設計工具的例外狀況和錯誤碼
本文說明 Azure 機器學習 設計工具中的錯誤訊息和例外狀況代碼，以協助您針對機器學習管線進行疑難解答。
您可以遵循下列步驟，在設計工具中找到錯誤訊息：
選取失敗的元件，移至 [輸出+記錄] 索引標籤，您可以在 azureml-logs 類別下的 70_driver_log.txt 檔案中找到詳細的記錄。
如需詳細的元件錯誤，您可以在 module_statistics 類別下的 error_info.json 中檢查。
以下是設計工具中元件的錯誤碼。
錯誤 0001
如果找不到數據集的一或多個指定數據行，就會發生例外狀況。
如果為元件選取資料行，但選取的數據行不存在於輸入數據集中，您會收到此錯誤。 如果您已手動輸入數據行名稱，或當您執行管線時，數據行選取器已提供不存在於數據集的建議數據行，就可能發生此錯誤。
解決方案： 重新流覽擲回此例外狀況的元件，並驗證數據行名稱或名稱是否正確，且所有參考的數據行都存在。
| 例外狀況訊息 |
|---|
| 找不到一或多個指定的數據行。 |
| 找不到名稱或索引 “{column_id}” 的資料行。 |
| 名稱或索引為 “{column_id}” 的數據行不存在於 “{arg_name_missing_column}”。 |
| 名稱或索引為 “{column_id}” 的數據行不存在於 “{arg_name_missing_column}”中，但存在於 “{arg_name_has_column}”。 |
| 找不到名稱或索引 “{column_names}” 的資料行。 |
| 名稱或索引 “{column_names}” 的數據行不存在於 “{arg_name_missing_column}”。 |
| 名稱或索引 “{column_names}” 的數據行不存在於 “{arg_name_missing_column}”中，但存在於 “{arg_name_has_column}”。 |
錯誤 0002
如果一或多個參數無法從指定的類型剖析或轉換成目標方法類型所需的，就會發生例外狀況。
當您將參數指定為輸入，且實值類型與預期的類型不同，且無法執行隱含轉換時，就會在 Azure 機器學習 中發生此錯誤。
解決方案： 檢查元件需求，並判斷所需的實值類型 （字串、整數、雙精度浮點數等）
| 例外狀況訊息 |
|---|
| 無法剖析參數。 |
| 無法剖析 “{arg_name_or_column}” 參數。 |
| 無法將 “{arg_name_or_column}” 參數轉換成 “{to_type}”。 |
| 無法將 “{arg_name_or_column}” 參數從 “{from_type}” 轉換成 “{to_type}”。 |
| 無法將 “{arg_name_or_column}” 參數值 “{arg_value}” 從 “{from_type}” 轉換成 “{to_type}”。 |
| 無法將 “{arg_name_or_column}” 資料行 “{arg_value}” 中的值 “{arg_value}” 從 “{from_type}” 轉換成 “{to_type}”。 |
錯誤 0003
如果一或多個輸入為 Null 或空白，就會發生例外狀況。
如果元件的任何輸入或參數為 Null 或空白，您就會在 Azure 機器學習 收到此錯誤。 例如，當您未輸入參數的任何值時，可能會發生此錯誤。 如果您選擇遺漏值的數據集或空白數據集，也可能會發生此情況。
解決方法：
- 開啟產生例外狀況的元件，並確認已指定所有輸入。 請確定已指定所有必要的輸入。
- 請確定從 Azure 記憶體載入的數據是可存取的，而且帳戶名稱或金鑰尚未變更。
- 檢查輸入數據中是否有遺漏的值或 Null。
- 如果在數據源上使用查詢，請確認數據是以您預期的格式傳回。
- 檢查數據規格中的錯字或其他變更。
| 例外狀況訊息 |
|---|
| 一或多個輸入為 Null 或空白。 |
| 輸入 “{name}” 為 Null 或空白。 |
錯誤 0004
