategorii, ale w kolumnie istnieje zbyt wiele unikatowych wartości, aby umożliwić ukończenie przetwarzania. Ten błąd może również wystąpić, jeśli występuje niezgodność między liczbą unikatowych wartości w dwóch danych wejściowych.

Błąd unikatowych wartości jest większy niż dozwolony, jeśli spełnia oba następujące warunki:

Ponad 97% wystąpień jednej kolumny to unikatowe wartości, co oznacza, że prawie wszystkie kategorie różnią się od siebie.
Jedna kolumna ma więcej niż 1000 unikatowych wartości.

Rozwiązanie:

Otwórz składnik, który wygenerował błąd, i zidentyfikuj kolumny używane jako dane wejściowe. W przypadku niektórych składników możesz kliknąć prawym przyciskiem myszy dane wejściowe zestawu danych i wybrać pozycję Visualize (Wizualizacja ), aby uzyskać statystyki dotyczące poszczególnych kolumn, w tym liczbę unikatowych wartości i ich rozkład.

W przypadku kolumn, które mają być używane do grupowania lub kategoryzacji, wykonaj kroki w celu zmniejszenia liczby unikatowych wartości w kolumnach. W zależności od typu danych kolumny można zmniejszyć na różne sposoby.

W przypadku kolumn identyfikatorów, które nie są znaczącymi funkcjami podczas trenowania modelu, można użyć opcji Edytuj metadane , aby oznaczyć tę kolumnę jako funkcję Clear i nie będzie używana podczas trenowania modelu.

W przypadku kolumn tekstowych można użyć skrótu funkcji lub wyodrębnić funkcje N-Gram ze składnika Text w celu wstępnego przetwarzania kolumn tekstowych.

Napiwek

Nie można odnaleźć rozwiązania zgodnego ze scenariuszem? Możesz przekazać opinię na ten temat, który zawiera nazwę składnika, który wygenerował błąd, oraz typ danych i kardynalność kolumny. Użyjemy tych informacji, aby zapewnić bardziej ukierunkowane kroki rozwiązywania problemów dla typowych scenariuszy.

Komunikaty o wyjątkach
Ilość unikatowych wartości kolumny jest większa niż dozwolona.
Liczba unikatowych wartości w kolumnie: "{column_name}" jest większa niż dozwolona.
Liczba unikatowych wartości w kolumnie: "{column_name}" przekracza liczbę krotki {limitation}.

Błąd 0015

Wyjątek występuje, jeśli połączenie z bazą danych nie powiodło się.

Ten błąd zostanie wyświetlony, jeśli wprowadzisz nieprawidłową nazwę konta SQL, hasło, serwer bazy danych lub nazwę bazy danych albo jeśli nie można nawiązać połączenia z bazą danych lub serwerem.

Rozwiązanie: sprawdź, czy nazwa konta, hasło, serwer bazy danych i baza danych zostały wprowadzone poprawnie, oraz czy określone konto ma prawidłowy poziom uprawnień. Sprawdź, czy baza danych jest obecnie dostępna.

Komunikaty o wyjątkach
Błąd podczas nawiązywania połączenia z bazą danych.
Błąd podczas nawiązywania połączenia z bazą danych: {connection_str}.

Błąd 0016

Wyjątek występuje, jeśli wejściowe zestawy danych przekazane do składnika powinny mieć zgodne typy kolumn, ale nie.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli typy kolumn przekazanych w co najmniej dwóch zestawach danych nie są ze sobą zgodne.

Rozwiązanie: Użyj opcji Edytuj metadane lub zmodyfikuj oryginalny wejściowy zestaw danych , aby upewnić się, że typy kolumn są zgodne.

Komunikaty o wyjątkach
Kolumny z odpowiednim indeksem w wejściowych zestawach danych mają niezgodne typy.
Kolumny "{first_col_names}" są niezgodne między danymi trenowania i testowania.
Kolumny "{first_col_names}" i "{second_col_names}" są niezgodne.
Typy elementów kolumny nie są zgodne z kolumnami "{first_col_names}" (zera) wejściowych zestawów danych (odpowiednio{first_dataset_names} i {second_dataset_names}).

Błąd 0017

Wyjątek występuje, jeśli wybrana kolumna używa typu danych, który nie jest obsługiwany przez bieżący składnik.

Na przykład ten błąd może wystąpić w usłudze Azure Machine Learning, jeśli wybór kolumny zawiera kolumnę z typem danych, którego nie można przetworzyć przez składnik, na przykład kolumny ciągu dla operacji matematycznej lub kolumny wyników, w której wymagana jest kolumna funkcji kategorii.

Rozwiązanie:

Zidentyfikuj kolumnę, która jest problemem.
Zapoznaj się z wymaganiami składnika.
Zmodyfikuj kolumnę, aby była zgodna z wymaganiami. Może być konieczne użycie kilku z następujących składników w celu wprowadzenia zmian w zależności od kolumny i konwersji, którą próbujesz wykonać:
- Użyj opcji Edytuj metadane , aby zmienić typ danych kolumn lub zmienić użycie kolumn z funkcji na liczbowe, podzielone na niekategoryczne i tak dalej.

W ostateczności może być konieczne zmodyfikowanie oryginalnego wejściowego zestawu danych.

Napiwek

Komunikaty o wyjątkach
Nie można przetworzyć kolumny bieżącego typu. Typ nie jest obsługiwany przez składnik.
Nie można przetworzyć kolumny typu {col_type}. Typ nie jest obsługiwany przez składnik.
Nie można przetworzyć kolumny "{col_name}" typu {col_type}. Typ nie jest obsługiwany przez składnik.
Nie można przetworzyć kolumny "{col_name}" typu {col_type}. Typ nie jest obsługiwany przez składnik. Nazwa parametru: {arg_name}.

Błąd 0018

Wyjątek występuje, jeśli wejściowy zestaw danych jest nieprawidłowy.

Rozwiązanie: ten błąd w usłudze Azure Machine Learning może występować w wielu kontekstach, więc nie ma jednej rozdzielczości. Ogólnie rzecz biorąc, błąd wskazuje, że dane podane jako dane wejściowe składnika mają nieprawidłową liczbę kolumn lub że typ danych nie odpowiada wymaganiom składnika. Na przykład:

Składnik wymaga kolumny etykiety, ale żadna kolumna nie jest oznaczona jako etykieta lub nie została jeszcze wybrana kolumna etykiety.
Składnik wymaga, aby dane są podzielone na kategorie, ale dane są liczbowe.

Dane są w niewłaściwym formacie.
Zaimportowane dane zawierają nieprawidłowe znaki, złe wartości lub wartości poza zakresem.
Kolumna jest pusta lub zawiera zbyt wiele brakujących wartości.

Aby określić wymagania i sposób, w jaki dane mogą być używane, zapoznaj się z artykułem pomocy dotyczącym składnika, który będzie używać zestawu danych jako danych wejściowych.

Komunikaty o wyjątkach
Zestaw danych jest nieprawidłowy.
{dataset1} zawiera nieprawidłowe dane.
{dataset1} i {dataset2} powinny być spójne w kolumnie.
{dataset1} zawiera nieprawidłowe dane, {reason}.
{dataset1} zawiera {invalid_data_category}. {troubleshoot_hint}
{dataset1} jest nieprawidłowy, {reason}. {troubleshoot_hint}

Błąd 0019

Wyjątek występuje, jeśli kolumna ma zawierać posortowane wartości, ale nie.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli określone wartości kolumn są poza kolejnością.

Rozwiązanie: posortuj wartości kolumn, ręcznie modyfikując wejściowy zestaw danych i ponownie uruchamiając składnik.

Komunikaty o wyjątkach
Wartości w kolumnie nie są sortowane.
Wartości w kolumnie "{col_index}" nie są sortowane.
Wartości w kolumnie "{col_index}" zestawu danych "{dataset}" nie są sortowane.
Wartości w argumencie "{arg_name}" nie są sortowane w kolejności {sorting_order}.

Błąd 0020

Wyjątek występuje, jeśli liczba kolumn w niektórych zestawach danych przekazanych do składnika jest zbyt mała.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli nie wybrano wystarczającej liczby kolumn dla składnika.

Rozwiązanie: ponownie sprawdź składnik i upewnij się, że selektor kolumn ma wybraną poprawną liczbę kolumn.

Komunikaty o wyjątkach
Liczba kolumn w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna.
Liczba kolumn w wejściowym zestawie danych "{arg_name}" jest mniejsza niż dozwolona minimalna.
Liczba kolumn w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna liczba kolumn {required_columns_count}.
Liczba kolumn w wejściowym zestawie danych "{arg_name}" jest mniejsza niż dozwolona minimalna liczba kolumn {required_columns_count}.

Błąd 0021

Wyjątek występuje, jeśli liczba wierszy w niektórych zestawach danych przekazanych do składnika jest zbyt mała.

Ten błąd w usłudze Azure Machine Learning występuje, gdy w zestawie danych nie ma wystarczającej liczby wierszy, aby wykonać określoną operację. Na przykład ten błąd może zostać wyświetlony, jeśli wejściowy zestaw danych jest pusty lub jeśli próbujesz wykonać operację, która wymaga prawidłowej minimalnej liczby wierszy. Takie operacje mogą obejmować (ale nie ogranicza się do) grupowania lub klasyfikacji na podstawie metod statystycznych, niektórych typów kwantowania i uczenia się z liczbami.

Rozwiązanie:

Otwórz składnik, który zwrócił błąd, i sprawdź wejściowy zestaw danych i właściwości składnika.
Sprawdź, czy wejściowy zestaw danych nie jest pusty i czy istnieje wystarczająca liczba wierszy danych, aby spełnić wymagania opisane w pomocy dotyczącej składników.
Jeśli dane są ładowane ze źródła zewnętrznego, upewnij się, że źródło danych jest dostępne i że nie ma błędu lub zmiany definicji danych, co spowodowałoby uzyskanie mniejszej liczby wierszy przez proces importowania.
Jeśli wykonujesz operację na nadrzędnym strumieniu danych składnika, który może mieć wpływ na typ danych lub liczbę wartości, takich jak czyszczenie, dzielenie lub operacje sprzężenia, sprawdź dane wyjściowe tych operacji, aby określić liczbę zwracanych wierszy.

