Поделиться через


Исключения и коды ошибок конструктора

В этой статье описываются сообщения об ошибках и коды исключений в конструкторе Машинного обучения Azure, которые помогут устранить неполадки в конвейерах машинного обучения.

Сообщение об ошибке можно найти в конструкторе, выполнив следующие действия.

  • Выберите неисправный компонент, перейдите на вкладку Outputs+logs (Выходные данные и журналы). Подробный журнал можно найти в файле 70_driver_log.txt в категории azureml-logs.

  • Чтобы получить подробные сведения об ошибке компонента, его можно проверить в файле error_info.json в категории module_statistics.

Ниже приведены коды ошибок компонентов в конструкторе.

Ошибка 0001

Исключение возникает, если не удалось найти один или несколько столбцов указанного набора данных.

Эта ошибка возникает, если для компонента выбран выбранный столбец, но выбранные столбцы не существуют в входном наборе данных. Эта ошибка может возникать, если вы вручную ввели имя столбца или если селектор столбца предоставил рекомендуемый столбец, который не существовал в наборе данных при запуске конвейера.

Решение. Повторно откройте компонент, в котором возникает это исключение, и убедитесь, что имя столбца или имена верны и все упомянутые столбцы действительно существуют.

Сообщения об исключении
One or more specified columns were not found. (Не удалось найти один или несколько указанных столбцов).
Column with name or index "{column_id}" not found (Столбец с именем или индексом {column_id} не найден).
Column with name or index "{column_id}" does not exist in "{arg_name_missing_column}" (Столбец с именем или индексом {column_id} не существует в {arg_name_missing_column}).
Column with name or index "{column_id}" does not exist in "{arg_name_missing_column}", but exists in "{arg_name_has_column}" (Столбец с именем или индексом {column_id} не существует {arg_name_missing_column}, но существует в {arg_name_has_column}).
Columns with name or index "{column_names}" not found (Столбцы с именем или индексом {column_names} не найдены).
Columns with name or index "{column_names}" does not exist in "{arg_name_missing_column}" (Столбцы с именем или индексом {column_names} не существуют в {arg_name_missing_column}).
Columns with name or index "{column_names}" does not exist in "{arg_name_missing_column}", but exists in "{arg_name_has_column}" (Столбцы с именем или индексом {column_names} не существуют {arg_name_missing_column}, но существуют в {arg_name_has_column}).

Ошибка 0002

Исключение возникает, если один или несколько параметров не удалось проанализировать или преобразовать из указанного типа в обязательный тип целевого метода.

Эта ошибка возникает в Машинное обучение Azure при указании параметра в качестве входных данных, а тип значения отличается от ожидаемого типа, и неявное преобразование невозможно выполнить.

Решение. Проверьте требования к компоненту и определите требуемый тип значения (string, integer, double и т. д.).

Сообщения об исключении
Failed to parse parameter (Не удалось выполнить синтаксический анализ параметра).
Failed to parse "{arg_name_or_column}" parameter (Не удалось выполнить синтаксический анализ параметра {arg_name_or_column}).
Failed to convert "{arg_name_or_column}" parameter to "{to_type}" (Не удалось преобразовать параметр {arg_name_or_column} в параметр {to_type}).
Failed to convert "{arg_name_or_column}" parameter from "{from_type}" to "{to_type}" (Не удалось преобразовать параметр {arg_name_or_column} из параметра {from_type} в {to_type}).
Failed to convert "{arg_name_or_column}" parameter value "{arg_value}" from "{from_type}" to "{to_type}" (Не удалось преобразовать значение {arg_value} параметра {arg_name_or_column} из {from_type} в {to_type}).
Failed to convert value "{arg_value}" in column "{arg_name_or_column}" from "{from_type}" to "{to_type}" with usage of the format "{fmt}" provided (Не удалось преобразовать значение {arg_value} в столбце {arg_name_or_column} из {from_type} в {to_type} с использованием указанного формата {fmt}).

Ошибка 0003

Исключение возникает, если один или несколько входных аргументов имеют значение NULL или пусты.

Эта ошибка будет получена в Машинное обучение Azure, если какие-либо входные данные или параметры компонента имеют значение NULL или пусты. Эта ошибка может возникать, например, если вы не ввели ни одно значение для параметра. Это также может произойти, если выбрать набор данных, содержащий отсутствующие значения или пустой набор данных.

Решение.

  • Откройте компонент, в котором возникло исключение, и убедитесь, что указаны все входные данные. Убедитесь, что указаны все необходимые входные данные.
  • Убедитесь, что данные, загруженные из хранилища Azure, доступны, и имя учетной записи или ключ не изменились.
  • Проверьте входные данные на наличие отсутствующих значений или значений NULL.
  • При использовании запроса к источнику данных убедитесь, что данные возвращаются в нужном формате.
  • Проверьте наличие опечаток или других изменений в спецификации данных.
Сообщения об исключении
One or more of inputs are null or empty (Один или несколько входных данных имеют значение NULL или пусты).
Input "{name}" is null or empty (Входной параметр {name} имеет значение NULL или пустой).

Ошибка 0004

Исключение возникает, если параметр меньше или равен определенному значению.

Эта ошибка появится в Машинное обучение Azure, если параметр в сообщении ниже значения границы, необходимого для обработки данных компонентом.

Решение. Повторно откройте компонент, вызывающий исключение, и измените значение параметра, чтобы оно было больше указанного значения.

Сообщения об исключении
Parameter should be greater than boundary value (Значение параметра должно быть больше граничного значения).
Parameter "{arg_name}" value should be greater than {lower_boundary} (Значение параметра {arg_name} должно быть больше значения {lower_boundary}).
Parameter "{arg_name}" has value "{actual_value}" which should be greater than {lower_boundary} (Параметр {arg_name} имеет значение {actual_value}, которое должно быть больше значения {lower_boundary}).

Ошибка 0005

Исключение возникает, если параметр меньше определенного значения.

Эта ошибка появится в Машинное обучение Azure, если параметр в сообщении ниже или равен значению границы, необходимому компоненту для обработки данных.

Решение. Повторно откройте компонент, вызывающий исключение, и измените значение параметра, чтобы оно было больше или равно указанному значению.

Сообщения об исключении
Parameter should be greater than or equal to boundary value (Параметр должен быть больше или равен граничному значению).
Parameter "{arg_name}" value should be greater than or equal to {lower_boundary} (Значение параметра {arg_name} должно быть больше или равно значению {lower_boundary}).
Parameter "{arg_name}" has value "{value}" which should be greater than or equal to {lower_boundary} (Параметр {arg_name} имеет значение {value}, которое должно быть больше или равно значению {lower_boundary}).

Ошибка 0006

Исключение возникает, если значение параметра больше или равно определенному значению.

Эта ошибка появится в Машинное обучение Azure, если параметр в сообщении больше или равен значению границы, необходимому компоненту для обработки данных.

Решение. Повторно откройте компонент, вызывающий исключение, и измените значение параметра, чтобы оно было меньше указанного значения.

Сообщения об исключении
Parameters mismatch. One of the parameters should be less than another (Несоответствие параметров. Значение одного параметра должно быть меньше значения другого).
Parameter "{arg_name}" value should be less than parameter "{upper_boundary_parameter_name}" value (Значение параметра {arg_name} должно быть меньше значения параметра {upper_boundary_parameter_name}).
Parameter "{arg_name}" has value "{value}" which should be less than {upper_boundary_parameter_name} (Параметр {arg_name} имеет значение {value}, которое должно быть меньше значения {upper_boundary_parameter_name}).

Ошибка 0007

Исключение возникает, если параметр больше определенного значения.

Эта ошибка появится в Машинное обучение Azure, если в свойствах компонента указано значение, больше допустимого. Например, можно задать данные, которые находятся вне диапазона поддерживаемых дат, или указать, что будут использоваться пять столбцов, когда доступны только три.

Эта ошибка также может появиться при указании двух наборов данных, которые должны соответствовать каким-то образом. Например, если вы переименовываете столбцы и задаете столбцы по индексу, количество имен, которые необходимо указать, должно соответствовать количеству индексов столбцов. Другим примером может служить математическая операция, использующая два столбца, где столбцы должны иметь одинаковое число строк.

Решение.

  • Откройте рассматриваемый компонент и проверьте параметры числовых свойств.
  • Убедитесь, что значения параметров находятся в пределах поддерживаемого диапазона значений для этого свойства.
  • Если компонент принимает несколько входных данных, убедитесь, что данные имеют одинаковый размер.
  • Проверьте, изменился ли набор или источник данных. Иногда значение, которое работало с предыдущей версией данных, будет выдавать ошибку после того, как число столбцов, тип данных столбца или размер данных изменились.
Сообщения об исключении
Parameters mismatch. One of the parameters should be less than or equal to another. (Несоответствие параметров. Значение одного из параметров должно быть меньше или равно значению другого).
Parameter "{arg_name}" value should be less than or equal to parameter "{upper_boundary_parameter_name}" value (Значение параметра {arg_name} должно быть меньше или равно значению параметра {upper_boundary_parameter_name}).
Parameter "{arg_name}" has value "{actual_value}" which should be less than or equal to {upper_boundary} (Параметр {arg_name} имеет значение {actual_value}, которое должно быть меньше или равно значению {upper_boundary}).
Parameter "{arg_name}" value {actual_value} should be less than or equal to parameter "{upper_boundary_parameter_name}" value {upper_boundary} (Значение {actual_value} параметра {arg_name} должно быть меньше или равно значению {upper_boundary} параметра {upper_boundary_parameter_name}).
Parameter "{arg_name}" value {actual_value} should be less than or equal to {upper_boundary_meaning} value {upper_boundary} (Значение {actual_value} параметра {arg_name} должно быть меньше или равно значению {upper_boundary} параметра {upper_boundary_meaning}).

Ошибка 0008

Исключение возникает, если параметр не имеет диапазона.

Эта ошибка появится в Машинное обучение Azure, если параметр в сообщении выходит за пределы границ, необходимых компоненту для обработки данных.

Например, эта ошибка отображается при попытке использовать функции добавления строк для объединения двух наборов данных, имеющих разное число столбцов.

Решение. Повторно откройте компонент, вызывающий исключение, и измените значение параметра, чтобы оно находилось в заданном диапазоне.

Сообщения об исключении
Parameter value is not in the specified range (Значение параметра находится за пределами указанного диапазона).
Parameter "{arg_name}" value is not in range (Значение параметра {arg_name} находится за пределами диапазона).
Parameter "{arg_name}" value should be in the range of [{lower_boundary}, {upper_boundary}] (Значение параметра {arg_name} должно находиться в диапазоне [{lower_boundary}, {upper_boundary}]).
Parameter "{arg_name}" value is not in range (Значение параметра {arg_name} находится за пределами диапазона). {reason}

Ошибка 0009

Исключение возникает, если имя учетной записи хранения Azure или имя контейнера указаны неверно.

Эта ошибка возникает в конструкторе Машинное обучение Azure при указании параметров для учетной записи хранения Azure, но имя или пароль невозможно устранить. Ошибки в паролях или именах учетных записей могут происходить по многим причинам.

  • Неверный тип учетной записи. Некоторые новые типы учетных записей не поддерживаются для использования с конструктором Машинное обучение. Дополнительные сведения см. в статье Модуль импорта данных.
  • Введено неправильное имя учетной записи.
  • Учетная запись больше не существует.
  • Неправильный или измененный пароль учетной записи хранения.
  • Вы не указали имя контейнера или контейнер не существует
  • Путь к файлу не был полностью указан (путь к большому двоичному объекту).

Решение.

Такие проблемы часто возникают при попытке вручную ввести имя учетной записи, пароль или путь к контейнеру. Рекомендуется использовать новый мастер для компонента импорта данных, который помогает искать и проверять имена.