如果參數小於或等於特定值，就會發生例外狀況。
如果訊息中的 參數低於處理數據所需的界限值，您就會在 Azure 機器學習 收到此錯誤。
解決方案： 重新流覽擲回例外狀況的元件，並將 參數修改為大於指定的值。
| 例外狀況訊息 |
|---|
| 參數應大於界限值。 |
| 參數 “{arg_name}” 值應該大於 {lower_boundary}。 |
| 參數 “{arg_name}” 的值 “{actual_value}” 應該大於 {lower_boundary}。 |
錯誤 0005
如果參數小於特定值，就會發生例外狀況。
如果訊息中的 參數低於或等於元件處理數據所需的界限值，您就會在 Azure 機器學習 收到此錯誤。
解決方案： 重新流覽擲回例外狀況的元件，並將 參數修改為大於或等於指定的值。
| 例外狀況訊息 |
|---|
| 參數應大於或等於界限值。 |
| 參数 “{arg_name}” 值應大於或等於 {lower_boundary}。 |
| 參數 “{arg_name}” 的值 “{value}” 應大於或等於 {lower_boundary}。 |
錯誤 0006
如果參數大於或等於指定的值，就會發生例外狀況。
如果訊息中的 參數大於或等於元件處理數據所需的界限值，您就會在 Azure 機器學習 收到此錯誤。
解決方案： 重新流覽擲回例外狀況的元件，並將 參數修改為小於指定的值。
| 例外狀況訊息 |
|---|
| 參數不符。 其中一個參數應該小於另一個參數。 |
| 參數 “{arg_name}” 值應該小於參數 “{upper_boundary_parameter_name}” 值。 |
| 參數 “{arg_name}” 的值 “{value}” 應該小於 {upper_boundary_parameter_name}。 |
錯誤 0007
如果參數大於特定值，就會發生例外狀況。
如果您在元件的屬性中指定大於的值，您就會在 Azure 機器學習 收到此錯誤。 例如，您可以指定超出支援日期範圍的數據，或者您可能表示只有三個數據行可用時，會使用五個數據行。
如果您指定兩組需要以某種方式比對的數據，您可能也會看到此錯誤。 例如，如果您要重新命名資料行，並依索引指定數據行，您提供的名稱數目必須符合數據行索引的數目。 另一個範例可能是使用兩個數據行的數學運算，其中數據行必須有相同數目的數據列。
解決方法：
- 開啟有問題的元件，並檢閱任何數值屬性設定。
- 請確定任何參數值都落在該屬性支援的值範圍內。
- 如果元件接受多個輸入，請確定輸入的大小相同。
- 檢查數據集或數據來源是否已變更。 有時候使用舊版數據的值會在數據行數目、數據行數據類型或數據大小變更之後失敗。
| 例外狀況訊息 |
|---|
| 參數不符。 其中一個參數應該小於或等於另一個參數。 |
| 參數 “{arg_name}” 值應該小於或等於參數 “{upper_boundary_parameter_name}” 值。 |
| 參數 “{arg_name}” 的值 “{actual_value}” 應該小於或等於 {upper_boundary}。 |
| 參數 “{arg_name}” 值 {actual_value} 應小於或等於參數 “{upper_boundary_parameter_name}” 值 {upper_boundary}。 |
| 參数 “{arg_name}” 值 {actual_value} 應小於或等於 {upper_boundary_meaning} 值 {upper_boundary}。 |
錯誤 0008
如果參數不在範圍內，就會發生例外狀況。
如果訊息中的 參數超出處理數據所需的界限，您就會在 Azure 機器學習 收到此錯誤。
例如，如果您嘗試使用 [加入數據列 ] 來結合兩個具有不同數據行數目的數據集，就會顯示此錯誤。
解決方案： 重新流覽擲回例外狀況的元件，並將 參數修改為在指定的範圍內。
| 例外狀況訊息 |
|---|
| 參數值不在指定的範圍內。 |
| 參數 “{arg_name}” 值不在範圍內。 |