Komunikaty o wyjątkach
Liczba wierszy w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna.
Liczba wierszy w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna liczba wierszy {required_rows_count}.
Liczba wierszy w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna liczba wierszy {required_rows_count}. {reason}
Liczba wierszy w wejściowym zestawie danych "{arg_name}" jest mniejsza niż dozwolona minimalna liczba wierszy {required_rows_count}.
Liczba wierszy w wejściowym zestawie danych "{arg_name}" to {actual_rows_count}, mniejsza niż dozwolona minimalna liczba wierszy {required_rows_count}.
Liczba wierszy "{row_type}" w wejściowym zestawie danych "{arg_name}" wynosi {actual_rows_count}, mniej niż dozwolona minimalna liczba wierszy {required_rows_count}.

Błąd 0022

Wyjątek występuje, jeśli liczba wybranych kolumn w wejściowym zestawie danych nie jest równa oczekiwanej liczbie.

Ten błąd w usłudze Azure Machine Learning może wystąpić, gdy składnik podrzędny lub operacja wymaga określonej liczby kolumn lub danych wejściowych i podano zbyt mało lub zbyt wiele kolumn lub danych wejściowych. Na przykład:

Należy określić kolumnę z pojedynczą etykietą lub kolumnę klucza i przypadkowo wybrać wiele kolumn.
Zmieniasz nazwy kolumn, ale podano więcej lub mniej nazw niż kolumny.
Liczba kolumn w źródle lub miejscu docelowym została zmieniona lub nie jest zgodna z liczbą kolumn używanych przez składnik.
Podano rozdzielaną przecinkami listę wartości dla danych wejściowych, ale liczba wartości nie jest zgodna lub wiele danych wejściowych nie jest obsługiwanych.

Rozwiązanie: Ponownie sprawdź składnik i zaznacz zaznaczenie kolumny, aby upewnić się, że wybrano prawidłową liczbę kolumn. Sprawdź dane wyjściowe składników nadrzędnych oraz wymagania dotyczące operacji podrzędnych.

Jeśli użyto jednej z opcji wyboru kolumn, które mogą wybrać wiele kolumn (indeksy kolumn, wszystkie funkcje, wszystkie liczby itp.), sprawdź dokładną liczbę kolumn zwracanych przez zaznaczenie.

Sprawdź, czy liczba lub typ kolumn nadrzędnych nie uległy zmianie.

Jeśli używasz zestawu danych rekomendacji do trenowania modelu, pamiętaj, że zalecający oczekuje ograniczonej liczby kolumn odpowiadających parom elementów użytkownika lub rankingom elementów użytkownika. Usuń dodatkowe kolumny przed trenowaniem modelu lub dzielenie zestawów danych rekomendacji. Aby uzyskać więcej informacji, zobacz Podział danych.

Komunikaty o wyjątkach
Liczba wybranych kolumn w wejściowym zestawie danych nie jest równa oczekiwanej liczbie.
Liczba wybranych kolumn w wejściowym zestawie danych nie jest równa {expected_col_count}.
Wzorzec wyboru kolumny "{selection_pattern_friendly_name}" zawiera liczbę wybranych kolumn w wejściowym zestawie danych, które nie są równe {expected_col_count}.
Wzorzec wyboru kolumn "{selection_pattern_friendly_name}" powinien podać kolumny {expected_col_count} wybrane w wejściowym zestawie danych, ale kolumny {selected_col_count} są rzeczywiście dostarczane.

Błąd 0023

Wyjątek występuje, jeśli kolumna docelowa wejściowego zestawu danych nie jest prawidłowa dla bieżącego składnika trenera.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli kolumna docelowa (wybrana w parametrach składnika) nie jest prawidłowym typem danych, zawierała wszystkie brakujące wartości lub nie była kategoryczna zgodnie z oczekiwaniami.

Rozwiązanie: Ponownie sprawdź dane wejściowe składnika, aby sprawdzić zawartość kolumny label/target. Upewnij się, że nie ma wszystkich brakujących wartości. Jeśli składnik oczekuje, że kolumna docelowa będzie kategoryczna, upewnij się, że w kolumnie docelowej znajduje się więcej niż jedna odrębna wartość.

Komunikaty o wyjątkach
Wejściowy zestaw danych ma nieobsługiwaną kolumnę docelową.
Wejściowy zestaw danych ma nieobsługiwaną kolumnę docelową "{column_index}".
Wejściowy zestaw danych ma nieobsługiwaną kolumnę docelową "{column_index}" dla osoby uczącej się typu {learner_type}.

Błąd 0024

Wyjątek występuje, jeśli zestaw danych nie zawiera kolumny etykiety.

Ten błąd w usłudze Azure Machine Learning występuje, gdy składnik wymaga kolumny etykiety, a zestaw danych nie ma kolumny etykiety. Na przykład ocena obliczonego zestawu danych zwykle wymaga, aby kolumna etykiety przedstawiała metryki dokładności obliczeniowej.

Może się również zdarzyć, że kolumna etykiety znajduje się w zestawie danych, ale nie została poprawnie wykryta przez usługę Azure Machine Learning.

Rozwiązanie:

Otwórz składnik, który wygenerował błąd, i ustal, czy kolumna etykiety jest obecna. Nazwa lub typ danych kolumny nie ma znaczenia, o ile kolumna zawiera pojedynczy wynik (lub zmienną zależną), który próbujesz przewidzieć. Jeśli nie masz pewności, która kolumna ma etykietę, poszukaj nazwy ogólnej, takiej jak Klasa lub Cel.
Jeśli zestaw danych nie zawiera kolumny etykiety, możliwe jest, że kolumna etykiety została jawnie lub przypadkowo usunięta jako nadrzędna. Może się również okazać, że zestaw danych nie jest wynikiem nadrzędnego składnika oceniania.
Aby jawnie oznaczyć kolumnę jako kolumnę etykiety, dodaj składnik Edytuj metadane i połącz zestaw danych. Wybierz tylko kolumnę etykiety, a następnie wybierz pozycję Etykieta z listy rozwijanej Pola .
Jeśli nieprawidłowa kolumna zostanie wybrana jako etykieta, możesz wybrać pozycję Wyczyść etykietę z pola , aby naprawić metadane w kolumnie.

Komunikaty o wyjątkach
W zestawie danych nie ma kolumny etykiety.
Brak kolumny etykiety w elemencie "{dataset_name}".

Błąd 0025

Wyjątek występuje, jeśli zestaw danych nie zawiera kolumny wyników.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli dane wejściowe do ocenianego modelu nie zawierają prawidłowych kolumn oceny. Na przykład użytkownik próbuje ocenić zestaw danych przed oceną z prawidłowym wytrenowanym modelem lub kolumna oceny została jawnie porzucona w górę. Ten wyjątek występuje również, jeśli kolumny oceny dla dwóch zestawów danych są niezgodne. Na przykład możesz próbować porównać dokładność regresji liniowej z klasyfikatorem binarnym.

Rozwiązanie: ponownie sprawdź dane wejściowe dla ocenianego modelu i sprawdź, czy zawiera co najmniej jedną kolumnę wyników. Jeśli nie, zestaw danych nie został obliczony lub kolumny wyników zostały porzucone w składniku nadrzędnym.

Komunikaty o wyjątkach
W zestawie danych nie ma kolumny wyników.
W kolumnie "{dataset_name}nie ma kolumny wyników".
Brak kolumny wyników w elemencie "{dataset_name}", który jest generowany przez element "{learner_type}". Ocenianie zestawu danych przy użyciu poprawnego typu ucznia.

Błąd 0026

Wyjątek występuje, jeśli kolumny o tej samej nazwie nie są dozwolone.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli wiele kolumn ma taką samą nazwę. Jednym ze sposobów wystąpienia tego błędu jest to, że jeśli zestaw danych nie ma wiersza nagłówka, a nazwy kolumn są przypisywane automatycznie: Col0, Col1 itp.

Rozwiązanie: jeśli kolumny mają taką samą nazwę, wstaw składnik Edytuj metadane między wejściowym zestawem danych a składnikiem. Użyj selektora kolumn w obszarze Edytuj metadane , aby wybrać kolumny do zmiany nazwy, wpisując nowe nazwy w polu tekstowym New column names (Nowe nazwy kolumn).

Komunikaty o wyjątkach
Równe nazwy kolumn są określane w argumentach. Równe nazwy kolumn nie są dozwolone przez składnik.
Nazwy kolumn w argumentach "{arg_name_1}" i "{arg_name_2}" nie są dozwolone. Określ różne nazwy.

Błąd 0027

Wyjątek występuje w przypadku, gdy dwa obiekty muszą mieć taki sam rozmiar, ale nie.

Jest to typowy błąd w usłudze Azure Machine Learning i może być spowodowany wieloma warunkami.

Rozwiązanie: nie ma konkretnego rozwiązania. Można jednak sprawdzić warunki, takie jak:

Jeśli zmieniasz nazwy kolumn, upewnij się, że każda lista (kolumny wejściowe i lista nowych nazw) ma taką samą liczbę elementów.
Jeśli łączysz lub łączysz dwa zestawy danych, upewnij się, że mają one ten sam schemat.
Jeśli łączysz dwa zestawy danych z wieloma kolumnami, upewnij się, że kolumny kluczy mają ten sam typ danych, a następnie wybierz opcję Zezwalaj na duplikaty i zachowaj kolejność kolumn w zaznaczeniu.

Komunikaty o wyjątkach
Rozmiar przekazanych obiektów jest niespójny.
Rozmiar "{friendly_name1}" jest niespójny z rozmiarem "{friendly_name2}".

Błąd 0028

Wyjątek występuje w przypadku, gdy zestaw kolumn zawiera zduplikowane nazwy kolumn i nie jest dozwolony.

Ten błąd w usłudze Azure Machine Learning występuje, gdy nazwy kolumn są zduplikowane; oznacza to, że nie jest to unikatowe.

Rozwiązanie: jeśli jakiekolwiek kolumny mają taką samą nazwę, dodaj wystąpienie edycji metadanych między wejściowym zestawem danych a składnikiem, który zgłasza błąd. Użyj selektora kolumn w obszarze Edytuj metadane , aby wybrać kolumny do zmiany nazwy, a następnie wpisz nowe nazwy kolumn w polu tekstowym New column names (Nowe nazwy kolumn). Jeśli zmieniasz nazwy wielu kolumn, upewnij się, że wartości wpisywane w nazwach nowych kolumn są unikatowe.