Также проверьте, удалена ли учетная запись, контейнер или большой двоичный объект. Используйте другую служебную программу службы хранилища Azure, чтобы убедиться, что имя учетной записи и пароль введены правильно и что контейнер существует.

Некоторые новые типы учетных записей не поддерживаются Машинное обучение Azure. Например, новые типы хранилища "горячий" или "холодный" не могут использоваться для машинного обучения. Как классические учетные записи хранения, так и учетные записи хранения общего назначения работают нормально.

Если указан полный путь к большому двоичному объекту, убедитесь, что путь указан как container/blobname и что контейнер и большой двоичный объект существуют в учетной записи.

Путь не должен содержать начальную косую черту. Например путь /container/blob неверен и должен иметь следующий формат: container/blob.

Сообщения об исключении
The Azure storage account name or container name is incorrect (Неверное имя учетной записи хранилища или контейнера Azure).
The Azure storage account name "{account_name}" or container name "{container_name}" is incorrect; a container name of the format container/blob was expected (Имя учетной записи хранения {account_name} или контейнера {container_name} Azure указано неверно. Ожидалось имя container/blob).

Ошибка 0010

Исключение возникает, если имена столбцов входных наборов данных должны совпадать, но они не совпадают.

Эта ошибка появится в Машинное обучение Azure, если индекс столбца в сообщении содержит разные имена столбцов в двух входных наборах данных.

Разрешение. Используйте изменение метаданных или измените исходный набор данных, чтобы иметь то же имя столбца для указанного индекса столбца.

Сообщения об исключении
Columns with corresponding index in input datasets have different names. (Имена столбцов с соответствующим индексом во входных наборах данных отличаются).
Column names are not the same for column {col_index} (zero-based) of input datasets ({dataset1} and {dataset2} respectively) (Не совпадают имена столбцов {col_index} (начиная с нуля) входных наборов данных ({DataSet1} и {DataSet2} соответственно)).

Ошибка 0011

Исключение возникает, если переданный аргумент набора столбцов не применяется к столбцам набора данных.

Эта ошибка будет получена в Машинное обучение Azure если указанный выбор столбца не соответствует ни одному из столбцов в заданном наборе данных.

Кроме того, эта ошибка может возникнуть, если вы не выбрали столбец, а для работы компонента требуется хотя бы один столбец.

Разрешение. Измените выбор столбца в компоненте таким образом, чтобы оно применялось к столбцам в наборе данных.

Если для компонента требуется выбрать конкретный столбец, например столбец меток, убедитесь, что выбран нужный.

Если выбраны недопустимые столбцы, удалите их и перезапустите конвейер.

Сообщения об исключении
Specified column set does not apply to any of dataset columns (Указанный набор столбцов не применяется к каким-либо из столбцов набора данных).
Specified column set "{column_set}" does not apply to any of dataset columns (Указанный набор столбцов {column_set} не применяется к каким-либо из столбцов набора данных).

Ошибка 0012

Исключение возникает, если экземпляр класса не удалось создать с переданным набором аргументов.

Решение. Эта ошибка не поддерживается пользователем и будет нерекомендуема в будущем выпуске.

Сообщения об исключении
Untrained model, please train model first (Модель не обучена. Сначала выполните обучение модели).
Untrained model ({arg_name}), use trained model (Модель ({arg_name}) не обучена. Используйте обученную модель).

Ошибка 0013

Исключение возникает при передаче в компонент недопустимого типа.

Эта ошибка возникает всякий раз, когда обученная модель несовместима с подключенным компонентом оценки.

Решение.

Определите тип ученика, создаваемого компонентом обучения, и укажите, какой компонент оценки подходит для этого ученика.

Если модель была обучена с помощью любого из специализированных обучающих компонентов, подключайте обученную модель только к соответствующему специализированному компоненту оценки.

Тип модели Обучающий компонент Оценочный компонент
любой классификатор Train Model (Обучение модели); Оценка модели
любая модель регрессии Train Model (Обучение модели); Оценка модели
Сообщения об исключении
Learner of invalid type is passed (Передан ученик недопустимого типа).
Learner "{arg_name}" has invalid type (Недопустимый тип ученика {arg_name}).
Learner "{arg_name}" has invalid type "{learner_type}" (Ученик {arg_name} имеет недопустимый тип параметра {learner_type}).
Learner of invalid type is passed (Передан ученик недопустимого типа). Exception message: {exception_message} (Передано средство обучения недопустимого типа. Сообщение об исключении: {сообщение_об_исключении}).

Ошибка 0014

Исключение возникает, если количество уникальных значений столбца больше чем разрешено.

Эта ошибка возникает, когда столбец содержит слишком много уникальных значений, например столбец идентификаторов или текста. Эта ошибка может возникать, если указать, что столбец должен обрабатываться как категориальные данные, но в столбце слишком много уникальных значений, чтобы разрешить завершение обработки. Эта ошибка также может появиться, если между числом уникальных значений в двух входных данных возникает несоответствие.

Ошибка, связанная превышением допустимого количества уникальных значений, возникает при выполнении обоих следующих условий:

  • Более 97 % экземпляров одного столбца являются уникальными значениями. Это означает, что почти все категории отличаются друг от друга.
  • Один столбец имеет более 1000 уникальных значений.

Решение.

Откройте компонент, создавший ошибку, и найдите столбцы, используемые в качестве входных данных. В некоторых компонентах можно щелкнуть правой кнопкой мыши входные данные набора данных и выбрать пункт "Визуализировать", чтобы получить статистику по отдельным столбцам, включая количество уникальных значений и их распределение.

Для столбцов, которые предполагается использовать для группирования или категоризации, следует сократить число уникальных значений в столбцах. В зависимости от типа данных столбца их можно уменьшить различными способами.

Для столбцов идентификаторов, не являющихся значимыми функциями во время обучения модели, можно использовать изменение метаданных , чтобы пометить этот столбец как функцию Clear, и она не будет использоваться во время обучения модели.

Для текстовых столбцов можно использовать "Хэширование признаков" или компонент "Извлечение N-граммных признаков из текста" для предварительной обработки текстовых столбцов.

Совет

Не удается найти решение, соответствующее вашему сценарию? Вы можете отправить отзыв об этом разделе, который содержит имя компонента, в котором возникла ошибка, а также тип данных и количество элементов в столбце. С помощью этих сведений мы сможем предоставить более подробные инструкции по устранению неполадок для распространенных сценариев.

Сообщения об исключении
Amount of column unique values is greater than allowed (Количество уникальных значений столбца больше допустимого).
Number of unique values in column: "{column_name}" is greater than allowed (Число уникальных значений в столбце {column_name} больше допустимого).
Number of unique values in column: "{column_name}" exceeds tuple count of {limitation} (Число уникальных значений в столбце {column_name} превышает число кортежей {limitation}).

Ошибка 0015

Исключение возникает, если произошел сбой подключения к базе данных.

Эта ошибка возникает, если ввести неправильное имя учетной записи SQL, пароль, сервер базы данных или имя базы данных или если подключение к базе данных невозможно установить из-за проблем с базой данных или сервером.

Разрешение. Убедитесь, что имя учетной записи, пароль, сервер базы данных и база данных были введены правильно, а указанная учетная запись имеет правильный уровень разрешений. Убедитесь, что база данных в данный момент доступна.

Сообщения об исключении
Error making database connection (Ошибка создания подключения к базе данных).
Error making database connection: {connection_str} (Ошибка создания подключения к базе данных: {connection_str}).

Ошибка 0016

Исключение возникает, если входные наборы данных, передаваемые компоненту, должны иметь совместимые типы столбцов, но не.

Эта ошибка появится в Машинное обучение Azure, если типы столбцов, переданных в двух или более наборах данных, несовместимы друг с другом.

Решение: используйте параметр изменить метаданные или измените исходный входной набор данных , чтобы убедиться, что типы столбцов совместимы.

Сообщения об исключении
Columns with corresponding index in input datasets do have incompatible types (Столбцы с соответствующим индексом во входных наборах данных имеют несовместимые типы).
Columns '{first_col_names}' are incompatible between train and test data (Столбцы {first_col_names} несовместимы в данных для обучения и тестирования).
Columns '{first_col_names}' and '{second_col_names}' are incompatible. (Столбцы {first_col_names} и {second_col_names} несовместимы).
Типы элементов столбцов несовместимы для столбца "{first_col_names}" (от нуля) входных наборов данных ({first_dataset_names} и {second_dataset_names} соответственно.

Ошибка 0017

Исключение возникает, если выбранный столбец использует тип данных, который не поддерживается текущим компонентом.

Например, эта ошибка может возникнуть в Машинное обучение Azure если выбор столбца содержит столбец с типом данных, который не может обрабатываться компонентом, например строковый столбец для математической операции, или столбец оценки, в котором требуется категориальный столбец признаков.

Решение.

  1. Найдите столбец, содержащий проблему.
  2. Ознакомьтесь с требованиями компонента.
  3. Измените столбец, чтобы он соответствовал требованиям. Может потребоваться использовать несколько следующих компонентов для внесения изменений в зависимости от столбца и попытки преобразования:
    • Изменение метаданных позволяет изменить тип данных столбцов или изменить использование столбцов на числовые, категориальные и т. д.
  1. В крайнем случае попробуйте изменить исходный входной набор данных.

Совет

Не удается найти решение, соответствующее вашему сценарию? Вы можете отправить отзыв об этом разделе, который содержит имя компонента, в котором возникла ошибка, а также тип данных и количество элементов в столбце. С помощью этих сведений мы сможем предоставить более подробные инструкции по устранению неполадок для распространенных сценариев.

Сообщения об исключении
Cannot process column of current type. Тип не поддерживается компонентом.
Cannot process column of type {col_type}. Тип не поддерживается компонентом.
Cannot process column "{col_name}" of type {col_type}. Тип не поддерживается компонентом.
Cannot process column "{col_name}" of type {col_type}. Тип не поддерживается компонентом. Parameter name: {arg_name} (Не удается обработать столбец {col_name} типа {col_type}. Тип не поддерживается модулем). Имя параметра: {arg_name}.

Ошибка 0018

Исключение возникает, если входной набор данных недействителен.

Разрешение. Эта ошибка в Машинное обучение Azure может отображаться во многих контекстах, поэтому нет ни одного разрешения. Как правило, ошибка указывает, что данные, предоставленные в качестве входных данных для компонента, имеют неправильное количество столбцов или что тип данных не соответствует требованиям компонента. Например:

  • Компоненту требуется столбец метки, но столбец не помечен как метка или вы еще не выбрали столбец метки.

  • Для компонента требуется, чтобы данные были упорядочены, а они представлены в числовом формате.

  • Данные имеют неправильный формат.

  • Импортированные данные содержат недопустимые символы, неверные значения или значения, которые выходят за пределы диапазона.

  • Столбец пуст или содержит слишком много отсутствующих значений.

Чтобы определить требования и способы использования данных, ознакомьтесь со статьей справки по компоненту, который будет использовать набор данных в качестве входных данных.

.
Сообщения об исключении
Dataset is not valid (Недопустимый набор данных).
{dataset1} contains invalid data (Параметр {dataset1} содержит недопустимые данные).
{dataset1} and {dataset2} should be consistent columnwise (Параметры {dataset1} и {dataset2} должны быть согласованы по столбцам).
{dataset1} contains invalid data, {reason} (Параметр {dataset1} содержит недопустимые данные, {reason}).
{dataset1} contains {invalid_data_category} (Параметр {dataset1} содержит {invalid_data_category}). {troubleshoot_hint}
{dataset1} is not valid, {reason} (Параметр {dataset1} является недопустимым, {reason}). {troubleshoot_hint}

Ошибка 0019

Исключение возникает, если столбец должен содержать отсортированные значения, но это не так.

Эта ошибка будет получена в Машинное обучение Azure, если указанные значения столбцов не упорядочены.