| 參數 “{arg_name}” 值應位於 [{lower_boundary}， {upper_boundary}] 的範圍內。 |
| 參數 “{arg_name}” 值不在範圍內。 {reason} |
錯誤 0009
未正確指定 Azure 記憶體帳戶名稱或容器名稱時，就會發生例外狀況。
當您指定 Azure 記憶體帳戶的參數，但無法解析名稱或密碼時，Azure 機器學習 設計工具中就會發生此錯誤。 密碼或帳戶名稱的錯誤可能會因為許多原因而發生：
- 帳戶的類型錯誤。 某些新的帳戶類型不支援與 機器學習 設計工具搭配使用。 如需詳細資訊，請參閱 匯入數據 。
- 您輸入的帳戶名稱不正確
- 帳戶已不存在
- 記憶體帳戶的密碼錯誤或已變更
- 您未指定容器名稱，或容器不存在
- 您未完整指定檔案路徑（Blob 的路徑）
解決方法：
當您嘗試手動輸入帳戶名稱、密碼或容器路徑時，通常會發生這類問題。 建議您針對 匯入數據 元件使用新的精靈，以協助您查閱和檢查名稱。
也請檢查帳戶、容器或 Blob 是否已刪除。 使用另一個 Azure 記憶體公用程式來確認帳戶名稱和密碼已正確輸入，且容器存在。
Azure 機器學習 不支援某些較新的帳戶類型。 例如，新的「經常性」或「冷」儲存類型無法用於機器學習。 傳統記憶體帳戶和建立為「一般用途」的記憶體帳戶都能正常運作。
如果指定了 Blob 的完整路徑，請確認路徑已指定為 container/blobname，且容器和 Blob 都存在於帳戶中。
路徑不應包含前置斜線。 例如 /container/blob 不正確，應該輸入為 容器/blob。
| 例外狀況訊息 |
|---|
| Azure 記憶體帳戶名稱或容器名稱不正確。 |
| Azure 記憶體帳戶名稱 “{account_name}” 或容器名稱 “{container_name}” 不正確;必須是容器/Blob 格式的容器名稱。 |
錯誤 0010
如果輸入數據集具有應該相符但不符合的數據行名稱，就會發生例外狀況。
如果訊息中的數據行索引在兩個輸入數據集中有不同的數據行名稱，您就會在 Azure 機器學習 收到此錯誤。
解決方式： 使用 編輯元數據 或修改原始數據集，為指定的數據行索引具有相同的數據行名稱。
| 例外狀況訊息 |
|---|
| 輸入數據集中具有對應索引的數據行具有不同的名稱。 |
| 輸入數據集的數據行 {col_index} （以零起始的）輸入數據集 （{dataset1} 和 {dataset2} 的數據行名稱不同。 |
錯誤 0011
如果傳遞的數據行集自變數不適用於任何數據集數據行，就會發生例外狀況。
如果指定的數據行選取專案不符合指定資料集中的任何數據行，您就會在 Azure 機器學習 收到此錯誤。
如果您尚未選取資料行，而且元件至少需要一個數據行才能運作，您也可以收到此錯誤。
解決方案： 修改元件中的數據行選取範圍，使其套用至數據集中的數據行。
如果元件要求您選取特定資料行，例如標籤數據行，請確認已選取正確的數據行。
如果選取了不適當的數據行，請移除它們並重新執行管線。
| 例外狀況訊息 |
|---|
| 指定的數據行集不適用於任何數據集數據行。 |
| 指定的數據行集 「{column_set}」 不適用於任何數據集數據行。 |
錯誤 0012
如果無法使用傳遞的自變數集建立 類別實例，就會發生例外狀況。
解決方案： 這個錯誤無法由使用者採取動作，未來版本將會淘汰。
| 例外狀況訊息 |
|---|
| 未定型的模型，請先定型模型。 |
| 未定型的模型 （{arg_name}）， 使用定型的模型。 |
錯誤 0013
如果傳遞至元件的學習模組類型無效，就會發生例外狀況。
每當已定型的模型與連接的評分元件不相容時，就會發生此錯誤。
解決方法：
判斷訓練元件所產生的學習模組類型，並判斷適合學習者的評分元件。
如果使用任何特製化定型元件來定型模型，則只會將定型的模型連接到對應的特製化評分元件。
| 模型類型 | 訓練元件 | 評分元件 |
|---|---|---|
