Solucionar problemas em experimentos de ML automatizado

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)SDK do Python azure-ai-ml v2 (atual)

Neste guia, aprenda como identificar e solucionar problemas em experimentos de machine learning automatizado.

Solucionar problemas de ML automatizado para imagens e NLP no Studio

Se houver uma falha de trabalho para ML automatizado para imagens e NLP, você pode usar as etapas a seguir para entender o erro.

1. Na interface do usuário do estúdio, o trabalho AutoML deve ter uma mensagem de falha indicando o motivo da falha.
2. Para obter mais detalhes, vá para o trabalho filho deste trabalho de AutoML. Esta execução filho é um trabalho do HyperDrive.
3. Na guia Avaliações, você pode verificar todas as avaliações feitas para esta execução do HyperDrive.
4. Vá para o trabalho de avaliação com falha.
5. Esses trabalhos devem ter uma mensagem de erro na seção Status da guia Visão geral indicando o motivo da falha. Selecione Ver mais detalhes para obter mais detalhes sobre a falha.
6. Além disso, você pode exibir std_log.txt na guia Saídas + Logs para examinar logs detalhados e rastreamentos de exceção.

Se a execução do ML Automatizado usar execuções de pipeline para avaliações, siga estas etapas para entender o erro.

1. Siga as etapas 1 a 4 acima para identificar o trabalho de avaliação com falha.
2. Essa execução deve mostrar a execução do pipeline e os nós com falha no pipeline estão marcados com cor vermelha.
3. Selecione o nó com falha no pipeline.
4. Esses trabalhos devem ter uma mensagem de erro na seção Status da guia Visão geral indicando o motivo da falha. Selecione Ver mais detalhes para obter mais detalhes sobre a falha.
5. Você pode examinar std_log.txt na guia Saídas + Logs para examinar logs detalhados e rastreamentos de exceção.

Próximas etapas

• Treinar modelos de pesquisa visual computacional com machine learning automatizado.
• Treinar modelos de processamento de linguagem natural com aprendizado de máquina automatizado.