Решение. Отсортируйте значения столбцов путем изменения входного набора данных вручную и повторно запустите компонент.

Сообщения об исключении
Values in column are not sorted (Значения в столбце не сортированы).
Values in column "{col_index}" are not sorted (Значения в столбце {col_index} не сортированы).
Values in column "{col_index}" of dataset "{dataset}" are not sorted (Значения в столбце {col_index} набора данных {dataset} не отсортированы).
Values in argument "{arg_name}" are not sorted in "{sorting_order}" order (Значения в аргументе {arg_name} не сортируются в порядке {sorting_order}).

Ошибка 0020

Исключение возникает, если количество столбцов в некоторых наборах данных, переданных компоненту, слишком мало.

Эта ошибка появится в Машинное обучение Azure, если для компонента выбрано недостаточно столбцов.

Решение. Повторно откройте компонент и убедитесь, что в селекторе столбцов выбрано правильное число столбцов.

Сообщения об исключении
Number of columns in input dataset is less than allowed minimum (Число столбцов во входном наборе данных меньше допустимого минимального значения).
Number of columns in input dataset "{arg_name}" is less than allowed minimum (Число столбцов во входном наборе данных {arg_name} меньше допустимого минимального значения).
Number of columns in input dataset is less than allowed minimum of {required_columns_count} column(s) (Число столбцов во входном наборе данных меньше допустимого минимального значения столбца {required_columns_count}).
Number of columns in input dataset "{arg_name}" is less than allowed minimum of {required_columns_count} column(s) (Число столбцов во входном наборе данных {arg_name} меньше допустимого минимального значения столбца {required_columns_count}).

Ошибка 0021

Исключение возникает, если количество строк в некоторых наборах данных, переданных компоненту, слишком мало.

Эта ошибка в Машинное обучение Azure, если в наборе данных недостаточно строк для выполнения указанной операции. Например, эта ошибка может появиться, если входной набор данных пуст или если вы пытаетесь выполнить операцию, требующую минимального количества строк. Такие операции могут включать (но не ограничиваются) группированием или классификацией на основе статистических методов, определенных типов бинирования и обучения с подсчетами.

Решение.

  • Откройте компонент, который выдал ошибку, и проверьте входной набор данных и свойства компонента.
  • Убедитесь, что входной набор данных не пуст и есть достаточно строк данных, чтобы соответствовать требованиям, описанным в справке компонента.
  • Если данные загружаются из внешнего источника, убедитесь, что источник данных доступен и что в определении данных нет ошибок или изменений в определении данных, что приведет к тому, что процесс импорта будет получать меньше строк.
  • Если выполняется операция с данными вышестоящей части компонента, которая может повлиять на тип данных или количество значений, таких как очистка, разделение или соединение операций, проверьте выходные данные этих операций, чтобы определить количество возвращаемых строк.
Сообщения об исключении
Number of rows in input dataset is less than allowed minimum (Число строк во входном наборе данных меньше допустимого минимального значения).
Number of rows in input dataset is less than allowed minimum of {required_rows_count} row(s) (Число строк во входном наборе данных меньше допустимого минимального значения {required_rows_count}).
Number of rows in input dataset is less than allowed minimum of {required_rows_count} row(s) (Число строк во входном наборе данных меньше допустимого минимального значения {required_rows_count}). {reason}
Number of rows in input dataset "{arg_name}" is less than allowed minimum of {required_rows_count} row(s) (Число строк во входном наборе данных {arg_name} меньше допустимого минимального значения строк {required_rows_count}).
Number of rows in input dataset "{arg_name}" is {actual_rows_count}, less than allowed minimum of {required_rows_count} row(s) (Число строк во входном наборе данных {arg_name} равно {actual_rows_count}, что меньше допустимого минимума в строках {required_rows_count}).
Number of "{row_type}" rows in input dataset "{arg_name}" is {actual_rows_count}, less than allowed minimum of {required_rows_count} row(s) (Число строк {row_type} во входном наборе данных {arg_name} равно {actual_rows_count}, что меньше допустимого минимума в строках {required_rows_count}).

Ошибка 0022

Исключение возникает, если число выбранных столбцов в входном наборе данных не равно ожидаемому числу.

Эта ошибка в Машинном обучении Azure может возникнуть, если нижестоящему компоненту или операции требуется определенное количество столбцов или входных данных, а вы предоставили слишком малое их количество. Например:

  • Вы указываете один столбец меток или ключевой столбец и случайно выбрали несколько столбцов.

  • Вы переименоваете столбцы, но предоставили больше или меньше имен, чем есть столбцы.

  • Число столбцов в источнике или назначении изменилось или не соответствует числу столбцов, используемых компонентом.

  • Вы предоставили разделенный запятыми список значений входных данных, но количество значений не совпадает, или несколько входных данных не поддерживаются.

Решение. Повторно откройте компонент и проверьте выбор столбца, чтобы убедиться, что выбрано правильное число столбцов. Проверьте выходные данные вышестоящих компонентов и требования нисходящих операций.

Если вы использовали один из вариантов выбора столбцов, с помощью которого можно выбрать несколько столбцов (индексы столбцов, все объекты, все числовые значения и т. д.), проверьте точное количество столбцов, возвращаемых выделением.

Убедитесь, что число или тип вышестоящих столбцов не изменилось.

Если вы используете набор данных рекомендаций для обучения модели, помните, что рекомендуется ожидать ограниченного количества столбцов, соответствующих парам элементов пользователя или ранжированию элементов пользователя. Удалите дополнительные столбцы перед обучением модели или разбиением наборов данных рекомендаций. Дополнительные сведения см. в статье Модуль Split Data.

Сообщения об исключении
Number of selected columns in input dataset does not equal to the expected number (Число выбранных столбцов во входном наборе данных не соответствует ожидаемому числу).
Number of selected columns in input dataset does not equal to {expected_col_count} (Число выбранных столбцов во входном наборе данных не соответствует {expected_col_count}).
Column selection pattern "{selection_pattern_friendly_name}" provides number of selected columns in input dataset not equal to {expected_col_count} (Шаблон выбора столбцов {selection_pattern_friendly_name} предоставляет число выбранных столбцов во входном наборе данных, которое не равно {expected_col_count}).
Column selection pattern "{selection_pattern_friendly_name}" is expected to provide {expected_col_count} column(s) selected in input dataset, but {selected_col_count} column(s) is/are actually provided (Ожидается, что шаблон выбора столбцов {selection_pattern_friendly_name} предоставит {expected_col_count} выбранных столбцов во входном наборе данных, но фактически предоставлено {selected_col_count} столбцов).

Ошибка 0023

Исключение возникает, если целевой столбец входного набора данных недействителен для текущего компонента обучения.

Эта ошибка в Машинное обучение Azure возникает, если целевой столбец (выбранный в параметрах компонента) не является допустимым типом данных, содержит все отсутствующие значения или не был категориальным, как ожидалось.

Решение. Повторно откройте входные данные компонента, чтобы проверить содержимое столбца меток или целевого столбца. Убедитесь, что у него нет всех отсутствующих значений. Если компонент ожидает, что целевой столбец будет категориальным, убедитесь, что в целевом столбце имеется несколько различных значений.

Сообщения об исключении
Input dataset has unsupported target column (Входной набор данных содержит неподдерживаемый целевой столбец).
Input dataset has unsupported target column "{column_index}" (Входной набор данных содержит неподдерживаемый целевой столбец {column_index}).
Input dataset has unsupported target column "{column_index}" for learner of type {learner_type} (Входной набор данных содержит неподдерживаемый целевой столбец {column_index} для ученика типа {learner_type}).

Ошибка 0024

Исключение возникает, если набор данных не содержит столбец меток.

Эта ошибка в Машинное обучение Azure возникает, когда компоненту требуется столбец меток, а набор данных не имеет столбца меток. Например, для вычисления оцененного набора данных обычно требуется наличие столбца меток, чтобы вычислить метрики точности.

Также может произойти, что столбец меток присутствует в наборе данных, но не обнаружен должным образом Машинным обучением Azure.

Решение.

  • Откройте компонент, создавший ошибку, и определите, присутствует ли столбец меток. Имя или тип данных столбца не имеет значения, если столбец содержит один результат (или зависимые переменные), которые вы пытаетесь предсказать. Если вы не уверены, какой столбец имеет метку, найдите универсальное имя, например класс или целевой объект.
  • Если набор данных не содержит столбец меток, возможно, столбец метки был явно или случайно удален вышестоящим. Может также быть, что набор данных не является выходным результатом компонента оценки вышестоящего потока.
  • Чтобы явно пометить столбец как столбец меток, добавьте компонент изменения метаданных и подключите набор данных. Выберите только столбец меток и щелкните Label (Метка) в раскрывающемся списке Fields (Поля).
  • Если в качестве метки выбран неправильный столбец, можно выбрать Clear label (Удалить метку) в раскрывающемся списке Fields (Поля), чтобы исправить метаданные в столбце.
Сообщения об исключении
There is no label column in dataset (В наборе данных отсутствует столбец меток).
There is no label column in "{dataset_name}" (В {dataset_name} отсутствует столбец метки).

Ошибка 0025

Исключение возникает, если набор данных не содержит столбец оценки.

Эта ошибка в Машинное обучение Azure возникает, если входные данные в вычисляемой модели не содержат допустимые столбцы оценки. Например, пользователь пытается оценить набор данных до того, как он был оценен с помощью правильной обученной модели, или столбец для оценки был явно удален из вышестоящего модуля. Это исключение также возникает, если столбцы оценки в двух наборах данных несовместимы. Например, возможно, вы пытаетесь сравнить точность линейного регрессора с двоичным классификатором.

Решение. Повторно просмотрите входные данные в вычисляемую модель и проверьте, содержит ли он один или несколько столбцов оценки. Если нет, набор данных не был оценен или столбцы оценки были удалены в вышестоящем компоненте.

Сообщения об исключении
There is no score column in dataset (В наборе данных отсутствует столбец оценки).
There is no score column in "{dataset_name}" (В наборе данных отсутствует столбец оценки {dataset_name}).
There is no score column in "{dataset_name}" that is produced by a "{learner_type}". Score the dataset using the correct type of learner. (В {dataset_name} отсутствует столбец оценки, созданный {learner_type}. Оценка набора данных будет осуществляться с использованием ученика правильного типа).

Ошибка 0026

Исключение возникает, если столбцы с тем же именем не разрешены.

Эта ошибка в Машинном обучении Azure возникает, если несколько столбцов имеют одно и то же имя. Один из способов получения этой ошибки заключается в том, что набор данных не имеет заголовков строк и имен столбцов автоматически назначается: Col0, Col1 и т. д.

Решение. Если столбцы имеют одинаковое имя, вставьте компонент "Правка метаданных" между входным набором данных и компонентом. Используйте селектор столбцов в модуле изменения метаданных, чтобы выбрать столбцы для переименования, и введите новые имена в текстовом поле New column names (Новые имена столбцов).

Сообщения об исключении
Equal column names are specified in arguments. В компоненте не допускаются одинаковые имена столбцов.
Equal column names in arguments "{arg_name_1}" and "{arg_name_2}" are not allowed. Please specify different names (Одинаковые имена столбцов в аргументах {arg_name_1} и {arg_name_2} не допускаются. Укажите разные имена).

Ошибка 0027

Исключение возникает в случае, если два объекта должны иметь одинаковый размер, но не являются.

Это распространенная ошибка в Машинном обучении Azure, которая может быть вызвана множеством условий.

Решение: нет конкретного разрешения. Тем не менее, можно проверить следующие условия:

  • При переименовании столбцов убедитесь, что каждый список (входные столбцы и список новых имен) имеет одинаковое количество элементов.

  • Если вы присоединяетесь или объединяете два набора данных, убедитесь, что они имеют одну и ту же схему.