| 任何分類器 | 定型模型 | 評分模型 |
| 任何回歸模型 | 定型模型 | 評分模型 |
| 例外狀況訊息 |
|---|
| 傳遞無效類型的學習者。 |
| 學習模組 “{arg_name}” 的類型無效。 |
| Learner “{arg_name}” 的類型為 “{learner_type}”。 |
| 傳遞無效類型的學習者。 例外狀況訊息： {exception_message} |
錯誤 0014
如果數據行唯一值的計數大於允許，就會發生例外狀況。
當數據行包含太多唯一值，例如標識符數據行或文字數據行時，就會發生此錯誤。 如果您指定將資料行當做類別數據處理，但數據行中有太多唯一值，以允許處理完成，您可能會看到此錯誤。 如果兩個輸入中唯一值的數目不符，您可能也會看到此錯誤。
如果符合 下列兩 個條件，將會發生唯一值的錯誤大於允許：
- 超過 97% 的數據行實例是唯一值，這表示幾乎所有類別都彼此不同。
- 一個數據行有超過 1000 個唯一值。
解決方法：
開啟產生錯誤的元件，並識別做為輸入的數據行。 對於某些元件，您可以以滑鼠右鍵按兩下數據集輸入，然後選取 [可視化 ] 以取得個別數據行的統計數據，包括唯一值的數目及其分佈。
針對您想要用於分組或分類的數據行，請採取步驟來減少數據行中唯一值的數目。 您可以根據數據行的數據類型，以不同的方式減少。
對於定型模型期間沒有意義的標識符數據行，您可以使用 [編輯元數據 ] 將該數據行標示為 [清除] 功能 ，而且在定型模型期間不會使用它。
對於文字數據行，您可以使用 功能哈希 或 從文字元件 擷取 N-Gram 特徵，以前置處理文字數據行。
提示
找不到符合您案例的解決方案嗎？ 您可以針對本主題提供意見反應，其中包含產生錯誤的元件名稱，以及數據行的數據類型和基數。 我們將使用資訊來針對常見案例提供更有針對性的疑難解答步驟。
| 例外狀況訊息 |
|---|
| 數據行唯一值的數量大於允許。 |
| 數據行中唯一值的數目：「column_name}」 大於允許。 |
| 數據行中唯一值的數目：“{column_name}” 超過 {limitation} 的 Tuple 計數。 |
錯誤 0015
如果資料庫連接失敗，就會發生例外狀況。
如果您輸入不正確的 SQL 帳戶名稱、密碼、資料庫伺服器或資料庫名稱，或因為資料庫或伺服器發生問題而無法建立與資料庫的連線，則會收到此錯誤。
解決方案： 確認帳戶名稱、密碼、資料庫伺服器和資料庫已正確輸入，且指定的帳戶具有正確的許可權層級。 確認資料庫目前可存取。
| 例外狀況訊息 |
|---|
| 建立資料庫連接時發生錯誤。 |
| 建立資料庫連線時發生錯誤： {connection_str}。 |
錯誤 0016
如果傳遞至元件的輸入數據集應該具有相容的數據行類型，但不會發生例外狀況。
如果在兩個或多個數據集中傳遞的數據行類型彼此不相容，Azure 機器學習 就會收到此錯誤。
解決方案： 使用 編輯元數據 或修改原始輸入數據集 ，以確保數據行的類型相容。
| 例外狀況訊息 |
|---|
| 輸入數據集中具有對應索引的數據行具有不相容的類型。 |
| 數據行 '{first_col_names}' 在定型和測試數據之間不相容。 |
| 數據行 '{first_col_names}' 和 '{second_col_names}' 不兼容。 |
| 數據行元素類型與輸入數據集的數據行 '{first_col_names}' （以零為起始的）數據行 '{first_dataset_names} 和 {second_dataset_names} 不兼容。 |
錯誤 0017
如果選取的數據行使用目前元件不支援的數據類型，就會發生例外狀況。
例如，如果您的數據行選取範圍包含無法由元件處理的數據類型數據行，例如數學運算的字串數據行，或需要類別特徵數據行的分數數據行，您可能會在 Azure 機器學習 收到此錯誤。
解決方法：
- 識別問題所在數據行。
- 檢閱元件的需求。
