Felsöka automatiserade ML-experiment

GÄLLER FÖR:Azure CLI ml extension v2 (current)Python SDK azure-ai-ml v2 (aktuell)

I den här guiden får du lära dig hur du identifierar och löser problem i dina automatiserade maskininlärningsexperiment.

Felsöka automatiserad ML för bilder och NLP i Studio

Om det uppstår ett jobbfel för automatiserad ML för avbildningar och NLP kan du använda följande steg för att förstå felet.

1. I studiogränssnittet ska AutoML-jobbet ha ett felmeddelande som anger orsaken till felet.
2. Mer information finns i det underordnade jobbet för det här AutoML-jobbet. Den här underordnade körningen är ett HyperDrive-jobb.
3. På fliken Utvärderingar kan du kontrollera alla utvärderingsversioner som gjorts för den här HyperDrive-körningen.
4. Gå till det misslyckade utvärderingsjobbet.
5. De här jobben bör ha ett felmeddelande i avsnittet Status på fliken Översikt som anger orsaken till felet. Välj Visa mer information om du vill ha mer information om felet.
6. Dessutom kan du visa std_log.txt på fliken Utdata + loggar för att titta på detaljerade loggar och undantagsspårningar.

Om dina automatiserade ML-körningar använder pipelinekörningar för utvärderingsversioner följer du de här stegen för att förstå felet.

1. Följ stegen 1–4 ovan för att identifiera det misslyckade utvärderingsjobbet.
2. Den här körningen bör visa pipelinekörningen och de misslyckade noderna i pipelinen är markerade med röd färg.
3. Välj den misslyckade noden i pipelinen.
4. De här jobben bör ha ett felmeddelande i avsnittet Status på fliken Översikt som anger orsaken till felet. Välj Visa mer information om du vill ha mer information om felet.
5. Du kan titta på std_log.txt på fliken Utdata + loggar för att titta på detaljerade loggar och undantagsspårningar.

Nästa steg

• Träna modeller för visuellt innehåll med automatiserad maskininlärning.
• Träna bearbetningsmodeller för naturligt språk med automatiserad maskininlärning.