  • Если вы присоединяетесь к двум наборам данных с несколькими столбцами, убедитесь, что ключевые столбцы имеют один и тот же тип данных, а затем выберите параметр "Разрешить дубликаты" и сохранить порядок столбцов в выборе.

Сообщения об исключении
The size of passed objects is inconsistent (Размер переданных объектов не согласован).
The size of "{friendly_name1}" is inconsistent with size of "{friendly_name2}" (Размер столбца {friendly_name1} не соответствует размеру столбца {friendly_name2}).

Ошибка 0028

Исключение возникает в случае, если набор столбцов содержит повторяющиеся имена столбцов и не допускается.

Эта ошибка в Машинном обучении Azure возникает при дублировании имен столбцов, которые не являются уникальными.

Решение. Если столбцы имеют одинаковые имена, добавьте экземпляр компонента "Правка метаданных" между входным набором данных и компонентом, вызвавшим ошибку. Используйте селектор столбцов в модуле изменения метаданных, чтобы выбрать столбцы для переименования, и введите имена новых столбцов в текстовом поле New column names (Новые имена столбцов). При переименовании нескольких столбцов убедитесь, что значения, введенные в именах новых столбцов, уникальны.

Сообщения об исключении
Column set contains duplicated column name(s) (Набор столбцов содержит столбцы с повторяющимися именами).
The name "{duplicated_name}" is duplicated (Имя {duplicated_name} повторяется).
The name "{duplicated_name}" is duplicated in "{arg_name}" (Имя {duplicated_name} повторяется в {arg_name}).
The name "{duplicated_name}" is duplicated (Имя {duplicated_name} повторяется). Сведения: {details}

Ошибка 0029

Исключение возникает в случае передачи недопустимого универсального кода ресурса (URI).

Эта ошибка в Машинном обучении Azure возникает в случае, если передан недопустимый универсальный код ресурса (URI). Вы получите эту ошибку, если одно из следующих условий имеет значение true:

  • Общедоступный URI или URI SAS, предоставленный для хранилища BLOB-объектов Azure для чтения или записи, содержит ошибку.

  • Срок действия временного интервала для SAS истек.

  • URL-адрес с использованием протокола HTTP представляет файл или URI с замыканием на себя.

  • URL-адрес с использованием протокола HTTP содержит неверно отформатированный URL-адрес.

  • URL-адрес не может быть разрешен удаленным источником.

Решение. Повторно откройте компонент и проверьте формат универсального кода ресурса (URI). Если источник данных является ВЕБ-URL-адресом через HTTP, убедитесь, что предполагаемый источник не является файлом или универсальным кодом ресурса (localhost).

Сообщения об исключении
Invalid URI is passed (Передан недопустимый URI).
The URI "{invalid_url}" is invalid (URI {invalid_url} недопустимый).

Ошибка 0030

Исключение возникает в случае, если невозможно скачать файл.

Это исключение в Машинное обучение Azure возникает, если невозможно скачать файл. Это исключение будет получено, когда попытка чтения из источника HTTP завершилась сбоем после трех попыток повтора (3).

Разрешение. Убедитесь, что универсальный код ресурса (URI) в источнике HTTP является правильным, и что сайт в настоящее время доступен через Интернет.

Сообщения об исключении
Unable to download a file (Не удалось скачать файл).
Error while downloading the file: {file_url} (Ошибка при скачивании файла: {file_url}).

Ошибка 0031

Исключение возникает, если количество столбцов в наборе столбцов меньше необходимого.

Эта ошибка в Машинном обучении Azure возникает, если выбранное число столбцов меньше необходимого. Эта ошибка будет получена, если минимальное требуемое количество столбцов не выбрано.

Разрешение. Добавление дополнительных столбцов в выбранный столбец с помощью селектора столбцов.

Сообщения об исключении
Number of columns in column set is less than required (Количество столбцов в наборе столбцов меньше необходимого).
At least {required_columns_count} column(s) should be specified for input argument "{arg_name}" (Для входного аргумента {arg_name} необходимо указать по крайней мере такое количество столбцов: {required_columns_count}).
At least {required_columns_count} column(s) should be specified for input argument "{arg_name}" (Для входного аргумента {arg_name} необходимо указать по крайней мере такое количество столбцов: {required_columns_count}). The actual number of specified columns is {input_columns_count} (Фактическое число указанных столбцов: {input_columns_count}).

Ошибка 0032

Исключение возникает, если аргумент не является числом.

Эта ошибка появится в Машинное обучение Azure, если аргумент является двойным или naN.

Разрешение. Измените указанный аргумент, чтобы использовать допустимое значение.

Сообщения об исключении
Argument is not a number (Аргумент не является числом).
"{arg_name}" is not a number ({arg_name} не является числом).

Ошибка 0033

Исключение возникает, если аргумент — бесконечность.

Эта ошибка в Машинном обучении Azure возникает, если аргумент имеет бесконечное значение. Эта ошибка будет получена, если аргумент имеет значение double.NegativeInfinity или double.PositiveInfinity.

Разрешение. Измените указанный аргумент в допустимое значение.

Сообщения об исключении
Argument must be finite (Аргумент должен быть конечным).
"{arg_name}" is not finite ({arg_name} не является конечным).
Column "{column_name}" contains infinite values (Столбец {column_name} содержит бесконечные значения).

Ошибка 0034

Исключение возникает, если для данной пары "пользователь-элемент" существует более одной оценки.

Эта ошибка в Машинном обучении Azure возникает в рекомендации, если в паре "пользователь-элемент" содержится более одного значения оценки.

Разрешение. Убедитесь, что пара элементов пользователя имеет только одно значение оценки.

Сообщения об исключении
More than one rating exists for the value(s) in dataset (В наборе данных существует несколько оценок для значений).
More than one rating for user {user} and item {item} in rating prediction data table (В таблице прогнозирующих данных существует несколько оценок для одного пользователя {user} и элемента {item}).
More than one rating for user {user} and item {item} in {dataset} (В {dataset} существует несколько оценок для пользователя {user} и элемента {item} в {dataset}).

Ошибка 0035

Исключение возникает, если для данного пользователя или элемента не были предоставлены какие-либо признаки.

Эта ошибка в Машинное обучение Azure возникает при попытке использовать модель рекомендаций для оценки, но не удается найти вектор признаков.

Решение.

В модели рекомендаций Matchbox требуется соблюдать определенные требования, которые должны быть выполнены при использовании признаков элементов или признаков пользователя. Эта ошибка означает, что для пользователя или элемента, указанного в качестве входных данных, отсутствует вектор признаков. Убедитесь, что в данных для каждого пользователя или элемента доступен вектор признаков.

Например, если вы обучили модель рекомендаций с помощью таких функций, как возраст, расположение или доход пользователя, но теперь хотите создать оценки для новых пользователей, которые не были замечены во время обучения, необходимо предоставить некоторый эквивалентный набор функций (например, возраст, расположение и доход) для новых пользователей, чтобы сделать соответствующие прогнозы для них.

Если у вас нет функций для этих пользователей, рассмотрите возможность создания соответствующих функций. Например, если у вас нет отдельных значений возраста пользователя или дохода, можно создать приблизительные значения, используемые для группы пользователей.

Совет

Решение неприменимо к вашему случаю? Вы можете отправить отзыв об этой статье и предоставить сведения о сценарии, включая компонент и число строк в столбце. Эти сведения будут использоваться для предоставления более подробных инструкций по устранению неполадок в будущем.

Сообщения об исключении
No features were provided for a required user or item (Признаки не предоставлены для пользователя или элемента).
Features for {required_feature_name} required but not provided (Не предоставлены обязательные признаки для {required_feature_name}).

Ошибка 0036

Исключение возникает, если для данного пользователя или элемента было предоставлено несколько векторов признаков.

Эта ошибка в Машинном обучении Azure возникает, если вектор признаков указан несколько раз.

Разрешение. Убедитесь, что вектор признаков не определен более одного раза.

Сообщения об исключении
Duplicate feature definition for a user or item (Повторяющееся определение признака для пользователя или элемента).

Ошибка 0037

Исключение возникает, если указано несколько столбцов метки, а допускается только один.

Эта ошибка в Машинном обучении Azure возникает, если выбрано несколько столбцов в качестве нового столбца меток. Для большинства управляемых алгоритмов обучения необходимо, чтобы один столбец был помечен как целевой столбец или столбец меток.

Разрешение. Обязательно выберите один столбец в качестве нового столбца меток.

Сообщения об исключении
Multiple label columns are specified (Указано несколько столбцов меток).
Multiple label columns are specified in "{dataset_name}" (Указано несколько столбцов меток в {dataset_name}).

Ошибка 0039

Исключение возникает, если не удалось выполнить операцию.

Эта ошибка в Машинное обучение Azure возникает, когда внутренняя операция не может быть завершена.

Решение. Эта ошибка вызвана многими условиями, и нет определенного средства защиты.
В следующей таблице содержатся общие сообщения об этой ошибке, за которыми следует определенное описание условия.

Если нет сведений, страница вопросов Microsoft Q&A для отправки отзывов и предоставления сведений о компонентах, которые вызвали ошибку и связанные условия.

Сообщения об исключении
Ошибка при выполнении операции.
Error while completing operation: "{failed_operation}" (Ошибка при выполнении операции: {failed_operation}).
Error while completing operation: "{failed_operation}" (Ошибка при выполнении операции: {failed_operation}). Reason: {reason}. Причина: {reason}.

Ошибка 0042

Исключение возникает, когда невозможно преобразовать столбец в другой тип.

Эта ошибка в Машинное обучение Azure возникает, если невозможно преобразовать столбец в указанный тип. Эта ошибка возникает, если компоненту требуется определенный тип данных, например datetime, текст, число с плавающей запятой или целое число, но невозможно преобразовать существующий столбец в требуемый тип.

Например, можно выбрать столбец и попытаться преобразовать его в числовой тип данных для использования в математической операции и получить эту ошибку, если столбец содержал недопустимые данные.

Другая причина может возникать при попытке использовать столбец, содержащий числа с плавающей запятой или множество уникальных значений в качестве столбца категорий.

Решение.

  • Откройте страницу справки для компонента, создавшего ошибку, и проверьте требования к типу данных.
  • Проверьте типы данных столбцов во входном наборе данных.
  • Проверьте данные, исходящие из так называемых источников данных без схем.
  • Проверьте набор данных на наличие отсутствующих значений или специальных символов, которые могут блокировать преобразование в нужный тип данных.
    • Числовые типы данных должны быть одинаковыми: например, проверьте наличие чисел с плавающей запятой в столбце целых чисел.
    • Поищите текстовые строки или значения Н/Д в столбце чисел.
    • Логические значения можно преобразовать в соответствующее представление в зависимости от требуемого типа данных.
    • Проверка текстовых столбцов для символов, символов вкладок или элементов управления
    • Данные типа Datetime должны быть согласованными, чтобы избежать ошибок моделирования, но очистка может быть сложной из-за множества форматов. Для выполнения очистки рассмотрите возможность использования компонентов выполнения скриптов Python.
  • При необходимости измените значения во входном наборе данных, чтобы столбец мог быть успешно преобразован. Изменения могут включать в себя операции группирования, усечения или округления, исключения выбросов или добавления отсутствующих значений. Ознакомьтесь со следующими статьями для некоторых распространенных сценариев преобразования данных в машинном обучении:

Совет

Решение не понятно или неприменимо к вашему случаю? Вы можете отправить отзыв об этой статье и предоставить сведения о сценарии, включая компонент и тип данных в столбце. Эти сведения будут использоваться для предоставления более подробных инструкций по устранению неполадок в будущем.