- 修改數據行，使其符合需求。 您可能需要使用下列幾個元件來進行變更，視您嘗試的數據行和轉換而定：
- 使用 [編輯元數據 ] 來變更數據行的數據類型，或將數據行使用量從功能變更為數值、類別目錄為非類別等等。
- 作為最後手段，您可能需要修改原始輸入數據集。
提示
找不到符合您案例的解決方案嗎？ 您可以針對本主題提供意見反應，其中包含產生錯誤的元件名稱，以及數據行的數據類型和基數。 我們將使用資訊來針對常見案例提供更有針對性的疑難解答步驟。
| 例外狀況訊息 |
|---|
| 無法處理目前類型的數據行。 元件不支援此類型。 |
| 無法處理類型為 {col_type} 的數據行。 元件不支援此類型。 |
| 無法處理類型為 {col_type} 的數據行 “{col_name}”。 元件不支援此類型。 |
| 無法處理類型為 {col_type} 的數據行 “{col_name}”。 元件不支援此類型。 參數名稱： {arg_name}。 |
錯誤 0018
如果輸入數據集無效，就會發生例外狀況。
解決方案：Azure 機器學習 中的此錯誤可能會出現在許多內容中，因此沒有單一解決方案。 一般而言，錯誤表示提供做為元件輸入的數據具有錯誤的數據行數，或數據類型不符合元件的需求。 例如：
元件需要標籤數據行，但沒有任何數據行標示為標籤，或您尚未選取標籤數據行。
元件需要分類數據，但您的數據是數值。
數據的格式錯誤。
匯入的數據包含無效的字元、不正確的值或超出範圍值。
數據行是空的，或包含太多遺漏值。
若要判斷需求和數據可能的方式，請檢閱將取用數據集做為輸入之元件的幫助主題。
.| 例外狀況訊息 |
|---|
| 數據集無效。 |
| {dataset1} 包含無效的數據。 |
| {dataset1} 和 {dataset2} 應該是一致的數據行。 |
| {dataset1} 包含無效的數據{reason}。 |
| {dataset1} 包含 {invalid_data_category}。 {troubleshoot_hint} |
| {dataset1} 無效，{reason}。 {troubleshoot_hint} |
錯誤 0019
如果數據行預期包含已排序的值，但不會發生例外狀況。
如果指定的數據行值順序不依序，您就會在 Azure 機器學習 收到此錯誤。
解決方案： 手動修改輸入數據集並重新執行元件，以排序數據行值。
| 例外狀況訊息 |
|---|
| 數據行中的值不會排序。 |
| 數據行 “{col_index}” 中的值不會排序。 |
| 數據集 “{dataset}” 資料行 “{col_index}” 中的值不會排序。 |
| 自變數 “{arg_name}” 中的值不會以 “{sorting_order}” 順序排序。 |
錯誤 0020
如果傳遞至元件的某些數據集中的數據行數目太小，就會發生例外狀況。
如果尚未為元件選取足夠的數據行，您就會在 Azure 機器學習 收到此錯誤。
解決方案： 重新瀏覽元件，並確定資料行選取器已選取正確的數據行數目。
| 例外狀況訊息 |
|---|
| 輸入數據集中的數據行數目小於允許的最小值。 |
| 輸入資料集 “{arg_name}” 中的數據行數目小於允許的最小值。 |
| 輸入數據集中的數據行數目小於 {required_columns_count} 個數據行的最小值。 |
| 輸入資料集 “{arg_name}” 中的數據行數目小於 {required_columns_count} 個數據行的最小值。 |
錯誤 0021
如果傳遞至元件的某些數據集中的數據列數目太小，就會發生例外狀況。
當數據集中沒有足夠的數據列來執行指定的作業時，在 Azure 機器學習 中看到此錯誤。 例如，如果輸入數據集是空的，或您嘗試執行需要一些最小數據列數目才能有效的作業，您可能會看到此錯誤。 這類作業可以包括（但不限於）根據統計方法、特定類型的量化和計數學習分組或分類。
解決方法：
- 開啟傳回錯誤的元件，並檢查輸入數據集和元件屬性。
- 確認輸入數據集不是空的，而且有足夠的數據列符合元件說明中所述的需求。