Komunikaty o wyjątkach
Zestaw kolumn zawiera zduplikowane nazwy kolumn.
Nazwa "{duplicated_name}" jest duplikowana.
Nazwa "{duplicated_name}" jest duplikowana w obiekcie "{arg_name}".
Nazwa "{duplicated_name}" jest duplikowana. Szczegóły: {details}

Błąd 0029

Wyjątek występuje w przypadku przekazania nieprawidłowego identyfikatora URI.

Ten błąd w usłudze Azure Machine Learning występuje w przypadku przekazania nieprawidłowego identyfikatora URI. Ten błąd zostanie wyświetlony, jeśli którykolwiek z następujących warunków jest spełniony:

Identyfikator URI publiczny lub sas udostępniony dla usługi Azure Blob Storage do odczytu lub zapisu zawiera błąd.
Przedział czasu sygnatury dostępu współdzielonego wygasł.
Internetowy adres URL za pośrednictwem źródła HTTP reprezentuje plik lub identyfikator URI sprzężenia zwrotnego.
Adres URL sieci Web za pośrednictwem protokołu HTTP zawiera niepoprawnie sformatowany adres URL.
Nie można rozpoznać adresu URL przez źródło zdalne.

Rozwiązanie: ponownie sprawdź składnik i sprawdź format identyfikatora URI. Jeśli źródło danych jest internetowym adresem URL za pośrednictwem protokołu HTTP, sprawdź, czy zamierzone źródło nie jest plikiem lub identyfikatorem URI sprzężenia zwrotnego (localhost).

Komunikaty o wyjątkach
Przekazano nieprawidłowy identyfikator URI.
Identyfikator URI "{invalid_url}" jest nieprawidłowy.

Błąd 0030

Wyjątek występuje w przypadku, gdy nie można pobrać pliku.

Ten wyjątek w usłudze Azure Machine Learning występuje, gdy nie można pobrać pliku. Otrzymasz ten wyjątek, gdy próba odczytu ze źródła HTTP nie powiodła się po trzech (3) ponownych próbach.

Rozwiązanie: sprawdź, czy identyfikator URI źródła HTTP jest poprawny i czy witryna jest obecnie dostępna za pośrednictwem Internetu.

Komunikaty o wyjątkach
Nie można pobrać pliku.
Błąd podczas pobierania pliku: {file_url}.

Błąd 0031

Wyjątek występuje, jeśli liczba kolumn w zestawie kolumn jest mniejsza niż jest wymagana.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli liczba wybranych kolumn jest mniejsza niż jest wymagana. Ten błąd zostanie wyświetlony, jeśli nie wybrano minimalnej wymaganej liczby kolumn.

Rozwiązanie: Dodaj dodatkowe kolumny do zaznaczenia kolumny przy użyciu selektora kolumn.

Komunikaty o wyjątkach
Liczba kolumn w zestawie kolumn jest mniejsza niż wymagana.
Dla argumentu wejściowego "{arg_name}" należy określić co najmniej następującą liczbę kolumn: {required_columns_count}.
Dla argumentu wejściowego "{arg_name}" należy określić co najmniej następującą liczbę kolumn: {required_columns_count}. Rzeczywista liczba określonych kolumn to {input_columns_count}.

Błąd 0032

Wyjątek występuje, jeśli argument nie jest liczbą.

Ten błąd zostanie wyświetlony w usłudze Azure Machine Learning, jeśli argument jest podwójny lub NaN.

Rozwiązanie: Zmodyfikuj określony argument, aby użyć prawidłowej wartości.

Komunikaty o wyjątkach
Argument nie jest liczbą.
"{arg_name}" nie jest liczbą.

Błąd 0033

Wyjątek występuje, jeśli argument ma wartość Infinity.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli argument jest nieskończony. Ten błąd zostanie wyświetlony, jeśli argument ma double.NegativeInfinity wartość lub double.PositiveInfinity.

Rozwiązanie: Zmodyfikuj określony argument, aby był prawidłową wartością.

Komunikaty o wyjątkach
Argument musi być skończony.
"{arg_name}" nie jest skończony.
Kolumna "{column_name}" zawiera wartości nieskończone.

Błąd 0034

Wyjątek występuje, jeśli istnieje więcej niż jedna ocena dla danej pary elementów użytkownika.

Ten błąd w usłudze Azure Machine Learning występuje w rekomendacji, jeśli para elementów użytkownika ma więcej niż jedną wartość klasyfikacji.

Rozwiązanie: Upewnij się, że para user-item ma tylko jedną wartość klasyfikacji.

Komunikaty o wyjątkach
Istnieje więcej niż jedna ocena dla wartości w zestawie danych.
Więcej niż jedna ocena dla użytkownika {user} i elementu {item} w tabeli danych przewidywania klasyfikacji.
Więcej niż jedna ocena dla użytkownika {user} i elementu {item} w {dataset}.

Błąd 0035

Wyjątek występuje, jeśli dla danego użytkownika lub elementu nie podano żadnych funkcji.

Ten błąd w usłudze Azure Machine Learning występuje, że próbujesz użyć modelu rekomendacji do oceniania, ale nie można odnaleźć wektora funkcji.

Rozwiązanie:

Moduł rekomendacji Matchbox ma pewne wymagania, które muszą zostać spełnione podczas korzystania z funkcji elementu lub funkcji użytkownika. Ten błąd wskazuje, że brakuje wektora funkcji dla użytkownika lub elementu podanego jako dane wejściowe. Upewnij się, że wektor funkcji jest dostępny w danych dla każdego użytkownika lub elementu.

Jeśli na przykład wytrenowano model rekomendacji przy użyciu funkcji, takich jak wiek użytkownika, lokalizacja lub dochód, ale teraz chcesz utworzyć wyniki dla nowych użytkowników, którzy nie byli widziani podczas trenowania, musisz podać odpowiedni zestaw funkcji (czyli wiek, lokalizacja i dochód) dla nowych użytkowników, aby utworzyć odpowiednie przewidywania dla nich.

Jeśli nie masz żadnych funkcji dla tych użytkowników, rozważ inżynierię cech, aby wygenerować odpowiednie funkcje. Jeśli na przykład nie masz indywidualnych wartości wieku lub dochodu użytkownika, możesz wygenerować przybliżone wartości do użycia dla grupy użytkowników.

Napiwek

Rozwiązanie nie dotyczy Twojej sprawy? Zachęcamy do wysłania opinii na ten artykuł i dostarczenia informacji na temat scenariusza, w tym składnika i liczby wierszy w kolumnie. Użyjemy tych informacji, aby w przyszłości przedstawić bardziej szczegółowe kroki rozwiązywania problemów.

Komunikaty o wyjątkach
Nie podano żadnych funkcji dla wymaganego użytkownika lub elementu.
Funkcje dla elementu {required_feature_name} są wymagane, ale nie zostały podane.

Błąd 0036

Wyjątek występuje, jeśli dla danego użytkownika lub elementu podano wiele wektorów funkcji.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli wektor funkcji jest zdefiniowany więcej niż raz.

Rozwiązanie: Upewnij się, że wektor funkcji nie jest zdefiniowany więcej niż raz.

Komunikaty o wyjątkach
Zduplikowana definicja funkcji dla użytkownika lub elementu.

Błąd 0037

Wyjątek występuje, jeśli określono wiele kolumn etykiet, a tylko jedna z nich jest dozwolona.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli wybrano więcej niż jedną kolumnę jako nową kolumnę etykiety. Większość nadzorowanych algorytmów uczenia wymaga, aby pojedyncza kolumna została oznaczona jako docelowa lub etykieta.

Rozwiązanie: upewnij się, że wybrano jedną kolumnę jako nową kolumnę etykiety.

Komunikaty o wyjątkach
Określono wiele kolumn etykiet.
W kolumnie "{dataset_name}" określono wiele kolumn etykiet.

Błąd 0039

Wyjątek występuje, jeśli operacja nie powiodła się.

Ten błąd w usłudze Azure Machine Learning występuje, gdy nie można ukończyć operacji wewnętrznej.

Rozwiązanie: ten błąd jest spowodowany przez wiele warunków i nie ma konkretnego rozwiązania.
Poniższa tabela zawiera ogólne komunikaty dotyczące tego błędu, po których następuje określony opis warunku.

Jeśli nie są dostępne żadne szczegóły, strona pytań i odpowiedzi firmy Microsoft na temat wysyłania opinii i przekazywania informacji o składnikach, które wygenerowały błąd i powiązane warunki.

Komunikaty o wyjątkach
Operacja nie powiodła się.
Błąd podczas wykonywania operacji: "{failed_operation}".
Błąd podczas wykonywania operacji: "{failed_operation}". Przyczyna: "{reason}".

Błąd 0042

Wyjątek występuje, gdy nie można przekonwertować kolumny na inny typ.

Ten błąd w usłudze Azure Machine Learning występuje, gdy nie można przekonwertować kolumny na określony typ. Ten błąd zostanie wyświetlony, jeśli składnik wymaga określonego typu danych, takiego jak data/godzina, tekst, liczba zmiennoprzecinkowa lub liczba całkowita, ale nie można przekonwertować istniejącej kolumny na wymagany typ.

Możesz na przykład wybrać kolumnę i spróbować przekonwertować ją na typ danych liczbowych do użycia w operacji matematycznej i uzyskać ten błąd, jeśli kolumna zawiera nieprawidłowe dane.

Inny powód, dla którego ten błąd może wystąpić, jeśli spróbujesz użyć kolumny zawierającej liczby zmiennoprzecinkowe lub wiele unikatowych wartości jako kolumny kategorii.