Сообщения об исключении
Not allowed conversion (Преобразование не допускается).
Could not convert column of type {type1} to column of type {type2} (Не удалось преобразовать столбец типа {type1} в столбец типа {type2}).
Could not convert column "{col_name1}" of type {type1} to column of type {type2} (Не удалось преобразовать столбец {col_name1} типа {type1} в столбец типа {type2}).
Could not convert column "{col_name1}" of type {type1} to column "{col_name2}" of type {type2} (Не удалось преобразовать столбец {col_name1} типа {type1} в столбец {col_name2} типа {type2}).

Ошибка 0044

Исключение возникает, когда невозможно наследовать тип элемента столбца из существующих значений.

Эта ошибка в Машинное обучение Azure возникает, если невозможно определить тип столбца или столбцов в наборе данных. Обычно это происходит при объединении двух или более наборов данных с разными типами элементов. Если Машинное обучение Azure не удается определить общий тип, который может представлять все значения в столбце или столбцах без потери информации, он создает эту ошибку.

Разрешение. Убедитесь, что все значения в заданном столбце в обоих наборах данных объединяются с одним типом (числовым, логическим, категориальным, строковым, датой и т. д.) или могут быть принудены к одному типу.

Сообщения об исключении
Cannot derive element type of the column (Не удается создать производный тип элемента столбца).
Cannot derive element type for column "{column_name}" -- all the elements are null references. (Не удается создать производный тип элемента для столбца {column_name}: все элементы — пустые ссылки).
Cannot derive element type for column "{column_name}" of dataset "{dataset_name}" -- all the elements are null references (Не удается создать производный тип элемента для столбца {column_name} набора данных {dataset_name}: все элементы — пустые ссылки).

Ошибка 0045

Исключение возникает, если невозможно создать столбец из-за смешанных типов элементов в источнике.

Эта ошибка в Машинном обучении Azure возникает, если типы элементов двух объединяемых наборов данных отличаются.

Разрешение. Убедитесь, что все значения в заданном столбце в обоих наборах данных объединяются с одинаковым типом (числовым, логическим, категориальным, строковым, датой и т. д.).

Сообщения об исключении
Cannot create column with mixed element types (Не удается создать столбец со смешанными типами элементов).
Cannot create column with id "{column_id}" of mixed element types (Не удается создать столбец с идентификатором {column_id} типов смешанных элементов):
Type of data[{row_1}, {column_id}] is "{type_1}" Тип данных [{row_1}, {column_id}] — {type_1}.
Type of data[{row_2}, {column_id}] is "{type_2}" (Тип данных [{row_2}, {column_id}] — {type_2}).
Cannot create column with id "{column_id}" of mixed element types (Не удается создать столбец с идентификатором {column_id} типов смешанных элементов):
Type in chunk {chunk_id_1} is "{type_1}" (Тип в блоке {chunk_id_1} — {type_1}).
Type in chunk {chunk_id_2} is "{type_2}" with chunk size: {chunk_size} (Тип в блоке {chunk_id_2} — {type_2} с размером блока: {chunk_size}).

Ошибка 0046

Исключение возникает, если невозможно создать каталог по указанному пути.

Эта ошибка в Машинное обучение Azure возникает, если невозможно создать каталог по указанному пути. Вы получите эту ошибку, если любая часть пути к выходному каталогу для запроса Hive некорректна или недоступна.

Разрешение. Повторно внесите изменения в компонент и убедитесь, что путь к каталогу правильно отформатирован и доступен с помощью текущих учетных данных.

Сообщения об исключении
Please specify a valid output directory (Укажите допустимый выходной каталог).
Directory: {path} cannot be created. Please specify valid path (Не удается создать каталог: {path}. Укажите допустимый путь).

Ошибка 0047

Исключение возникает, если количество столбцов признаков в некоторых наборах данных, переданных компоненту, слишком мало.

Эта ошибка в Машинное обучение Azure возникает, если входной набор данных для обучения не содержит минимальное количество столбцов, необходимых алгоритму. Обычно либо набор данных пуст, либо содержит только столбцы для обучения.

Разрешение. Перезапустите входной набор данных, чтобы убедиться, что есть один или несколько дополнительных столбцов, кроме столбца метки.

Сообщения об исключении
Number of feature columns in input dataset is less than allowed minimum (Число столбцов признаков во входном наборе данных меньше допустимого минимального значения).
Number of feature columns in input dataset is less than allowed minimum of {required_columns_count} column(s) (Число столбцов признаков во входном наборе данных меньше допустимого минимального значения {required_columns_count}).
Number of feature columns in input dataset "{arg_name}" is less than allowed minimum of {required_columns_count} column(s) (Число столбцов признаков во входном наборе данных {arg_name} меньше допустимого минимального значения {required_columns_count}).

Ошибка 0048

Исключение возникает в случае, если невозможно открыть файл.

Эта ошибка в Машинное обучение Azure возникает, если невозможно открыть файл для чтения или записи. Эта ошибка может возникнуть по следующим причинам:

  • Контейнер или файл (большой двоичный объект) не существует

  • Уровень доступа файла или контейнера не позволяет получить доступ к файлу.

  • Файл слишком велик для чтения или имеет неправильный формат.

Решение. Внесите изменения в компонент и файл, который вы пытаетесь прочитать.

Проверьте правильность имен контейнера и файла.

Используйте классический портал Azure или средство хранилища Azure, чтобы убедиться, что у вас есть разрешение на доступ к файлу.

Сообщения об исключении
Unable to open a file (Не удалось открыть файл).
Error while opening the file: {file_name} (Ошибка при открытии файла: {file_name}).
Error while opening the file: {file_name} (Ошибка при открытии файла: {file_name}). Storage exception message: {exception}. (Ошибка при открытии файла: {file_name}. Сообщение об исключении хранилища: {exception}).

Ошибка 0049

Исключение возникает в случае, если невозможно проанализировать файл.

Эта ошибка в Машинное обучение Azure возникает, когда невозможно проанализировать файл. Эта ошибка возникает, если формат файла, выбранный в компоненте импорта данных , не соответствует фактическому формату файла, или если файл содержит неузнаваемый символ.

Разрешение. Повторно проверьте компонент и исправьте выбор формата файла, если он не соответствует формату файла. Если это возможно, проверьте файл, чтобы убедиться, что он не содержит недопустимых символов.

Сообщения об исключении
Unable to parse a file (Не удалось выполнить анализ файла).
Error while parsing the {file_format} file.
Error while parsing the {file_format} file: {file_name} (Ошибка при анализе файла {file_format}: {file_name}).
Error while parsing the {file_format} file. Reason: {failure_reason}. (Ошибка при синтаксическом анализе файла {file_format}. Причина: {failure_reason}).
Error while parsing the {file_format} file: {file_name} (Ошибка при анализе файла {file_format}: {file_name}). Reason: {failure_reason}. (Ошибка при синтаксическом анализе файла {file_format}. Причина: {failure_reason}).

Ошибка 0052

Исключение возникает, если ключ учетной записи хранилища Azure указан неправильно.

Эта ошибка в Машинном обучении Azure возникает, если ключ, используемый для доступа к учетной записи хранения Azure, неправильный. Например, эта ошибка может возникать, если ключ хранилища Azure был усечен при копировании и вставке, а также при использовании неправильного ключа.

Дополнительные сведения о том, как получить ключ для учетной записи хранения Azure, см. в статье Создание учетной записи хранения Azure.

Решение. Повторно откройте компонент и убедитесь, что ключ к хранилищу Azure указан правильно для учетной записи. При необходимости скопируйте ключ на классическом портале Azure.

Сообщения об исключении
The Azure storage account key is incorrect (Неверный ключ учетной записи хранилища Azure).

Ошибка 0053

Исключение возникает, если отсутствуют признаки пользователей или элементы для рекомендаций подсистемы Matchbox.

Эта ошибка в Машинное обучение Azure возникает, когда не удается найти вектор признаков.

Разрешение. Убедитесь, что вектор признаков присутствует в входном наборе данных.

Сообщения об исключении
User features or/and items are required but not provided (Не предоставлены обязательные признаки пользователя или элементы).

Ошибка 0056

Исключение возникает, если выбранные для операции столбцы нарушают требования.

Эта ошибка в Машинное обучение Azure возникает при выборе столбцов для операции, требующей наличия столбца определенного типа данных.

Эта ошибка также может произойти, если столбец является правильным типом данных, но компонент, который вы используете, требует, чтобы столбец также был помечен как компонент, метка или категориальный столбец.

Решение.

  1. Проверьте тип данных столбцов, которые выбраны в данный момент.

  2. Проверьте, являются ли выбранные столбцы столбцами категорий, меток или признаков.

  3. Изучите раздел справки для компонента, в котором сделан выбор столбцов, чтобы определить, существуют ли особые требования для использования типа данных или столбца.

  4. Используйте модуль изменения метаданных, чтобы изменить тип столбца на время выполнения операции. Не забудьте изменить тип столбца обратно на его исходное значение, используя другой экземпляр модуля изменения метаданных, если он необходим для выполнения последующих операций.

Сообщения об исключении
One or more selected columns were not in an allowed category (Один или несколько выделенных столбцов принадлежали неразрешенной категории).
Column with name "{col_name}" is not in an allowed category (Столбец с именем {col_name} принадлежит недопустимой категории).

Ошибка 0057

Исключение возникает при попытке создать уже существующий файл или большой двоичный объект.

Это исключение возникает при использовании компонента экспорта данных или другого компонента для сохранения результатов конвейера в Машинное обучение Azure в хранилище BLOB-объектов Azure, но вы пытаетесь создать файл или большой двоичный объект, который уже существует.

Решение.

Эта ошибка будет получена только в том случае, если вы ранее установили для свойства режим записи хранилища BLOB-объектов Azure значение Error. Этот компонент выдает ошибку при попытке записать набор данных в уже существующий большой двоичный объект.

  • Откройте свойства компонента и измените свойство Azure blob storage write mode (Режим записи BLOB-объектов Azure) на Overwrite (Перезаписать).
  • Кроме того, можно ввести имя другого целевого большого двоичного объекта или файла и указать большой двоичный объект, который еще не существует.
Сообщения об исключении
File or Blob already exists (Файл или большой двоичный объект уже существует).
File or Blob "{file_path}" already exists (Файл или большой двоичный объект {file_path} уже существует).

Ошибка 0058

Эта ошибка в Машинное обучение Azure возникает, если набор данных не содержит ожидаемый столбец меток.

Это исключение также может возникать, если указанный столбец метки не соответствует данным или типу данных, ожидаемым учащимся, или имеет неправильные значения. Например, это исключение создается, если при обучении двоичного классификатора используется столбец меток с реальным значением.

Разрешение. Разрешение зависит от используемого вами обучающего или обучающего средства, а также от типов данных столбцов в наборе данных. Сначала проверьте требования к алгоритму машинного обучения или обучающему компоненту.

Повторно откройте набор входных данных. Убедитесь, что столбец, который вы ожидаете рассматривать, как метка имеет правильный тип данных для создаваемой модели.

Проверьте отсутствующие значения во входных данных и исключите или замените их при необходимости.

При необходимости добавьте компонент "Правка метаданных" и убедитесь, что столбец метки помечен как метка.

Сообщения об исключении
The label column values and scored label column values are not comparable (Значения столбцов меток и вычисляемых столбцов меток не являются сравнимыми).
The label column is not as expected in "{dataset_name}" (Столбец меток отличается от ожидаемого в {dataset_name}).
The label column is not as expected in "{dataset_name}", {reason} (Столбец меток отличается от ожидаемого в {dataset_name}, {reason}).
The label column "{column_name}" is not expected in "{dataset_name}" (Столбец меток {column_name} не ожидается в {dataset_name}).
The label column "{column_name}" is not expected in "{dataset_name}", {reason} (Столбец меток {column_name} не ожидается в {dataset_name}, {reason}).