- 如果您的數據是從外部來源載入，請確定數據源可供使用，而且數據定義中沒有任何錯誤或變更，會導致匯入程式取得較少的數據列。
- 如果您要對可能影響數據類型或值數目的元件上游執行作業，例如清除、分割或聯結作業，請檢查這些作業的輸出，以判斷傳回的數據列數目。
| 例外狀況訊息 |
|---|
| 輸入數據集中的數據列數目小於允許的最小值。 |
| 輸入數據集中的數據列數目小於 {required_rows_count} 個數據列的最小值。 |
| 輸入數據集中的數據列數目小於 {required_rows_count} 個數據列的最小值。 {reason} |
| 輸入數據集 “{arg_name}” 中的數據列數目小於 {required_rows_count} 個數據列的最小值。 |
| 輸入數據集 “{arg_name}” 中的數據列數目是 {actual_rows_count}，小於 {required_rows_count} 個數據列的最小值。 |
| 輸入數據集 “{arg_name}” 中的 “{row_type}” 數據列數目是 {actual_rows_count}，小於 {required_rows_count} 個數據列的最小值。 |
錯誤 0022
如果輸入數據集中選取的數據行數目不等於預期的數位，就會發生例外狀況。
當下游元件或作業需要特定數目的數據行或輸入，而且您提供的數據行或輸入太少或太多時，Azure 機器學習 就會發生此錯誤。 例如：
您可以指定單一標籤資料列或索引鍵數據行，並意外選取多個資料行。
您正在重新命名數據行，但提供的名稱會比有數據行的還要少。
來源或目的地中的數據行數目已變更，或不符合元件所使用的數據行數目。
您已提供輸入值的逗號分隔清單，但值數目不相符，或不支援多個輸入。
解決方案： 重新瀏覽元件並檢查資料行選取範圍，以確保選取正確的數據行數目。 確認上游元件的輸出，以及下游作業的需求。
如果您使用其中一個數據行選取選項來選取多個數據行（數據行索引、所有特徵、所有數值等），請驗證選取範圍所傳回的確切數據行數目。
確認上游數據行的數目或類型尚未變更。
如果您使用建議數據集來定型模型，請記住，建議程式預期數據行數目有限，對應至用戶專案組或用戶專案排名。 在定型模型或分割建議數據集之前，請先移除其他數據行。 如需詳細資訊，請參閱 分割數據。
| 例外狀況訊息 |
|---|
| 輸入數據集中選取的數據行數目不等於預期的數位。 |
| 輸入數據集中選取的數據行數目不等於 {expected_col_count}。 |
| 數據行選取模式 「{selection_pattern_friendly_name}」 提供輸入數據集中選取的數據行數目不等於 {expected_col_count}。 |
| 數據行選取模式 「{selection_pattern_friendly_name}」 應該提供在輸入數據集中選取的 {expected_col_count} 個數據行，但實際上會提供 {selected_col_count} 個數據行。。 |
錯誤 0023
如果輸入數據集的目標數據行對目前定型元件無效，就會發生例外狀況。
如果目標數據行（如元件參數中所選取）不是有效的數據類型、包含所有遺漏值，或未如預期般分類，就會在 Azure 機器學習 中發生此錯誤。
解決方案： 重新瀏覽元件輸入，以檢查標籤/目標數據行的內容。 請確定它沒有所有遺漏的值。 如果元件預期目標數據行要分類，請確定目標數據行中有多個相異值。
| 例外狀況訊息 |
|---|
| 輸入數據集具有不支援的目標數據行。 |
| 輸入數據集具有不支援的目標數據行 “{column_index}”。 |
| 輸入數據集針對類型為 {learner_type} 的學習者，不支援目標數據行 “{column_index}”。 |
錯誤 0024
如果數據集不包含標籤數據行，就會發生例外狀況。
當元件需要標籤資料行且數據集沒有標籤數據行時，就會在 Azure 機器學習 發生此錯誤。 例如，評估評分數據集通常需要有標籤數據行來計算精確度計量。