Rozwiązanie:

Otwórz stronę pomocy dla składnika, który wygenerował błąd, i sprawdź wymagania dotyczące typu danych.
Przejrzyj typy danych kolumn w wejściowym zestawie danych.
Sprawdź dane pochodzące z tak zwanych źródeł danych bez schematu.
Sprawdź zestaw danych pod kątem brakujących wartości lub znaków specjalnych, które mogą blokować konwersję na żądany typ danych.
- Typy danych liczbowych powinny być spójne: na przykład sprawdź liczby zmiennoprzecinkowe w kolumnie liczb całkowitych.
- Wyszukaj ciągi tekstowe lub wartości NA w kolumnie liczbowej.
- Wartości logiczne można przekonwertować na odpowiednią reprezentację w zależności od wymaganego typu danych.
- Sprawdzanie kolumn tekstowych pod kątem znaków innych niż kod, znaków tabulacji lub znaków kontrolek
- Dane daty/godziny powinny być spójne, aby uniknąć błędów modelowania, ale czyszczenie może być złożone ze względu na wiele formatów. Rozważ użycie składników Execute Python Script w celu przeprowadzenia oczyszczania.
W razie potrzeby zmodyfikuj wartości w wejściowym zestawie danych, aby kolumna mogła zostać pomyślnie przekonwertowana. Modyfikacja może obejmować kwantowanie, obcinanie lub zaokrąglanie operacji, eliminację wartości odstających lub imputację brakujących wartości. Zapoznaj się z następującymi artykułami, aby zapoznać się z niektórymi typowymi scenariuszami przekształcania danych w uczeniu maszynowym:
- Czyszczenie brakujących danych
- Normalizacja danych

Napiwek

Rozwiązanie niejasne, czy nie dotyczy Twojej sprawy? Zachęcamy do wysłania opinii na ten artykuł i dostarczenia informacji na temat scenariusza, w tym składnika i typu danych kolumny. Użyjemy tych informacji, aby w przyszłości przedstawić bardziej szczegółowe kroki rozwiązywania problemów.

Komunikaty o wyjątkach
Niedozwolona konwersja.
Nie można przekonwertować kolumny typu {type1} na kolumnę typu {type2}.
Nie można przekonwertować kolumny "{col_name1}" typu {type1} na kolumnę typu {type2}.
Nie można przekonwertować kolumny "{col_name1}" typu {type1} na kolumnę "{col_name2}" typu {type2}.

Błąd 0044

Wyjątek występuje, gdy nie można utworzyć typu elementu kolumny z istniejących wartości.

Ten błąd w usłudze Azure Machine Learning występuje, gdy nie można wywnioskować typu kolumny lub kolumn w zestawie danych. Dzieje się tak zwykle w przypadku łączenia co najmniej dwóch zestawów danych z różnymi typami elementów. Jeśli usługa Azure Machine Learning nie może określić wspólnego typu, który może reprezentować wszystkie wartości w kolumnie lub kolumnach bez utraty informacji, generuje ten błąd.

Rozwiązanie: Upewnij się, że wszystkie wartości w danej kolumnie w obu połączonych zestawach danych są tego samego typu (numeryczne, logiczne, podzielone na kategorie, ciąg, data itp.) lub mogą być zmuszane do tego samego typu.

Komunikaty o wyjątkach
Nie można utworzyć typu elementu kolumny.
Nie można utworzyć typu elementu dla kolumny "{column_name}" — wszystkie elementy są odwołaniami o wartości null.
Nie można utworzyć typu elementu dla kolumny "{column_name}" zestawu danych "{dataset_name}" — wszystkie elementy są odwołaniami o wartości null.

Błąd 0045

Wyjątek występuje, gdy nie można utworzyć kolumny z powodu mieszanych typów elementów w źródle.

Ten błąd w usłudze Azure Machine Learning jest generowany, gdy typy elementów dwóch połączonych zestawów danych są różne.

Rozwiązanie: Upewnij się, że wszystkie wartości w danej kolumnie w obu połączonych zestawach danych mają ten sam typ (liczbowy, logiczny, kategorialny, ciąg, data itp.).

Komunikaty o wyjątkach
Nie można utworzyć kolumny z mieszanymi typami elementów.
Nie można utworzyć kolumny o identyfikatorze "{column_id}" typów elementów mieszanych: Typ danych[{row_1}, {column_id}] to "{type_1}". Typ danych[{row_2}, {column_id}] to "{type_2}".
Nie można utworzyć kolumny o identyfikatorze "{column_id}" typów elementów mieszanych: Wpisz fragment {chunk_id_1} to "{type_1}". Wpisz fragment {chunk_id_2} to {type_2}" o rozmiarze fragmentu: {chunk_size}.

Błąd 0046

Wyjątek występuje, gdy nie można utworzyć katalogu na określonej ścieżce.

Ten błąd w usłudze Azure Machine Learning występuje, gdy nie można utworzyć katalogu na określonej ścieżce. Ten błąd zostanie wyświetlony, jeśli jakakolwiek część ścieżki do katalogu wyjściowego zapytania Hive jest niepoprawna lub niedostępna.

Rozwiązanie: ponownie sprawdź składnik i sprawdź, czy ścieżka katalogu jest poprawnie sformatowana i czy jest dostępna przy użyciu bieżących poświadczeń.

Komunikaty o wyjątkach
Określ prawidłowy katalog wyjściowy.
Nie można utworzyć katalogu: {path}. Określ prawidłową ścieżkę.

Błąd 0047

Wyjątek występuje, jeśli liczba kolumn funkcji w niektórych zestawach danych przekazanych do składnika jest zbyt mała.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli wejściowy zestaw danych do trenowania nie zawiera minimalnej liczby kolumn wymaganych przez algorytm. Zazwyczaj zestaw danych jest pusty lub zawiera tylko kolumny treningowe.

Rozwiązanie: ponownie zapoznaj się z wejściowym zestawem danych, aby upewnić się, że istnieje co najmniej jedna dodatkowa kolumna oprócz kolumny etykiety.

Komunikaty o wyjątkach
Liczba kolumn funkcji w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna.
Liczba kolumn funkcji w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna liczba kolumn {required_columns_count}.
Liczba kolumn funkcji w wejściowym zestawie danych "{arg_name}" jest mniejsza niż dozwolona minimalna liczba kolumn {required_columns_count}.

Błąd 0048

Wyjątek występuje w przypadku, gdy nie można otworzyć pliku.

Ten błąd w usłudze Azure Machine Learning występuje, gdy nie można otworzyć pliku do odczytu lub zapisu. Ten błąd może wystąpić z następujących powodów:

Kontener lub plik (blob) nie istnieje
Poziom dostępu pliku lub kontenera nie zezwala na dostęp do pliku
Plik jest za duży, aby odczytać lub nieprawidłowy format

Rozwiązanie: ponownie zapoznaj się ze składnikiem i plikiem, który próbujesz odczytać.

Sprawdź, czy nazwy kontenera i pliku są poprawne.

Użyj klasycznego portalu Azure lub narzędzia usługi Azure Storage, aby sprawdzić, czy masz uprawnienia dostępu do pliku.

Komunikaty o wyjątkach
Nie można otworzyć pliku.
Błąd podczas otwierania pliku: {file_name}.
Błąd podczas otwierania pliku: {file_name}. Komunikat o wyjątku magazynu: {exception}.

Błąd 0049

Wyjątek występuje w przypadku, gdy nie można przeanalizować pliku.

Ten błąd w usłudze Azure Machine Learning występuje, gdy nie można przeanalizować pliku. Ten błąd zostanie wyświetlony, jeśli format pliku wybrany w składniku Importuj dane nie jest zgodny z rzeczywistym formatem pliku lub jeśli plik zawiera nierozpoznawalny znak.

Rozwiązanie: ponownie sprawdź składnik i popraw wybór formatu pliku, jeśli nie jest zgodny z formatem pliku. Jeśli to możliwe, sprawdź plik, aby potwierdzić, że nie zawiera żadnych niedozwolonych znaków.

Komunikaty o wyjątkach
Nie można przeanalizować pliku.
Błąd podczas analizowania pliku {file_format}.
Błąd podczas analizowania pliku {file_format}: {file_name}.
Błąd podczas analizowania pliku {file_format}. Przyczyna: {failure_reason}.
Błąd podczas analizowania pliku {file_format}: {file_name}. Przyczyna: {failure_reason}.

Błąd 0052

Wyjątek występuje, jeśli klucz konta usługi Azure Storage jest niepoprawnie określony.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli klucz używany do uzyskiwania dostępu do konta usługi Azure Storage jest niepoprawny. Na przykład ten błąd może zostać wyświetlony, jeśli klucz usługi Azure Storage został obcięty podczas kopiowania i wklejonego lub jeśli użyto nieprawidłowego klucza.

Aby uzyskać więcej informacji na temat pobierania klucza dla konta usługi Azure Storage, zobacz Wyświetlanie, kopiowanie i ponowne generowanie kluczy dostępu do magazynu.

Rozwiązanie: Ponownie sprawdź składnik i sprawdź, czy klucz magazynu platformy Azure jest poprawny dla konta. W razie potrzeby skopiuj ponownie klucz z klasycznej witryny Azure Portal.

Komunikaty o wyjątkach
Klucz konta usługi Azure Storage jest niepoprawny.

Błąd 0053

Wyjątek występuje w przypadku, gdy nie ma żadnych funkcji użytkownika ani elementów rekomendacji matchbox.

Ten błąd w usłudze Azure Machine Learning jest generowany, gdy nie można odnaleźć wektora funkcji.

Rozwiązanie: Upewnij się, że wektor funkcji znajduje się w wejściowym zestawie danych.

Komunikaty o wyjątkach
Funkcje użytkownika lub/i elementy są wymagane, ale nie są udostępniane.

Błąd 0056

Wyjątek występuje, jeśli kolumny wybrane dla operacji naruszają wymagania.

Ten błąd w usłudze Azure Machine Learning występuje, gdy wybierasz kolumny dla operacji, która wymaga, aby kolumna zawierała określony typ danych.

Ten błąd może również wystąpić, jeśli kolumna jest poprawnym typem danych, ale używany składnik wymaga, aby kolumna była również oznaczona jako funkcja, etykieta lub kolumna kategorii.

Rozwiązanie:

Przejrzyj typ danych aktualnie wybranych kolumn.
Sprawdź, czy wybrane kolumny są kolumnami kategorialnymi, etykietami lub funkcjami.
Zapoznaj się z tematem pomocy dla składnika, w którym wybrano kolumnę, aby określić, czy istnieją określone wymagania dotyczące typu danych lub użycia kolumn.
Użyj opcji Edytuj metadane , aby zmienić typ kolumny na czas trwania tej operacji. Pamiętaj, aby zmienić typ kolumny z powrotem na oryginalną wartość, używając innego wystąpienia funkcji Edytuj metadane, jeśli potrzebujesz go na potrzeby operacji podrzędnych.