Ошибка 0059

Исключение возникает, если индекс столбца, указанный в средство выбора столбцов, не может быть проанализирован.

Эта ошибка в Машинное обучение Azure возникает, если индекс столбца, указанный при использовании селектора столбцов, не может быть проанализирован. Вы получите эту ошибку, если индекс столбца находится в недопустимом формате, который не может быть проанализирован.

Разрешение. Измените индекс столбца, чтобы использовать допустимое значение индекса.

Сообщения об исключении
One or more specified column indexes or index ranges could not be parsed (Не удалось проанализировать один или несколько индексов столбца или диапазонов индекса).
Column index or range "{column_index_or_range}" could not be parsed (Не удалось проанализировать индекс столбца или диапазон {column_index_or_range}).

Ошибка 0060

Исключение возникает, если в средстве выбора столбцов указан ряд столбцов вне диапазона.

Эта ошибка в Машинном обучении Azure возникает, если диапазон столбцов вне допустимого диапазона указан в селекторе столбцов. Эта ошибка будет получена, если диапазон столбцов в средство выбора столбцов не соответствует столбцам в наборе данных.

Разрешение. Измените диапазон столбцов в средство выбора столбцов, чтобы соответствовать столбцам в наборе данных.

Сообщения об исключении
Invalid or out of range column index range specified (Указан недопустимый индекс столбца или индекс выходит за диапазон).
Column range "{column_range}" is invalid or out of range (Диапазон столбцов {column_range} недопустим или выходит за пределы допустимого диапазона).

Ошибка 0061

Исключение возникает при попытке добавить строку в объект DataTable, количество столбцов в котором отличается от количества столбцов в таблице.

Эта ошибка в Машинном обучении Azure возникает при попытке добавить строку в набор данных, который имеет другое количество столбцов, чем набор данных. Эта ошибка возникает, если строка, добавляемая в набор данных, имеет другое количество столбцов из входного набора данных. Строка не может быть добавлена в набор данных, если количество столбцов отличается.

Разрешение. Измените входной набор данных, чтобы иметь то же количество столбцов, что и добавленная строка, или измените строку, чтобы иметь то же количество столбцов, что и набор данных.

Сообщения об исключении
All tables must have the same number of columns (Количество столбцов во всех таблицах должно быть одинаковым).
Columns in chunk "{chunk_id_1}" is different with chunk "{chunk_id_2}" with chunk size: {chunk_size} (Столбцы в блоке {chunk_id_1} отличаются от блока {chunk_id_2} с размером блока: {chunk_size}).
Column count in file "{filename_1}" (count={column_count_1}) is different with file "{filename_2}" (count={column_count_2}) (Число столбцов в файле {filename_1} (count={column_count_1}) отличается от файла {filename_2} (count={column_count_2})).

Ошибка 0062

Исключение возникает при попытке сравнить две модели с различными типами учеников.

Эта ошибка в Машинное обучение Azure возникает при сравнении метрик оценки для двух разных наборов данных с оценкой. В этом случае невозможно сравнить эффективность моделей, используемых для создания двух оцененных наборов данных.

Решение. Убедитесь, что оценка результатов производится той же моделью машинного обучения (двоичная классификация, регрессия, классификация нескольких классов, рекомендация, кластеризация, обнаружение аномалий и т. д.). Все модели, которые сравниваются, должны иметь одинаковый тип учащегося.

Сообщения об исключении
All models must have the same learner type (Все модели должны использовать один тип ученика).
Got incompatible learner type: "{actual_learner_type}". Expected learner types are: "{expected_learner_type_list}" (Получен несовместимый тип ученика: {actual_learner_type}. Ожидаемые типы ученика: {expected_learner_type_list}).

Ошибка 0064

Исключение возникает, если имя учетной записи хранилища Azure или ключ хранилища указаны неправильно.

Эта ошибка в Машинном обучении Azure возникает, если имя учетной записи хранения Azure или ключ хранилища указаны неправильно. Эта ошибка будет получена, если ввести неверное имя учетной записи или пароль для учетной записи хранения. Это может произойти, если ввести имя или пароль учетной записи вручную. Это также может произойти, если учетная запись была удалена.

Разрешение. Убедитесь, что имя и пароль учетной записи были введены правильно, и что учетная запись существует.

Сообщения об исключении
The Azure storage account name or storage key is incorrect (Неверное имя учетной записи хранилища или ключа хранилища Azure).
The Azure storage account name "{account_name}" or storage key for the account name is incorrect (Неверное имя учетной записи хранилища Azure {account_name} или ключа хранилища для имени учетной записи).

Ошибка 0065

Исключение возникает, если имя большого двоичного объекта Azure указано неправильно.

Эта ошибка в Машинном обучении Azure возникает, если имя большого двоичного объекта указано неправильно. Если вы получите сообщение об ошибке:

  • Большой двоичный объект не удается найти в указанном контейнере.
  • Только контейнер был указан в качестве источника в запросе импорта данных , если формат был Excel или CSV с кодировкой; объединение содержимого всех больших двоичных объектов в контейнере не допускается с этими форматами.

  • Универсальный код ресурса (URI) SAS не содержит имя допустимого большого двоичного объекта.

Решение. Повторно откройте компонент, вызывающий исключение. Убедитесь, что указанный большой двоичный объект существует в контейнере в учетной записи хранения и разрешения позволяют его просматривать. Убедитесь, что входные данные имеют форму имя контейнера/имя файла, если у вас есть файл Excel или CSV с форматами кодирования. Убедитесь, что URI SAS содержит имя допустимого большого двоичного объекта.

Сообщения об исключении
The Azure storage blob name is incorrect (Неверное имя большого двоичного объекта хранилища Azure).
The Azure storage blob name "{blob_name}" is incorrect (Неверное имя {blob_name} большого двоичного объекта хранилища Azure).
The Azure storage blob name with prefix "{blob_name_prefix}" does not exist (Имя большого двоичного объекта службы хранилища Azure с префиксом {blob_name_prefix} не существует).
Failed to find any Azure storage blobs under container "{container_name}" (Не удалось найти большие двоичные объекты службы хранилища Azure в контейнере {container_name}).
Failed to find any Azure storage blobs with wildcard path "{blob_wildcard_path}" (Не удалось найти большие двоичные объекты службы хранилища Azure с путем с подстановочными знаками {blob_wildcard_path}).

Ошибка 0066

Исключение возникает, если ресурс не удалось отправить в большой двоичный объект Azure.

Эта ошибка в Машинное обучение Azure возникает, если ресурс не удалось отправить в большой двоичный объект Azure. Оба сохраняются в той же учетной записи хранения Azure, что и учетная запись, содержащая входной файл.

Решение. Повторно откройте компонент. Убедитесь, что имя учетной записи Azure, ключ хранилища и контейнер указаны правильно, а учетная запись имеет разрешение на запись в контейнер.

Сообщения об исключении
The resource could not be uploaded to Azure storage (Не удалось отправить ресурс в хранилище Azure).
The file "{source_path}" could not be uploaded to Azure storage as "{dest_path}" (Не удалось отправить файл {source_path} в службу хранилища Azure как {dest_path}).

Ошибка 0067

Исключение возникает, если количество столбцов в наборе данных отличается от ожидаемого.

Эта ошибка в Машинном обучении Azure возникает, если набор данных имеет другое количество столбцов, чем ожидалось. Эта ошибка возникает, если количество столбцов в наборе данных отличается от количества столбцов, ожидаемых компонентом во время выполнения.

Разрешение. Изменение входного набора данных или параметров.

Сообщения об исключении
Unexpected number of columns in the datatable (Непредвиденное количество столбцов в объекте datatable).
Unexpected number of columns in the dataset "{dataset_name}" (Непредвиденное количество столбцов в наборе данных {dataset_name}).
Expected "{expected_column_count}" column(s) but found "{actual_column_count}" column(s) instead (Ожидалось {expected_column_count} столбцов, но вместо этого обнаружены {actual_column_count} столбцов).
In input dataset "{dataset_name}", expected "{expected_column_count}" column(s) but found "{actual_column_count}" column(s) instead (Во входном наборе данных {dataset_name} ожидались {expected_column_count} столбцов, но вместо этого обнаружены {actual_column_count} столбцов).

Ошибка 0068

Исключение возникает, если указанный скрипт Hive не является правильным.

Эта ошибка в Машинном обучении Azure возникает, если в скрипте Hive QL есть синтаксические ошибки или если интерпретатор Hive обнаруживает ошибку при выполнении запроса или скрипта.

Решение.

Сообщение об ошибке из Hive обычно возвращается в журнал ошибок, так что вы можете принять меры на основе конкретной ошибки.

  • Откройте компонент и проверьте запрос на наличие ошибок.
  • Убедитесь, что запрос работает правильно вне Машинного обучения Azure, войдя в консоль Hive кластера Hadoop и выполнив запрос.
  • Попробуйте разместить комментарии в скрипте Hive в отдельной строке, а не смешивать исполняемые инструкции и комментарии в одной строке.

Ресурсы

Дополнительные сведения о запросах Hive для машинного обучения см. в следующих статьях:

Сообщения об исключении
Hive script is incorrect (Неверный скрипт Hive).

Ошибка 0069

Исключение возникает, если указанный скрипт SQL не является правильным.

Эта ошибка в Машинное обучение Azure возникает, если указанный скрипт SQL имеет проблемы синтаксиса или если столбцы или таблица, указанные в скрипте, недопустимы.

Эта ошибка возникает, если подсистема SQL обнаруживает любую ошибку при выполнении запроса или скрипта. Сообщение об ошибке из SQL обычно возвращается в журнал ошибок, так что вы можете принять меры на основе конкретной ошибки.

Решение. Повторно откройте компонент и проверьте запрос SQL на наличие ошибок.

Убедитесь, что запрос работает правильно вне Машинное обучение Azure, войдите на сервер базы данных напрямую и выполните запрос.

Если создается сообщение SQL, сообщаемое исключением компонента, выполните действия в зависимости от сообщаемой ошибки. Например, сообщения об ошибках иногда включают в себя определенные рекомендации по наиболее вероятной ошибке:

  • Ошибка No such column or missing database (Нет такого столбца или базы данных) означает, что вы могли указать неправильное имя столбца. Если вы уверены, что имя столбца правильно, попробуйте использовать квадратные скобки или кавычки, чтобы заключить идентификатор столбца.
  • Ошибка SQL logic error near <SQL keyword> (Ошибка логики SQL рядом с <ключевое_слово_SQL>) означает, перед указанным ключевым словом могла возникнуть синтаксическая ошибка.
Сообщения об исключении
SQL script is incorrect (Неверный скрипт SQL).
SQL query "{sql_query}" is not correct (SQL-запрос {sql_query} неверен).
SQL query "{sql_query}" is not correct (SQL-запрос {sql_query} неверен). Exception message: {exception}. (SQL-запрос {sql_query} неверен. Сообщение об исключении: {exception}).

Ошибка 0070

Исключение возникает при попытке доступа к несуществующей таблице Azure.

Эта ошибка в Машинное обучение Azure возникает при попытке получить доступ к несуществующей таблице Azure. Вы получите эту ошибку, если указать таблицу в хранилище Azure, которая не существует при чтении или записи в хранилище таблиц Azure. Это может произойти в случае неправильного ввода имени нужной таблицы или несоответствия между именем целевого объекта и типом хранилища. Например, вы предполагали считывать данные из таблицы, но указали вместо этого имя большого двоичного объекта.

Решение. Повторно откройте компонент, чтобы убедиться в правильности имени таблицы.

Сообщения об исключении
Azure table does not exist (Таблица Azure не существует).
Azure table "{table_name}" does not exist (Таблица Azure {table_name} не существует).

Ошибка 0072

Исключение возникает в случае истечения времени ожидания соединения.