也可能會發生標籤數據行存在於數據集中，但 Azure 機器學習 未正確偵測到。
解決方法：
- 開啟產生錯誤的元件，並判斷卷標數據行是否存在。 只要數據行包含您嘗試預測的單一結果（或相依變數），數據行的名稱或數據類型就無關緊要。 如果您不確定哪個數據行有標籤，請尋找一般名稱，例如 Class 或 Target。
- 如果數據集不包含標籤數據行，則標籤數據行可能是明確或意外地移除上游。 也可能是數據集不是上游評分元件的輸出。
- 若要明確地將數據行標示為標籤數據行，請新增 [編輯元數據 ] 元件並連接數據集。 只選取標籤數據行，然後從 [字段] 下拉式清單中選取 [卷標]。
- 如果選擇錯誤的數據行作為標籤，您可以從 [欄位] 中選取 [清除標籤]，以修正數據行上的元數據。
| 例外狀況訊息 |
|---|
| 數據集中沒有標籤數據行。 |
| “{dataset_name}” 中沒有標籤數據行。 |
錯誤 0025
如果數據集不包含分數數據行，就會發生例外狀況。
如果評估模型的輸入不包含有效的分數數據行，就會在 Azure 機器學習 中發生此錯誤。 例如，用戶嘗試先評估數據集，再使用正確的定型模型進行評分，或分數數據行已明確卸除上游。 如果兩個數據集上的分數數據行不相容，也會發生此例外狀況。 例如，您可能嘗試比較線性回歸輸入器的精確度與二元分類器。
解決方案： 重新瀏覽評估模型的輸入，並檢查其是否包含一或多個分數數據行。 如果沒有，則數據集未評分，或分數數據行已卸除在上游元件中。
| 例外狀況訊息 |
|---|
| 數據集中沒有分數數據行。 |
| “{dataset_name}” 中沒有分數數據行。 |
| “{dataset_name}” 中沒有 “{learner_type}” 所產生的分數數據行。 使用正確的學習模組類型為數據集評分。 |
錯誤 0026
如果不允許具有相同名稱的數據行，就會發生例外狀況。
如果多個數據行具有相同名稱，就會在 Azure 機器學習 發生此錯誤。 您可能會收到此錯誤的其中一種方式是，如果數據集沒有標頭數據列，而且會自動指派數據行名稱：Col0、Col1 等等。
解決方案： 如果數據行具有相同的名稱，請在輸入數據集與元件之間插入 編輯元數據 元件。 使用 [編輯元數據] 中的數據行選取器來選取要重新命名的數據行，在 [新增數據行名稱] 文本框中輸入新名稱。
| 例外狀況訊息 |
|---|
| 相等數據行名稱是在自變數中指定。 元件不允許相等的數據行名稱。 |
| 不允許自變數 “{arg_name_1}” 和 “{arg_name_2}” 中的數據行名稱相等。 請指定不同的名稱。 |
錯誤 0027
當兩個物件的大小必須相同但不是時，就會發生例外狀況。
這是 Azure 機器學習 中常見的錯誤，而且可能是許多情況所造成。
解決方案： 沒有特定的解決方案。 不過，您可以檢查下列條件：
如果您要重新命名資料行，請確定每個清單（輸入資料行和新名稱的清單）都有相同的項目數。
如果您要聯結或串連兩個數據集，請確定它們具有相同的架構。
如果您要聯結兩個具有多個數據行的數據集，請確定索引鍵數據行具有相同的數據類型，然後選取 [允許重複專案並保留選取範圍中的數據行順序] 選項。
| 例外狀況訊息 |
|---|
| 傳遞物件的大小不一致。 |
| “{friendly_name1}” 的大小與 “{friendly_name2}” 的大小不一致。 |
錯誤 0028
當數據行集包含重複的數據行名稱且不允許時，就會發生例外狀況。
當數據行名稱重複時，Azure 機器學習 會發生此錯誤;也就是說，不是唯一的。
解決方案：如果有任何數據行具有相同的名稱，請在輸入數據集與引發錯誤的元件之間新增編輯元數據的實例。 使用 [編輯元數據] 中的 [數據行選取器] 來選取要重新命名的數據行，然後在 [新增數據行名稱] 文本框中輸入新的數據行名稱。 如果您要重新命名多個資料行，請確定您在 [新增數據行名稱] 中輸入的值是唯一的。
| 例外狀況訊息 |
|---|
| 數據行集包含重複的數據行名稱。。 |