Komunikaty o wyjątkach
Co najmniej jedna wybrana kolumna nie znajdowała się w dozwolonej kategorii.
Kolumna o nazwie "{col_name}" nie znajduje się w dozwolonej kategorii.

Błąd 0057

Wyjątek występuje podczas próby utworzenia pliku lub obiektu blob, który już istnieje.

Ten wyjątek występuje, gdy używasz składnika Eksportuj dane lub innego składnika w celu zapisania wyników potoku w usłudze Azure Machine Learning w usłudze Azure Blob Storage, ale próbujesz utworzyć plik lub obiekt blob, który już istnieje.

Rozwiązanie:

Ten błąd zostanie wyświetlony tylko wtedy, gdy wcześniej ustawiono właściwość Tryb zapisu usługi Azure Blob Storage na Wartość Error. Zgodnie z projektem ten składnik zgłasza błąd, jeśli próbujesz napisać zestaw danych do obiektu blob, który już istnieje.

Otwórz właściwości składnika i zmień tryb zapisu usługi Azure Blob Storage na Zastąp.
Alternatywnie możesz wpisać nazwę innego docelowego obiektu blob lub pliku i należy określić obiekt blob, który jeszcze nie istnieje.

Komunikaty o wyjątkach
Plik lub obiekt blob już istnieje.
Plik lub obiekt blob "{file_path}" już istnieje.

Błąd 0058

Ten błąd w usłudze Azure Machine Learning występuje, jeśli zestaw danych nie zawiera oczekiwanej kolumny etykiety.

Ten wyjątek może również wystąpić, gdy podana kolumna etykiety nie jest zgodna z danymi lub typem danych oczekiwanym przez ucznia lub ma nieprawidłowe wartości. Na przykład ten wyjątek jest generowany podczas używania kolumny etykiety rzeczywistej podczas trenowania klasyfikatora binarnego.

Rozwiązanie: rozwiązanie zależy od używanego ucznia lub trenera oraz typów danych kolumn w zestawie danych. Najpierw sprawdź wymagania algorytmu uczenia maszynowego lub składnika trenowania.

Ponownie zajmij się wejściowym zestawem danych. Sprawdź, czy kolumna, która ma być traktowana jako etykieta, ma odpowiedni typ danych dla tworzonego modelu.

Sprawdź dane wejściowe pod kątem brakujących wartości i w razie potrzeby je wyeliminuj lub zastąp.

W razie potrzeby dodaj składnik Edytuj metadane i upewnij się, że kolumna etykiety jest oznaczona jako etykieta.

Komunikaty o wyjątkach
Wartości kolumn etykiet i wartości kolumn z etykietą nie są porównywalne.
Kolumna etykiety nie jest zgodnie z oczekiwaniami w elemencie "{dataset_name}".
Kolumna etykiety nie jest zgodnie z oczekiwaniami w elemencie "{dataset_name}", {reason}.
Kolumna etykiety "{column_name}" nie jest oczekiwana w elemencie "{dataset_name}".
Kolumna etykiety "{column_name}" nie jest oczekiwana w elemencie "{dataset_name}", {reason}.

Błąd 0059

Wyjątek występuje, jeśli nie można przeanalizować indeksu kolumn określonego w selektorze kolumn.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli nie można przeanalizować indeksu kolumn określonego podczas korzystania z selektora kolumn. Ten błąd zostanie wyświetlony, gdy indeks kolumny jest w nieprawidłowym formacie, którego nie można przeanalizować.

Rozwiązanie: zmodyfikuj indeks kolumny, aby użyć prawidłowej wartości indeksu.

Komunikaty o wyjątkach
Nie można przeanalizować co najmniej jednego określonego indeksu kolumn lub zakresów indeksów.
Nie można przeanalizować indeksu kolumn lub zakresu "{column_index_or_range}".

Błąd 0060

Wyjątek występuje, gdy zakres kolumn poza zakresem jest określony w selektorze kolumn.

Ten błąd w usłudze Azure Machine Learning występuje, gdy w selektorze kolumn poza zakresem określono zakres kolumn. Ten błąd zostanie wyświetlony, jeśli zakres kolumn w selektorze kolumn nie odpowiada kolumnom w zestawie danych.

Rozwiązanie: zmodyfikuj zakres kolumn w selektorze kolumn, aby odpowiadał kolumnom w zestawie danych.

Komunikaty o wyjątkach
Określono nieprawidłowy lub poza zakresem zakresu indeksów kolumn.
Zakres kolumn "{column_range}" jest nieprawidłowy lub poza zakresem.

Błąd 0061

Wyjątek występuje podczas próby dodania wiersza do tabeli DataTable, która ma inną liczbę kolumn niż tabela.

Ten błąd w usłudze Azure Machine Learning występuje podczas próby dodania wiersza do zestawu danych, który ma inną liczbę kolumn niż zestaw danych. Ten błąd zostanie wyświetlony, jeśli wiersz dodawany do zestawu danych ma inną liczbę kolumn z wejściowego zestawu danych. Nie można dołączyć wiersza do zestawu danych, jeśli liczba kolumn jest inna.

Rozwiązanie: Zmodyfikuj wejściowy zestaw danych tak, aby miał taką samą liczbę kolumn, jak dodany wiersz, lub zmodyfikuj dodany wiersz, aby miał taką samą liczbę kolumn jak zestaw danych.

Komunikaty o wyjątkach
Wszystkie tabele muszą mieć taką samą liczbę kolumn.
Kolumny we fragmentach "{chunk_id_1}" różnią się od fragmentu "{chunk_id_2}" o rozmiarze fragmentu: {chunk_size}.
Liczba kolumn w pliku "{filename_1}" (count={column_count_1}) różni się od pliku "{filename_2}" (count={column_count_2}).

Błąd 0062

Wyjątek występuje podczas próby porównania dwóch modeli z różnymi typami uczniów.

Ten błąd w usłudze Azure Machine Learning jest generowany, gdy nie można porównać metryk oceny dla dwóch różnych ocenianych zestawów danych. W takim przypadku nie można porównać skuteczności modeli używanych do tworzenia dwóch ocenianych zestawów danych.

Rozwiązanie: Sprawdź, czy wyniki oceny są generowane przez ten sam rodzaj modelu uczenia maszynowego (klasyfikacja binarna, regresja, klasyfikacja wieloklasowa, rekomendacja, klastrowanie, wykrywanie anomalii itp.) Wszystkie porównywane modele muszą mieć ten sam typ ucznia.

Komunikaty o wyjątkach
Wszystkie modele muszą mieć ten sam typ ucznia.
Typ osoby uczącej się jest niezgodny: "{actual_learner_type}". Oczekiwano typów uczniów: "{expected_learner_type_list}".

Błąd 0064

Wyjątek występuje, jeśli nazwa konta usługi Azure Storage lub klucz magazynu jest niepoprawnie określona.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli nazwa konta usługi Azure Storage lub klucz magazynu jest niepoprawnie określona. Ten błąd zostanie wyświetlony, jeśli wprowadzisz nieprawidłową nazwę konta lub hasło dla konta magazynu. Taka sytuacja może wystąpić, jeśli ręcznie wprowadzisz nazwę konta lub hasło. Może się to również zdarzyć, jeśli konto zostało usunięte.

Rozwiązanie: Sprawdź, czy nazwa konta i hasło zostały wprowadzone poprawnie i czy konto istnieje.

Komunikaty o wyjątkach
Nazwa konta usługi Azure Storage lub klucz magazynu jest niepoprawna.
Nazwa konta usługi Azure Storage "{account_name}" lub klucz magazynu dla nazwy konta jest niepoprawna.

Błąd 0065

Wyjątek występuje, jeśli nazwa obiektu blob platformy Azure jest niepoprawnie określona.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli nazwa obiektu blob platformy Azure jest niepoprawnie określona. Zostanie wyświetlony błąd, jeśli:

Nie można odnaleźć obiektu blob w określonym kontenerze.

Tylko kontener został określony jako źródło w żądaniu importu danych , gdy format był programem Excel lub CSV z kodowaniem; łączenie zawartości wszystkich obiektów blob w kontenerze nie jest dozwolone w tych formatach.
Identyfikator URI sygnatury dostępu współdzielonego nie zawiera nazwy prawidłowego obiektu blob.

Rozwiązanie: ponownie zajmij się składnikiem zgłaszającym wyjątek. Sprawdź, czy określony obiekt blob istnieje w kontenerze na koncie magazynu i czy uprawnienia umożliwiają wyświetlanie obiektu blob. Sprawdź, czy dane wejściowe mają postać containername/nazwa pliku , jeśli masz program Excel lub PLIK CSV z formatami kodowania. Sprawdź, czy identyfikator URI sygnatury dostępu współdzielonego zawiera nazwę prawidłowego obiektu blob.

Komunikaty o wyjątkach
Nazwa obiektu blob usługi Azure Storage jest nieprawidłowa.
Nazwa obiektu blob usługi Azure Storage "{blob_name}" jest nieprawidłowa.
Nazwa obiektu blob usługi Azure Storage z prefiksem "{blob_name_prefix}" nie istnieje.
Nie można odnaleźć żadnych obiektów blob usługi Azure Storage w kontenerze "{container_name}".
Nie można odnaleźć żadnych obiektów blob usługi Azure Storage ze ścieżką wieloznacznymi "{blob_wildcard_path}".

Błąd 0066

Wyjątek występuje, jeśli nie można przekazać zasobu do obiektu blob platformy Azure.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli nie można przekazać zasobu do obiektu blob platformy Azure. Oba są zapisywane na tym samym koncie usługi Azure Storage co konto zawierające plik wejściowy.

Rozwiązanie: Ponownie zajmij się składnikiem. Sprawdź, czy nazwa konta platformy Azure, klucz magazynu i kontener są poprawne i czy konto ma uprawnienia do zapisu w kontenerze.

Komunikaty o wyjątkach
Nie można przekazać zasobu do usługi Azure Storage.
Nie można przekazać pliku "{source_path}" do usługi Azure Storage jako "{dest_path}".

Błąd 0067

Wyjątek występuje, jeśli zestaw danych ma inną liczbę kolumn niż oczekiwano.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli zestaw danych ma inną liczbę kolumn niż oczekiwano. Ten błąd zostanie wyświetlony, gdy liczba kolumn w zestawie danych różni się od liczby kolumn, których składnik oczekuje podczas wykonywania.