Эта ошибка в Машинное обучение Azure возникает при истечении времени ожидания подключения. Эта ошибка возникает, если в настоящее время возникают проблемы с подключением к источнику данных или назначению, например медленному подключению к Интернету, или если набор данных большой и /или SQL-запрос для чтения в данных выполняет сложную обработку.

Решение. Определите, возникают ли проблемы с медленными подключениями к хранилищу Azure или Интернету.

Сообщения об исключении
Connection timeout occurred (Истекло время ожидания подключения).

Ошибка 0073

Исключение возникает при возникновении ошибки во время преобразования столбца в другой тип.

Эта ошибка в Машинное обучение Azure возникает, если невозможно преобразовать столбец в другой тип. Эта ошибка возникает, если компоненту требуется определенный тип, и невозможно преобразовать столбец в новый тип.

Разрешение. Измените входной набор данных, чтобы столбец можно было преобразовать на основе внутреннего исключения.

Сообщения об исключении
Failed to convert column (Не удалось преобразовать столбец).
Failed to convert column to {target_type} (Не удалось преобразовать столбец в {target_type}).

Ошибка 0075

Исключение возникает, если при квантовании набора данных используется недопустимая функция классификации.

Эта ошибка в Машинное обучение Azure возникает при попытке объединения данных с помощью неподдерживаемого метода или при недопустимых сочетаниях параметров.

Решение.

Обработка ошибок для этого события была представлена в более ранней версии Машинного обучения Azure, которая расширяла возможности настроек методов квантования. Сейчас все методы квантования основаны на выборе из раскрывающегося списка, поэтому технически в них не должна возникать эта ошибка.

Сообщения об исключении
Invalid binning function used (Используется недопустимая функция сегментирования).

Ошибка 0077

Исключение возникает при передаче режима записи неизвестного файла большого двоичного объекта.

Эта ошибка в Машинном обучении Azure возникает, если в спецификациях назначения или источника файла большого двоичного объекта передан недопустимый аргумент.

Разрешение. В почти всех компонентах, которые импортируют или экспортируют данные в хранилище BLOB-объектов Azure и из него, значения параметров, управляющие режимом записи, назначаются с помощью раскрывающегося списка, поэтому невозможно передать недопустимое значение, и эта ошибка не должна отображаться. Эта ошибка устарела в более позднем выпуске.

Сообщения об исключении
Unsupported blob write mode (Режим записи большого двоичного объекта не поддерживается).
Unsupported blob write mode: {blob_write_mode} (Режим записи большого двоичного объекта {blob_write_mode} не поддерживается).

Ошибка 0078

Исключение возникает, когда параметр HTTP для модуля импорта данных получает код состояния 3xx, указывающий перенаправление.

Эта ошибка в Машинном обучении Azure возникает, когда параметр HTTP для модуля импорта данных получает код состояния 3XX (301, 302, 304 и т. д.), указывающий на перенаправление. Эта ошибка возникает при попытке подключиться к источнику HTTP, который перенаправляет браузер на другую страницу. По соображениям безопасности перенаправление веб-сайтов не допускается в качестве источников данных для Машинное обучение Azure.

Разрешение. Если веб-сайт является доверенным веб-сайтом, введите перенаправленный URL-адрес напрямую.

Сообщения об исключении
Http redirection not allowed (Перенаправление HTTP не разрешено).

Ошибка 0079

Исключение возникает, если имя контейнера хранилища Azure указано неверно.

Эта ошибка в Машинном обучении Azure возникает, если имя контейнера хранилища Azure указано неверно. Эта ошибка будет получена, если вы не указали имя контейнера и большого двоичного объекта (файла), используя путь к BLOB-объекту, начиная с параметра контейнера при записи в Хранилище BLOB-объектов Azure.

Решение. Повторно откройте компонент "Экспорт данных" и убедитесь, что указанный путь к большому двоичному объекту содержит как контейнер, так и имя файла в формате контейнер/имя файла.

Сообщения об исключении
The Azure storage container name is incorrect (Неверное имя контейнера хранилища Azure).
The Azure storage container name "{container_name}" is incorrect; a container name of the format container/blob was expected (Неверное имя контейнера хранилища Azure {container_name}. Ожидалось имя контейнера или большого двоичного объекта).

Ошибка 0080

Исключение возникает, когда столбец со всеми значениями, отсутствующими, не разрешен компонентом.

Эта ошибка возникает в Машинном обучении Azure, если один или несколько столбцов, используемых компонентом, содержат все отсутствующие значения. Например, если компонент вычисляет статистические статистические данные для каждого столбца, он не может работать с столбцом, содержащим данные. В таких случаях выполнение компонента прерывается с помощью этого исключения.

Разрешение. Повторно введите входной набор данных и удалите все столбцы, содержащие все отсутствующие значения.

Сообщения об исключении
Columns with all values missing are not allowed (Столбцы со всеми отсутствующими значениями не допускаются).
Column {col_index_or_name} has all values missing (В столбце {col_index_or_name} отсутствуют все значения).

Ошибка 0081

Исключение возникает в компоненте PCA, если количество измерений, до которого нужно выполнить сокращение, равно количеству столбцов компонентов во входном наборе данных, содержащем по крайней мере один разреженный столбец компонентов.

Эта ошибка в Машинном обучении Azure возникает, если выполняются следующие условия: (а) входной набор данных содержит по крайней мере один разреженный столбец и (б) конечное число запрашиваемых измерений совпадает с числом входных измерений.

Разрешение. Рассмотрите возможность уменьшения количества измерений в выходных данных, чтобы было меньше количества измерений во входных данных. Обычно это в приложениях PCA.

Сообщения об исключении
For dataset containing sparse feature columns number of dimensions to reduce to should be less than number of feature columns (Для набора данных, содержащего столбцы разреженных признаков, число размерностей для сокращения должно быть меньше количества столбцов признаков).

Ошибка 0082

Исключение возникает, когда модель не может быть успешно десериализирована.

Эта ошибка в Машинное обучение Azure возникает, когда сохраненная модель машинного обучения или преобразование не может быть загружена более новой версией среды выполнения Машинное обучение Azure в результате критического изменения.

Разрешение. Конвейер обучения, создающий модель или преобразование, должен быть повторно запуститься, а модель или преобразование должны быть изменены.

Сообщения об исключении
Модель не может быть десериализована, так как скорее всего она сериализована с использованием старого формата. Повторите обучение и повторно сохраните модель.

Ошибка 0083

Исключение возникает, если набор данных, используемый для обучения, не может использоваться для конкретного типа учащегося.

Эта ошибка в Машинном обучении Azure возникает, если набор данных несовместим с учеником. Например, набор данных может содержать по крайней мере одно отсутствующее значение в каждой строке, и в результате весь набор данных будет пропущен во время обучения. В других случаях некоторые алгоритмы машинного обучения, такие как обнаружение аномалий, не ожидают, что метки будут присутствовать и могут вызывать это исключение, если метки присутствуют в наборе данных.

Решение. Ознакомьтесь с документацией учащегося, используемой для проверки требований к входной набору данных. Изучите столбцы, чтобы увидеть, что все необходимые столбцы присутствуют.

Сообщения об исключении
Dataset used for training is invalid (Для обучения используется недопустимый набор данных).
{data_name} contains invalid data for training.
{data_name} contains invalid data for training. Learner type: {learner_type} ({data_name} содержит недопустимые данные для обучения. Тип ученика: {learner_type}).
{data_name} contains invalid data for training. Learner type: {learner_type} ({data_name} содержит недопустимые данные для обучения. Тип ученика: {learner_type}). Reason: {reason}. Причина: {reason}.
Failed to apply "{action_name}" action on training data {data_name} (Не удалось применить действие {action_name} к данным обучения {data_name}). Reason: {reason}. Причина: {reason}.

Ошибка 0084

Исключение возникает, когда обрабатываются оценки, полученные из сценария R. Это в настоящее время не поддерживается.

Эта ошибка в Машинном обучении Azure возникает при попытке использовать один из компонентов для оценки модели с выходными данными из скрипта R, содержащего оценки.

Решение.

Сообщения об исключении
Evaluating scores produced by Custom Model is currently unsupported (Обработка оценок, созданных настраиваемой моделью, в настоящее время не поддерживается).

Ошибка 0085

Исключение возникает, если оценка скрипта завершается ошибкой.

Эта ошибка в Машинное обучение Azure возникает при выполнении пользовательского скрипта, содержащего синтаксические ошибки.

Разрешение. Просмотрите код во внешнем редакторе и проверьте наличие ошибок.

Сообщения об исключении
Error during evaluation of script (Ошибка во время вычисления скрипта).
The following error occurred during script evaluation, please view the output log for more information (Во время вычисления скрипта произошла следующая ошибка, дополнительные сведения см. в выходном файле журнала).
---------- Start of error message from {script_language} interpreter ---------- (Начало сообщения об ошибке из интерпретатора {script_language})
{message}
---------- End of error message from {script_language} interpreter ----------(Конец сообщения об ошибке из интерпретатора {script_language})

Ошибка 0090

Исключение возникает, если создание таблицы Hive завершается сбоем.

Эта ошибка в Машинное обучение Azure возникает при использовании экспорта данных или другого параметра для сохранения данных в кластере HDInsight, а указанная таблица Hive не может быть создана.

Решение. Проверьте имя учетной записи хранения Azure, связанную с кластером, и убедитесь, что вы используете ту же учетную запись в свойствах компонента.

Сообщения об исключении
The Hive table could not be created. For a HDInsight cluster, please ensure the Azure storage account name associated with cluster is the same as what is passed in through the module parameter (Не удалось создать таблицу Hive. Для кластера HDInsight убедитесь, что имя учетной записи хранения Azure, связанной с кластером, совпадает с именем, передаваемым через параметр компонента).
The Hive table "{table_name}" could not be created. For a HDInsight cluster, please ensure the Azure storage account name associated with cluster is the same as what is passed in through the module parameter (Не удалось создать таблицу Hive. Для кластера HDInsight убедитесь, что имя учетной записи хранения Azure, связанной с кластером, совпадает с именем, передаваемым через параметр компонента).
The Hive table "{table_name}" could not be created. For a HDInsight cluster, ensure the Azure storage account name associated with cluster is "{cluster_name}". (Не удалось создать таблицу Hive {имя_таблицы}. Для кластера HDInsight убедитесь, что имя учетной записи хранения Azure, связанной с кластером, — {имя_кластера}).

Ошибка 0102

Возникает, когда ZIP-файл не удается извлечь.

Эта ошибка в Машинное обучение Azure возникает при импорте zip-пакета с расширением .zip, но пакет не является ZIP-файлом, либо файл не использует поддерживаемый zip-формат.

Разрешение. Убедитесь, что выбранный файл является допустимым .zip файлом, и что он был сжатым с помощью одного из поддерживаемых алгоритмов сжатия.

Если при импорте наборов данных в сжатом формате возникает эта ошибка, убедитесь, что все автономные файлы используют один из поддерживаемых форматов файлов и имеют формат Юникода.

Попробуйте прочитать нужные файлы в новой сжатой ZIP-папке и добавьте пользовательский компонент еще раз.

Сообщения об исключении
Given ZIP file is not in the correct format (Неверный формат ZIP-файла).

Ошибка 0105

Эта ошибка отображается, когда файл определения компонента содержит неподдерживаемый тип параметра.

Эта ошибка в Машинное обучение Azure создается при создании пользовательского xml-определения компонента, а тип параметра или аргумента в определении не соответствует поддерживаемого типа.

Решение. Убедитесь, что свойство типа любого элемента Arg в файле XML-определения пользовательского компонента поддерживается.

Сообщения об исключении
Unsupported parameter type (Неподдерживаемый тип параметра).
Unsupported parameter type '{0}' specified (Указан неподдерживаемый тип параметра {0}).

Ошибка 0107

Возникает, когда файл определения компонента определяет неподдерживаемый тип выходных данных.

