Solucionar problemas de experimentos automatizados de ML

APLICA-SE A:Azure CLI ml extension v2 (current)Python SDK azure-ai-ml v2 (current)

Neste guia, saiba como identificar e resolver problemas em seus experimentos automatizados de aprendizado de máquina.

Solucionar problemas de ML automatizado para imagens e PNL no Studio

Se houver uma falha de trabalho para ML automatizado para imagens e PNL, 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 AutoML. Esta execução infantil 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 visualizar std_log.txt na guia Saídas + Logs para examinar logs detalhados e rastreamentos de exceções.

Se suas execuções automatizadas de ML usam execuções de pipeline para avaliações, siga estas etapas para entender o erro.

  1. Siga as etapas de 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 são marcados com a cor vermelha. Diagram that shows a failed pipeline job.
  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 exceções.

Próximos passos