Rozwiązanie: Zmodyfikuj wejściowy zestaw danych lub parametry.

Komunikaty o wyjątkach
Nieoczekiwana liczba kolumn w tabeli danych.
Nieoczekiwana liczba kolumn w zestawie danych "{dataset_name}".
Oczekiwano kolumn "{expected_column_count}", ale zamiast tego znaleziono kolumny "{actual_column_count}".
W wejściowym zestawie danych "{dataset_name}" oczekiwane kolumny "{expected_column_count}", ale zamiast tego znaleziono kolumny "{actual_column_count}".

Błąd 0068

Wyjątek występuje, jeśli określony skrypt Hive nie jest poprawny.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli występują błędy składniowe w skry skry skryptie QL programu Hive lub jeśli interpreter hive napotka błąd podczas wykonywania zapytania lub skryptu.

Rozwiązanie:

Komunikat o błędzie z programu Hive jest zwykle zgłaszany z powrotem w dzienniku błędów, dzięki czemu można podjąć działania na podstawie określonego błędu.

Otwórz składnik i sprawdź zapytanie pod kątem błędów.
Sprawdź, czy zapytanie działa prawidłowo poza usługą Azure Machine Learning, logując się do konsoli hive klastra Usługi Hadoop i uruchamiając zapytanie.
Spróbuj umieścić komentarze w skrypcie programu Hive w osobnym wierszu, a nie mieszać instrukcji wykonywalnych i komentarzy w jednym wierszu.

Zasoby

Zapoznaj się z następującymi artykułami, aby uzyskać pomoc dotyczącą zapytań hive dotyczących uczenia maszynowego:

Komunikaty o wyjątkach
Skrypt programu Hive jest niepoprawny.

Błąd 0069

Wyjątek występuje, jeśli określony skrypt SQL nie jest poprawny.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli określony skrypt SQL ma problemy ze składnią, lub jeśli kolumny lub tabela określona w skrypsie jest nieprawidłowa.

Ten błąd zostanie wyświetlony, jeśli aparat SQL napotka jakikolwiek błąd podczas wykonywania zapytania lub skryptu. Komunikat o błędzie SQL jest zwykle zgłaszany z powrotem w dzienniku błędów, dzięki czemu można podjąć działania na podstawie określonego błędu.

Rozwiązanie: ponownie sprawdź składnik i sprawdź zapytanie SQL pod kątem błędów.

Sprawdź, czy zapytanie działa poprawnie poza usługą Azure Machine Learning, logując się bezpośrednio na serwerze bazy danych i uruchamiając zapytanie.

Jeśli wystąpi komunikat wygenerowany przez program SQL zgłoszony przez wyjątek składnika, podejmij działania na podstawie zgłoszonego błędu. Na przykład komunikaty o błędach czasami zawierają konkretne wskazówki dotyczące prawdopodobnego błędu:

Brak takiej kolumny lub brakującej bazy danych, co oznacza, że być może wpisana nazwa kolumny jest nieprawidłowa. Jeśli masz pewność, że nazwa kolumny jest poprawna, spróbuj użyć nawiasów kwadratowych lub cudzysłowów, aby ująć identyfikator kolumny.
Błąd logiki SQL w pobliżu <słowa kluczowego> SQL wskazujący, że może wystąpić błąd składni przed określonym słowem kluczowym

Komunikaty o wyjątkach
Skrypt SQL jest niepoprawny.
Zapytanie SQL "{sql_query}" nie jest poprawne.
Zapytanie SQL "{sql_query}" nie jest poprawne. Komunikat o wyjątku: {exception}.

Błąd 0070

Wyjątek występuje podczas próby uzyskania dostępu do nieistniejącej tabeli platformy Azure.

Ten błąd w usłudze Azure Machine Learning występuje podczas próby uzyskania dostępu do nieistnienej tabeli platformy Azure. Ten błąd zostanie wyświetlony, jeśli określisz tabelę w usłudze Azure Storage, która nie istnieje podczas odczytywania lub zapisywania w usłudze Azure Table Storage. Może się tak zdarzyć, jeśli nieprawidłowa nazwa żądanej tabeli lub występuje niezgodność między nazwą docelową a typem magazynu. Na przykład zamierzasz odczytać z tabeli, ale zamiast tego wprowadzono nazwę obiektu blob.

Rozwiązanie: ponownie sprawdź składnik, aby sprawdzić, czy nazwa tabeli jest poprawna.

Komunikaty o wyjątkach
Tabela platformy Azure nie istnieje.
Tabela platformy Azure "{table_name}" nie istnieje.

Błąd 0072

Wyjątek występuje w przypadku przekroczenia limitu czasu połączenia.

Ten błąd w usłudze Azure Machine Learning występuje, gdy przekroczono limit czasu połączenia. Ten błąd zostanie wyświetlony, jeśli występują obecnie problemy z łącznością ze źródłem danych lub miejscem docelowym, takie jak wolne połączenie z Internetem, lub jeśli zestaw danych jest duży i/lub zapytanie SQL do odczytu w danych wykonuje skomplikowane przetwarzanie.

Rozwiązanie: ustal, czy obecnie występują problemy z wolnymi połączeniami z usługą Azure Storage, czy Internetem.

Komunikaty o wyjątkach
Wystąpił limit czasu połączenia.

Błąd 0073

Wyjątek występuje, jeśli wystąpi błąd podczas konwertowania kolumny na inny typ.

Ten błąd w usłudze Azure Machine Learning występuje, gdy nie można przekonwertować kolumny na inny typ. Ten błąd zostanie wyświetlony, jeśli składnik wymaga określonego typu i nie można przekonwertować kolumny na nowy typ.

Rozwiązanie: Zmodyfikuj wejściowy zestaw danych, aby kolumna mogła zostać przekonwertowana na podstawie wyjątku wewnętrznego.

Komunikaty o wyjątkach
Nie można przekonwertować kolumny.
Nie można przekonwertować kolumny na {target_type}.

Błąd 0075

Wyjątek występuje, gdy podczas kwantyzacji zestawu danych jest używana nieprawidłowa funkcja kwantowania.

Ten błąd w usłudze Azure Machine Learning występuje, gdy próbujesz binować dane przy użyciu nieobsługiwanej metody lub gdy kombinacje parametrów są nieprawidłowe.

Rozwiązanie:

Obsługa błędów dla tego zdarzenia została wprowadzona we wcześniejszej wersji usługi Azure Machine Learning, która umożliwiła większe dostosowanie metod kwantowania. Obecnie wszystkie metody kwantowania są oparte na zaznaczeniu z listy rozwijanej, więc technicznie nie powinno już być możliwe uzyskanie tego błędu.

Komunikaty o wyjątkach
Użyto nieprawidłowej funkcji kwantowania.

Błąd 0077

Wyjątek występuje, gdy tryb zapisu nieznanych plików obiektów blob został przekazany.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli nieprawidłowy argument jest przekazywany w specyfikacji miejsca docelowego lub źródła pliku obiektów blob.

Rozwiązanie: W prawie wszystkich składnikach, które importują lub eksportują dane do i z usługi Azure Blob Storage, wartości parametrów kontrolujące tryb zapisu są przypisywane przy użyciu listy rozwijanej, dlatego nie można przekazać nieprawidłowej wartości, a ten błąd nie powinien być wyświetlany. Ten błąd jest przestarzały w nowszej wersji.

Komunikaty o wyjątkach
Nieobsługiwany tryb zapisu obiektów blob.
Nieobsługiwany tryb zapisu obiektów blob: {blob_write_mode}.

Błąd 0078

Wyjątek występuje, gdy opcja HTTP dla importu danych odbiera kod stanu 3xx wskazujący przekierowanie.

Ten błąd w usłudze Azure Machine Learning występuje, gdy opcja HTTP dla importu danych odbiera kod stanu 3xx (301, 302, 304 itp.) wskazujący przekierowanie. Ten błąd zostanie wyświetlony, jeśli spróbujesz nawiązać połączenie ze źródłem HTTP, które przekierowuje przeglądarkę do innej strony. Ze względów bezpieczeństwa przekierowywanie witryn internetowych nie jest dozwolone jako źródła danych dla usługi Azure Machine Learning.

Rozwiązanie: jeśli witryna internetowa jest zaufaną witryną internetową, wprowadź bezpośrednio przekierowany adres URL.

Komunikaty o wyjątkach
Niedozwolone przekierowanie HTTP.

Błąd 0079

Wyjątek występuje, jeśli nazwa kontenera usługi Azure Storage jest niepoprawnie określona.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli nazwa kontenera usługi Azure Storage jest niepoprawnie określona. Ten błąd zostanie wyświetlony, jeśli nie określono zarówno kontenera, jak i nazwy obiektu blob (pliku) przy użyciu opcji Ścieżka do obiektu blob rozpoczynającego się od kontenera podczas zapisywania w usłudze Azure Blob Storage.

Rozwiązanie: Ponownie sprawdź składnik Eksportuj dane i sprawdź, czy określona ścieżka do obiektu blob zawiera zarówno kontener, jak i nazwę pliku w formacie kontener/nazwa pliku.

Komunikaty o wyjątkach
Nazwa kontenera usługi Azure Storage jest nieprawidłowa.
Nazwa kontenera usługi Azure Storage "{container_name}" jest nieprawidłowa; oczekiwano nazwy kontenera/obiektu blob formatu.

Błąd 0080

Wyjątek występuje, gdy kolumna ze wszystkimi brakującymi wartościami nie jest dozwolona przez składnik.

Ten błąd w usłudze Azure Machine Learning jest generowany, gdy co najmniej jedna kolumna zużywana przez składnik zawiera wszystkie brakujące wartości. Jeśli na przykład składnik jest obliczany zagregowane statystyki dla każdej kolumny, nie może działać na kolumnie zawierającej żadne dane. W takich przypadkach wykonanie składnika jest zatrzymywane z tym wyjątkiem.

Rozwiązanie: Ponownie zajmij wejściowy zestaw danych i usuń wszystkie kolumny zawierające wszystkie brakujące wartości.

Komunikaty o wyjątkach
Kolumny ze wszystkimi brakującymi wartościami są niedozwolone.
W kolumnie {col_index_or_name} brakuje wszystkich wartości.