Эта ошибка в Машинное обучение Azure возникает, если тип выходного порта в определении xml пользовательского компонента не соответствует поддерживаемом типу.

Решение. Убедитесь, что свойство типа любого элемента вывода в файле XML-определения пользовательского компонента поддерживается.

Сообщения об исключении
Unsupported output type (Неподдерживаемый тип выходных данных).
Unsupported output type '{output_type}' specified (Указан неподдерживаемый тип выходных данных {output_type}).

Ошибка 0125

Возникает, когда схема для нескольких наборов данных не соответствует.

Решение.

Сообщения об исключении
Dataset schema does not match (Несоответствие схемы набора данных).

Ошибка 0127

Image pixel size exceeds allowed limit (Размер изображения в пикселях превышает допустимый предел).

Эта ошибка возникает, если вы считываете изображения из набора данных изображений для классификации, и изображения больше, чем модель может обрабатывать.

Сообщения об исключении
Image pixel size exceeds allowed limit (Размер изображения в пикселях превышает допустимый предел).
Image pixel size in the file '{file_path}' exceeds allowed limit: '{size_limit}' (Размер изображения в пикселях в файле {file_path} превышает допустимый предел {size_limit}).

Ошибка 0128

Количество условных вероятностей столбцов категории превышает ограничение.

Решение.

Сообщения об исключении
Количество условных вероятностей столбцов категории превышает ограничение.
Количество условных вероятностей столбцов категории превышает ограничение. Columns '{column_name_or_index_1}' and '{column_name_or_index_2}' are the problematic pair (Количество условных вероятностей для столбцов категории превышает ограничение. Столбцы {column_name_or_index_1} и {column_name_or_index_2} являются проблематичной парой).

Ошибка 0129

Number of columns in the dataset exceeds allowed limit (Число столбцов в наборе данных превышает допустимый предел).

Решение.

Сообщения об исключении
Number of columns in the dataset exceeds allowed limit (Число столбцов в наборе данных превышает допустимый предел).
Number of columns in the dataset in '{dataset_name}' exceeds allowed (Число столбцов в наборе данных в {dataset_name} превышает допустимый предел).
Number of columns in the dataset in '{dataset_name}' exceeds allowed limit of '{component_name}' (Число столбцов в наборе данных в {dataset_name} превышает допустимый предел {component_name}).
Number of columns in the dataset in '{dataset_name}' exceeds allowed '{limit_columns_count}' limit of '{component_name}' (Число столбцов в наборе данных в {dataset_name} превышает допустимое значение {limit_columns_count} ({component_name})).

Ошибка 0134

Исключение возникает, если столбец метки отсутствует или имеет недостаточное количество помеченных строк.

Эта ошибка возникает, когда компоненту требуется столбец метки, но он не включен в выбор столбца, или столбец метки отсутствует слишком много значений.

Эта ошибка также может возникнуть, когда предыдущая операция изменяет набор данных таким образом, что для последующей операции будет недостаточно строк. Предположим, что вы используете выражение в компоненте "Секция и выборка" для разделения набора данных по значениям. Если для выражения не найдено совпадений, то один из наборов данных, полученных из секции, будет пустым.

Решение.

Если столбец метки включен при выборе столбца, но он не распознан, используйте компонент "Правка метаданных", чтобы пометить его как столбец меток.

Затем можно использовать компонент "Удаление отсутствующих данных", чтобы удалить строки с отсутствующими значениями в столбце меток.

Проверьте входные наборы данных, чтобы убедиться, что они содержат допустимые данные и достаточно строк для удовлетворения требований операции. Многие алгоритмы создают сообщение об ошибке, если они требуют некоторых минимальных строк данных, но данные содержат только несколько строк или только заголовок.

Сообщения об исключении
Исключение возникает, если столбец метки отсутствует или имеет недостаточное количество помеченных строк.
Exception occurs when label column is missing or has less than {required_rows_count} labeled rows (Исключение возникает, если столбец меток отсутствует или содержит меньше {required_rows_count} помеченных строк).
Exception occurs when label column in dataset {dataset_name} is missing or has less than {required_rows_count} labeled rows (Исключение возникает, когда столбец меток в наборе данных {dataset_name} отсутствует или содержит меньше {required_rows_count} помеченных).

Ошибка 0138

Memory has been exhausted, unable to complete running of component (Превышение доступного объема памяти, не удалось завершить выполнение компонента). Уменьшение выборки набора данных может помочь решить проблему.

Эта ошибка возникает, когда выполняемому компоненту требуется больше памяти, чем доступно в контейнере Azure. Это может произойти, если вы работаете с большим набором данных, и текущая операция не может поместиться в память.

Решение. Если вы пытаетесь считывать большой набор данных, и операция не может быть завершена, снизите набор данных может помочь.

Сообщения об исключении
Memory has been exhausted, unable to complete running of component (Превышение доступного объема памяти, не удалось завершить выполнение компонента).
Memory has been exhausted, unable to complete running of component (Превышение доступного объема памяти, не удалось завершить выполнение компонента). Сведения: {details}

Ошибка 0141

Исключение возникает, если число выбранных числовых столбцов и уникальных значений в столбцах категорий и строк слишком мало.

Эта ошибка в Машинное обучение Azure возникает, если в выбранном столбце недостаточно уникальных значений для выполнения операции.

Разрешение. Некоторые операции выполняют статистические операции с функциями и категориальными столбцами, и если недостаточно значений, операция может завершиться ошибкой или возвратить недопустимый результат. Проверьте набор данных, чтобы узнать, сколько значений есть в столбцах признаков и меток, и определите, является ли операция, которую вы пытаетесь выполнить статистически допустимо.

Если исходный набор данных является допустимым, можно также проверить, изменились ли данные или удалились ли некоторые значения из-за обработки вышестоящих данных и операций с данными.

Если в вышестоящей операции выполняется разделение, выборка или повторная выборка, убедитесь, что выходные данные содержат ожидаемое число строк и значений.

Сообщения об исключении
The number of the selected numerical columns and unique values in the categorical and string columns is too small (Число выбранных числовых столбцов и уникальных значений в столбцах категорий и строк слишком мало).
The total number of the selected numerical columns and unique values in the categorical and string columns (currently {actual_num}) should be at least {lower_boundary} (Общее число выбранных числовых столбцов и уникальных значений в столбцах категорий и строк (в настоящее время {actual_num}) должно быть не менее {lower_boundary}).

Ошибка 0154

Исключение возникает, когда пользователь пытается присоединить данные к ключевым столбцам с несовместимым типом столбца.

Сообщения об исключении
Key column element types are not compatible (Типы элементов ключевого столбца несовместимы).
Key column element types are not compatible.(left: {keys_left}; right: {keys_right}) (Типы элементов ключевого столбца несовместимы. (слева {keys_left}, справа {keys_right})).

Ошибка 0155

Исключение возникает, когда имена столбцов набора данных не являются строками.

Сообщения об исключении
The dataframe column name must be string type. Column names are not string (Имя столбца данных кадров должно иметь строковый тип. Имена столбцов не являются строковыми).
The dataframe column name must be string type. Column names {column_names} are not string (Имя столбца данных кадров должно иметь строковый тип. Имена столбцов {column_names} не являются строковыми).

Ошибка 0156

Исключение возникает, если не удалось считать данные из Базы данных SQL Azure.

Сообщения об исключении
Failed to read data from Azure SQL Database (Не удалось прочитать данные из Базы данных SQL Azure).
Failed to read data from Azure SQL Database: {detailed_message} DB: {database_server_name}:{database_name} Query: {sql_statement} (Не удалось прочитать данные из Базы данных SQL Azure: {detailed_message} БД: {database_server_name}: {database_name} запрос: {sql_statement}).

Ошибка 0157

Хранилище данных не найдено.

Сообщения об исключении
Datastore information is invalid (Сведения о хранилище данных недопустимы).
Datastore information is invalid (Сведения о хранилище данных недопустимы). Не удалось получить хранилище данных Машинное обучение Azure "{datastore_name}" в рабочей области "{workspace_name}".

Ошибка 0158

Возникает, если каталог преобразования недопустим.

Сообщения об исключении
Given TransformationDirectory is invalid (Указан недопустимый параметр TransformationDirectory).
TransformationDirectory "{arg_name}" is invalid. Reason: {reason}. Причина: {reason}. Rerun training experiment, which generates the Transform file. If training experiment was deleted, please recreate and save the Transform file. Недопустимый параметр TransformationDirectory {arg_name}. Причина: {reason}. Запустите обучающий эксперимент, который создает файл преобразования. Если обучающий эксперимент был удален, повторно создайте и сохраните файл преобразования.
TransformationDirectory "{arg_name}" is invalid. Reason: {reason}. Причина: {reason}. {troubleshoot_hint}

Ошибка 0159

Исключение возникает, если каталог модели компонента является недопустимым.

Сообщения об исключении
Given ModelDirectory is invalid (Указан недопустимый параметр ModelDirectory).
ModelDirectory "{arg_name}" is invalid (Недопустимый параметр ModelDirectory {arg_name}).
ModelDirectory "{arg_name}" is invalid (Недопустимый параметр ModelDirectory {arg_name}). Reason: {reason}. Причина: {reason}.
ModelDirectory "{arg_name}" is invalid (Недопустимый параметр ModelDirectory {arg_name}). Reason: {reason}. Причина: {reason}. {troubleshoot_hint}

Ошибка 1000

Внутреннее исключение библиотеки.

Эта ошибка выдается для перехвата необработанных ошибок внутреннего модуля. Поэтому причины этой ошибки могут отличаться в зависимости от компонента, создавшего ошибку.

Чтобы получить дополнительную помощь, рекомендуется опубликовать подробное сообщение об ошибке на форуме Машинного обучения Azure, а также описание сценария, включая данные, используемые в качестве входных данных. Эта обратная связь помогает нам определять приоритеты ошибок и выявлять наиболее важные проблемы для дальнейшей работы.

Сообщения об исключении
Library exception (Исключение библиотеки).
Library exception: {exception} (Исключение библиотеки {exception}).
Unknown library exception: {exception} (Неизвестное исключение библиотеки: {exception}). {customer_support_guidance}.

Руководство по устранению неполадок

Ошибка компонента скрипта Python

Выполните поиск в azureml_main в 70_driver_logs компонента "Выполнения скриптов Python", чтобы узнать, на какой строке произошла ошибка. Например, "File "/tmp/tmp01_ID/user_script.py", line 17, in azureml_main" означает, что ошибка произошла в строке 17 вашего скрипта Python.

Распределенное обучение

Сейчас конструктор поддерживает распределенное обучение и компонент "Обучение модели PyTorch".

Если распределенное обучение на основе компонента завершается сбоем без каких-либо журналов 70_driver, вы можете проверить 70_mpi_log на наличие сведений об ошибках.

В следующем примере показано, что количество узлов в параметрах запуска больше, чем количество доступных узлов в кластере вычислений.

Снимок экрана: ошибка счетчика узлов.

В следующем примере показано, что количество процессов на узел превышает единицу обработки для вычисления.

Снимок экрана: журнал mpi.

В противном случае можно проверить 70_driver_log для каждого процесса. 70_driver_log_0 ведется для главного процесса.

Снимок экрана: журнал драйвера.

Не удается подключить примеры данных в конвейере

Снимок экрана: ошибка примера хранилища данных.

Если возникла выше ошибка, выполните приведенные ниже действия, чтобы устранить проблему:

  • Дважды щелкните узел данных, чтобы перейти на страницу сведений хранилища данных. Снимок экрана: хранилище примеров данных.

  • Unregister это azureml_globaldatasets хранилище данных. Снимок экрана: отмена регистрации примера хранилища данных.

  • Перетащите новый Sample Data узел в конвейер, чтобы выполнить еще одну попытку.