Błąd 0081

Wyjątek występuje w składniku PCA, jeśli liczba wymiarów do zmniejszenia jest równa liczbie kolumn funkcji w wejściowym zestawie danych, zawierającej co najmniej jedną rozrzedzącą kolumnę funkcji.

Ten błąd w usłudze Azure Machine Learning jest generowany, jeśli spełnione są następujące warunki: (a) wejściowy zestaw danych ma co najmniej jedną kolumnę rozrzedzonej, a (b) ostateczna liczba żądanych wymiarów jest taka sama jak liczba wymiarów wejściowych.

Rozwiązanie: rozważ zmniejszenie liczby wymiarów w danych wyjściowych, aby było mniejsze niż liczba wymiarów w danych wejściowych. Jest to typowe w aplikacjach PCA.

Komunikaty o wyjątkach
W przypadku zestawu danych zawierającego kolumny funkcji rozrzednia liczba wymiarów do zmniejszenia powinna być mniejsza niż liczba kolumn funkcji.

Błąd 0082

Wyjątek występuje, gdy nie można pomyślnie wykonać deserializacji modelu.

Ten błąd w usłudze Azure Machine Learning występuje, gdy zapisany model uczenia maszynowego lub transformacja nie może zostać załadowany przez nowszą wersję środowiska uruchomieniowego usługi Azure Machine Learning w wyniku zmiany powodującej niezgodność.

Rozwiązanie: potok trenowania, który wyprodukował model lub przekształcenie, musi zostać ponownie uruchomiony, a model lub przekształcenie muszą zostać ponownie zapisane.

Komunikaty o wyjątkach
Nie można wykonać deserializacji modelu, ponieważ prawdopodobnie jest serializowany ze starszym formatem serializacji. Ponowne trenowanie i ponowne zapisywanie modelu.

Błąd 0083

Wyjątek występuje, jeśli zestaw danych używany do trenowania nie może być używany dla konkretnego typu ucznia.

Ten błąd w usłudze Azure Machine Learning jest generowany, gdy zestaw danych jest niezgodny z trenowaniem ucznia. Na przykład zestaw danych może zawierać co najmniej jedną brakującą wartość w każdym wierszu, a w rezultacie cały zestaw danych zostanie pominięty podczas trenowania. W innych przypadkach niektóre algorytmy uczenia maszynowego, takie jak wykrywanie anomalii, nie oczekują obecności etykiet i mogą zgłaszać ten wyjątek, jeśli etykiety znajdują się w zestawie danych.

Rozwiązanie: zapoznaj się z dokumentacją ucznia używaną do sprawdzania wymagań dotyczących wejściowego zestawu danych. Sprawdź kolumny, aby wyświetlić wszystkie wymagane kolumny.

Komunikaty o wyjątkach
Zestaw danych używany do trenowania jest nieprawidłowy.
Użytkownik {data_name} zawiera nieprawidłowe dane do trenowania.
Użytkownik {data_name} zawiera nieprawidłowe dane do trenowania. Typ ucznia: {learner_type}.
Użytkownik {data_name} zawiera nieprawidłowe dane do trenowania. Typ ucznia: {learner_type}. Przyczyna: {reason}.
Nie można zastosować akcji "{action_name}" dla danych treningowych {data_name}. Przyczyna: {reason}.

Błąd 0084

Wyjątek występuje, gdy są oceniane wyniki wygenerowane na podstawie skryptu języka R. Jest to obecnie nieobsługiwane.

Ten błąd w usłudze Azure Machine Learning występuje, jeśli spróbujesz użyć jednego ze składników do oceny modelu z danymi wyjściowymi skryptu języka R zawierającego wyniki.

Rozwiązanie:

Komunikaty o wyjątkach
Ocenianie wyników generowanych przez model niestandardowy jest obecnie nieobsługiwane.

Błąd 0085

Wyjątek występuje, gdy ocena skryptu kończy się niepowodzeniem z powodu błędu.

Ten błąd w usłudze Azure Machine Learning występuje, gdy uruchamiasz skrypt niestandardowy, który zawiera błędy składni.

Rozwiązanie: Przejrzyj kod w edytorze zewnętrznym i sprawdź, czy występują błędy.

Komunikaty o wyjątkach
Błąd podczas oceny skryptu.
Podczas oceny skryptu wystąpił następujący błąd, aby uzyskać więcej informacji, wyświetl dziennik danych wyjściowych: ---------- rozpoczęcie komunikatu o błędzie z interpretera {script_language} ---------- {message} ---------- koniec komunikatu o błędzie z interpretera {script_language} ----------

Błąd 0090

Wyjątek występuje, gdy tworzenie tabeli Programu Hive kończy się niepowodzeniem.

Ten błąd w usłudze Azure Machine Learning występuje, gdy używasz opcji Eksportuj dane lub innej opcji zapisywania danych w klastrze usługi HDInsight, a nie można utworzyć określonej tabeli programu Hive.

Rozwiązanie: sprawdź nazwę konta magazynu platformy Azure skojarzoną z klastrem i sprawdź, czy używasz tego samego konta we właściwościach składnika.

Komunikaty o wyjątkach
Nie można utworzyć tabeli Programu Hive. W przypadku klastra usługi HDInsight upewnij się, że nazwa konta magazynu platformy Azure skojarzona z klastrem jest taka sama jak nazwa przekazywana za pośrednictwem parametru składnika.
Nie można utworzyć tabeli Programu Hive "{table_name}". W przypadku klastra usługi HDInsight upewnij się, że nazwa konta magazynu platformy Azure skojarzona z klastrem jest taka sama jak nazwa przekazywana za pośrednictwem parametru składnika.
Nie można utworzyć tabeli Programu Hive "{table_name}". W przypadku klastra usługi HDInsight upewnij się, że nazwa konta magazynu platformy Azure skojarzona z klastrem to "{cluster_name}".

Błąd 0102

Zgłaszany, gdy nie można wyodrębnić pliku ZIP.

Ten błąd w usłudze Azure Machine Learning występuje podczas importowania spakowanego pakietu z rozszerzeniem .zip, ale pakiet nie jest plikiem zip lub plik nie używa obsługiwanego formatu zip.

Rozwiązanie: upewnij się, że wybrany plik jest prawidłowym plikiem .zip i że został skompresowany przy użyciu jednego z obsługiwanych algorytmów kompresji.

Jeśli ten błąd występuje podczas importowania zestawów danych w formacie skompresowanym, sprawdź, czy wszystkie zawarte pliki używają jednego z obsługiwanych formatów plików i mają format Unicode.

Spróbuj odczytać żądane pliki do nowego skompresowanego folderu spakowanego i spróbuj ponownie dodać składnik niestandardowy.

Komunikaty o wyjątkach
Podany plik ZIP nie jest w poprawnym formacie.

Błąd 0105

Ten błąd jest wyświetlany, gdy plik definicji składnika zawiera nieobsługiwany typ parametru.

Ten błąd w usłudze Azure Machine Learning jest generowany podczas tworzenia niestandardowej definicji xml składnika, a typ parametru lub argumentu w definicji nie jest zgodny z obsługiwanym typem.

Rozwiązanie: upewnij się, że właściwość typu dowolnego elementu Arg w pliku definicji xml składnika niestandardowego jest obsługiwanym typem.

Komunikaty o wyjątkach
Nieobsługiwany typ parametru.
Nieobsługiwany typ parametru "{0}" określony.

Błąd 0107

Zgłaszany, gdy plik definicji składnika definiuje nieobsługiwany typ danych wyjściowych.

Ten błąd w usłudze Azure Machine Learning jest generowany, gdy typ portu wyjściowego w niestandardowej definicji xml składnika nie jest zgodny z obsługiwanym typem.

Rozwiązanie: upewnij się, że właściwość type elementu Output w pliku definicji xml składnika niestandardowego jest obsługiwanym typem.

Komunikaty o wyjątkach
Nieobsługiwany typ danych wyjściowych.
Określono nieobsługiwany typ danych wyjściowych "{output_type}".

Błąd 0125

Zgłaszany, gdy schemat dla wielu zestawów danych nie jest zgodny.

Rozwiązanie:

Komunikaty o wyjątkach
Schemat zestawu danych jest niezgodny.

Błąd 0127

Rozmiar pikseli obrazu przekracza dozwolony limit.

Ten błąd występuje, jeśli odczytujesz obrazy z zestawu danych obrazów do klasyfikacji, a obrazy są większe niż model może obsłużyć.

Komunikaty o wyjątkach
Rozmiar pikseli obrazu przekracza dozwolony limit.
Rozmiar pikseli obrazu w pliku "{file_path}" przekracza dozwolony limit: "{size_limit}".

Błąd 0128

Liczba prawdopodobieństw warunkowych dla kolumn kategorii przekracza limit.

Rozwiązanie:

Komunikaty o wyjątkach
Liczba prawdopodobieństw warunkowych dla kolumn kategorii przekracza limit.
Liczba prawdopodobieństw warunkowych dla kolumn kategorii przekracza limit. Kolumny "{column_name_or_index_1}" i "{column_name_or_index_2}" są problematyczną parą.

Błąd 0129

Liczba kolumn w zestawie danych przekracza dozwolony limit.

Rozwiązanie:

Komunikaty o wyjątkach
Liczba kolumn w zestawie danych przekracza dozwolony limit.
Liczba kolumn w zestawie danych w elemencie "{dataset_name}" przekracza dozwoloną liczbę kolumn.
Liczba kolumn w zestawie danych w elemencie "{dataset_name}" przekracza dozwolony limit {component_name}.
Liczba kolumn w zestawie danych {dataset_name}" przekracza dozwolony limit {component_name limit_columns_count}.

Błąd 0134

Wyjątek występuje, gdy brakuje kolumny etykiety lub nie ma wystarczającej liczby wierszy z etykietami.

Ten błąd występuje, gdy składnik wymaga kolumny etykiety, ale nie został uwzględniony w zaznaczeniu kolumny lub brakuje zbyt wielu wartości w kolumnie etykiety.

Ten błąd może również wystąpić, gdy poprzednia operacja zmienia zestaw danych, tak aby niewystarczające wiersze były dostępne dla operacji podrzędnej. Załóżmy na przykład, że używasz wyrażenia w składniku Partition and Sample , aby podzielić zestaw danych według wartości. Jeśli w wyrażeniu nie znaleziono dopasowań, jeden z zestawów danych wynikowych z partycji będzie pusty.

Rozwiązanie:

Jeśli do zaznaczenia kolumny dołączysz kolumnę etykiety, ale nie zostanie rozpoznana, użyj składnika Edytuj metadane , aby oznaczyć ją jako kolumnę etykiety.

Następnie możesz użyć składnika Clean Missing Data (Czyszczenie brakujących danych ), aby usunąć wiersze z brakującymi wartościami w kolumnie etykiety.

Sprawdź wejściowe zestawy danych, aby upewnić się, że zawierają prawidłowe dane i wystarczającą liczbę wierszy, aby spełnić wymagania operacji. Wiele algorytmów generuje komunikat o błędzie, jeśli wymagają pewnej minimalnej liczby wierszy danych, ale dane zawierają tylko kilka wierszy lub tylko nagłówek.

Komunikaty o wyjątkach
Wyjątek występuje, gdy brakuje kolumny etykiety lub nie ma wystarczającej liczby wierszy z etykietami.
Wyjątek występuje, gdy brakuje kolumny etykiety lub ma mniej niż {required_rows_count} z etykietami wierszy.
Wyjątek występuje, gdy brakuje kolumny etykiety w zestawie danych {dataset_name} lub ma mniej niż {required_rows_count} z etykietami wierszy.

Błąd 0138

Pamięć została wyczerpana, nie można ukończyć działania składnika. Zmniejszenie wydajności zestawu danych może pomóc w złagodzeniu problemu.

Ten błąd występuje, gdy składnik, który jest uruchomiony, wymaga więcej pamięci niż jest dostępny w kontenerze platformy Azure. Może się tak zdarzyć, jeśli pracujesz z dużym zestawem danych, a bieżąca operacja nie może zmieścić się w pamięci.

Rozwiązanie: Jeśli próbujesz odczytać duży zestaw danych i nie można ukończyć operacji, może to pomóc w dół podczas próbkowania zestawu danych.

Komunikaty o wyjątkach
Pamięć została wyczerpana, nie można ukończyć działania składnika.
Pamięć została wyczerpana, nie można ukończyć działania składnika. Szczegóły: {details}

Błąd 0141

Wyjątek występuje, jeśli liczba wybranych kolumn liczbowych i unikatowych wartości w kolumnach kategorii i ciągów jest zbyt mała.

Ten błąd w usłudze Azure Machine Learning występuje, gdy w wybranej kolumnie nie ma wystarczającej liczby unikatowych wartości do wykonania operacji.

Rozwiązanie: Niektóre operacje wykonują operacje statystyczne na kolumnach cech i kategorii, a jeśli nie ma wystarczającej liczby wartości, operacja może zakończyć się niepowodzeniem lub zwrócić nieprawidłowy wynik. Sprawdź zestaw danych, aby zobaczyć, ile wartości znajduje się w kolumnach funkcji i etykiet, i ustal, czy operacja, którą próbujesz wykonać, jest statystycznie prawidłowa.

Jeśli źródłowy zestaw danych jest prawidłowy, możesz również sprawdzić, czy niektóre nadrzędne operacje manipulowania danymi lub metadanymi zmieniły dane i usunęły niektóre wartości.

Jeśli operacje nadrzędne obejmują dzielenie, próbkowanie lub ponowne próbkowanie, sprawdź, czy dane wyjściowe zawierają oczekiwaną liczbę wierszy i wartości.

Komunikaty o wyjątkach
Liczba wybranych kolumn liczbowych i unikatowych wartości w kolumnach kategorii i ciągów jest zbyt mała.
Całkowita liczba wybranych kolumn liczbowych i unikatowych wartości w kolumnach kategorii i ciągów (obecnie {actual_num}) powinna wynosić co najmniej {lower_boundary}.

Błąd 0154

Wyjątek występuje, gdy użytkownik próbuje połączyć dane w kolumnach kluczy z niezgodnym typem kolumny.

Komunikaty o wyjątkach
Typy elementów kolumny klucza nie są zgodne.
Typy elementów kolumny klucza nie są zgodne. (po lewej: {keys_left}; w prawo: {keys_right})

Błąd 0155

Wyjątek występuje, gdy nazwy kolumn zestawu danych nie są ciągami.

Komunikaty o wyjątkach
Nazwa kolumny ramki danych musi być typem ciągu. Nazwy kolumn nie są ciągami.
Nazwa kolumny ramki danych musi być typem ciągu. Nazwy kolumn {column_names} nie są ciągami.

Błąd 0156

Wyjątek występuje, gdy nie można odczytać danych z usługi Azure SQL Database.

Komunikaty o wyjątkach
Nie można odczytać danych z usługi Azure SQL Database.
Nie można odczytać danych z usługi Azure SQL Database: {detailed_message} DB: {database_server_name}:{database_name} Kwerenda: {sql_statement}

Błąd 0157

Nie można odnaleźć magazynu danych.

Komunikaty o wyjątkach
Informacje o magazynie danych są nieprawidłowe.
Informacje o magazynie danych są nieprawidłowe. Nie można pobrać magazynu danych usługi Azure Machine Learning "{datastore_name}" w obszarze roboczym "{workspace_name}".

Błąd 0158

Zgłaszany, gdy katalog przekształcenia jest nieprawidłowy.

Komunikaty o wyjątkach
Podana wartość TransformationDirectory jest nieprawidłowa.
Element TransformationDirectory "{arg_name}" jest nieprawidłowy. Przyczyna: {reason}. Uruchom ponownie eksperyment trenowania, który generuje plik Transform. Jeśli eksperyment trenowania został usunięty, utwórz ponownie i zapisz plik przekształć.
Element TransformationDirectory "{arg_name}" jest nieprawidłowy. Przyczyna: {reason}. {troubleshoot_hint}

Błąd 0159

Wyjątek występuje, jeśli katalog modelu składników jest nieprawidłowy.

Komunikaty o wyjątkach
Podana wartość ModelDirectory jest nieprawidłowa.
ModelDirectory "{arg_name}" jest nieprawidłowy.
ModelDirectory "{arg_name}" jest nieprawidłowy. Przyczyna: {reason}.
ModelDirectory "{arg_name}" jest nieprawidłowy. Przyczyna: {reason}. {troubleshoot_hint}

Błąd 1000

Wyjątek biblioteki wewnętrznej.

Ten błąd jest udostępniany w celu przechwycenia w inny sposób nieobsługiwane błędy aparatu wewnętrznego. W związku z tym przyczyna tego błędu może się różnić w zależności od składnika, który wygenerował błąd.

Aby uzyskać więcej pomocy, zalecamy opublikowanie szczegółowego komunikatu, który towarzyszy błędowi na forum usługi Azure Machine Learning, wraz z opisem scenariusza, w tym danymi używanymi jako dane wejściowe. Ta opinia pomaga nam określić priorytety błędów i zidentyfikować najważniejsze problemy dotyczące dalszej pracy.

Komunikaty o wyjątkach
Wyjątek biblioteki.
Wyjątek biblioteki: {exception}.
Nieznany wyjątek biblioteki: {exception}. {customer_support_guidance}.

Przewodnik po rozwiązywaniu problemów

Błąd składnika Execute Python Script

Wyszukaj w azureml_main w 70_driver_logs składnika Execute Python Script i możesz znaleźć, który wiersz wystąpił. Na przykład "Plik "/tmp/tmp01_ID/user_script.py", wiersz 17 w azureml_main" wskazuje, że błąd wystąpił w 17 wierszu skryptu języka Python.

Szkolenie rozproszone

Obecnie projektant obsługuje trenowanie rozproszone dla składnika modelu PyTorch i trenowanie go.

Jeśli trenowanie rozproszone z włączonym składnikiem zakończy się niepowodzeniem bez żadnych 70_driver dzienników, możesz sprawdzić 70_mpi_log szczegóły błędu.

W poniższym przykładzie pokazano, że liczba węzłów ustawień uruchamiania jest większa niż dostępna liczba węzłów klastra obliczeniowego.

W poniższym przykładzie pokazano, że liczba procesów na węzeł jest większa niż jednostka przetwarzania obliczeń.

W przeciwnym razie możesz sprawdzić 70_driver_log każdy proces. 70_driver_log_0 jest przeznaczony dla procesu głównego.

Nie można zainstalować przykładowych danych w potoku

Jeśli wystąpi powyższy błąd, wykonaj poniższe kroki, aby rozwiązać ten problem:

Kliknij dwukrotnie węzeł danych, aby przejść do strony szczegółów magazynu danych.
Unregister ten azureml_globaldatasets magazyn danych.
Przeciągnij i upuść nowy Sample Data węzeł do potoku, aby wykonać kolejną próbę.

Udostępnij za pośrednictwem

Wyjątki i kody błędów projektanta

Błąd 0001

Błąd 0002

Błąd 0003

Błąd 0004

Błąd 0005

Błąd 0006

Błąd 0007

Błąd 0008

Błąd 0009

Błąd 0010

Błąd 0011

Błąd 0012

Błąd 0013

Błąd 0014

Błąd 0015

Błąd 0016

Błąd 0017

Błąd 0018

Błąd 0019

Błąd 0020

Błąd 0021

Błąd 0022

Błąd 0023

Błąd 0024

Błąd 0025

Błąd 0026

Błąd 0027

Błąd 0028

Błąd 0029

Błąd 0030

Błąd 0031

Błąd 0032

Błąd 0033

Błąd 0034

Błąd 0035

Błąd 0036

Błąd 0037

Błąd 0039

Błąd 0042

Błąd 0044

Błąd 0045

Błąd 0046

Błąd 0047

Błąd 0048

Błąd 0049

Błąd 0052

Błąd 0053

Błąd 0056

Błąd 0057

Błąd 0058

Błąd 0059

Błąd 0060

Błąd 0061

Błąd 0062

Błąd 0064

Błąd 0065

Błąd 0066

Błąd 0067

Błąd 0068

Zasoby

Błąd 0069

Błąd 0070

Błąd 0072

Błąd 0073

Błąd 0075

Błąd 0077

Błąd 0078

Błąd 0079

Błąd 0080

Błąd 0081

Błąd 0082

Błąd 0083

Błąd 0084

Błąd 0085

Błąd 0090

Błąd 0102

Błąd 0105

Błąd 0107