| 名稱 “{duplicated_name}” 重複。 |
| “{duplicated_name}” 名稱在 “{arg_name}” 中重複。 |
| 名稱 “{duplicated_name}” 重複。 詳細數據： {details} |
錯誤 0029
當傳遞無效的 URI 時，就會發生例外狀況。
如果傳遞無效的 URI，Azure 機器學習 就會發生此錯誤。 如果下列任一條件成立，您會收到此錯誤：
針對讀取或寫入 Azure Blob 儲存體 提供的公用或 SAS URI 包含錯誤。
SAS 的時間範圍已過期。
透過 HTTP 來源的 Web URL 代表檔案或回送 URI。
透過 HTTP 的 Web URL 包含格式不正確的 URL。
遠端來源無法解析 URL。
解決方案： 重新瀏覽元件，並確認 URI 的格式。 如果數據源是透過 HTTP 的 Web URL，請確認預期的來源不是檔案或回送 URI （localhost）。
| 例外狀況訊息 |
|---|
| 傳遞無效的 URI。 |
| URI “{invalid_url}” 無效。 |
錯誤 0030
當無法下載檔案時，就會發生例外狀況。
當無法下載檔案時，Azure 機器學習 就會發生此例外狀況。 當嘗試從 HTTP 來源讀取失敗時，三次 （3） 次重試嘗試後，您會收到此例外狀況。
解決方案： 確認 HTTP 來源的 URI 正確，且網站目前可透過因特網存取。
| 例外狀況訊息 |
|---|
| 無法下載檔案。 |
| 下載檔案時發生錯誤： {file_url}。 |
錯誤 0031
如果數據行集中的數據行數目小於需求，就會發生例外狀況。
如果選取的數據行數目小於需求，就會在 Azure 機器學習 發生此錯誤。 如果未選取所需的數據行數目下限，您會收到此錯誤。
解決方案： 使用 [資料行選取器] 將其他數據行新增至數據行選取範圍。
| 例外狀況訊息 |
|---|
| 數據行集中的數據行數目小於必要。 |
| 至少應為輸入自變數 「{arg_name}」 指定 {required_columns_count} 個數據行。 |
| 至少應為輸入自變數 「{arg_name}」 指定 {required_columns_count} 個數據行。 指定數據行的實際數目為 {input_columns_count}。 |
錯誤 0032
如果自變數不是數位，就會發生例外狀況。
如果自變數是 double 或 NaN，您就會在 Azure 機器學習 收到此錯誤。
解決方案： 修改指定的自變數以使用有效的值。
| 例外狀況訊息 |
|---|
| 自變數不是數位。 |
| “{arg_name}” 不是數位。 |
錯誤 0033
如果自變數為 Infinity，就會發生例外狀況。
如果自變數是無限的，就會在 Azure 機器學習 中發生此錯誤。 如果 自變數為 double.NegativeInfinity 或 double.PositiveInfinity，您會收到此錯誤。
解決方案： 將指定的自變數修改為有效的值。
| 例外狀況訊息 |
|---|
| 自變數必須是有限的。 |
| “{arg_name}” 不是有限的。 |
| 數據行 「{column_name}」 包含無限值。 |
錯誤 0034
如果指定的用戶專案配對有多個評等，就會發生例外狀況。
如果用戶專案組有多個評等值，Azure 機器學習 就會在建議中發生此錯誤。
解決方案： 確定用戶專案組只擁有一個評等值。
| 例外狀況訊息 |
|---|
| 數據集中的值存在一個以上的評等。 |
| 評等預測數據表中使用者 {user} 和專案 {item} 的多個評等。 |
| {dataset} 中使用者 {user} 和專案 {item} 的多個評等。 |
錯誤 0035
如果未為指定的使用者或專案提供任何功能，就會發生例外狀況。
Azure 機器學習 發生此錯誤，您嘗試使用建議模型進行評分，但找不到特徵向量。
解決方法：
Matchbox 建議工具在使用專案功能或使用者功能時必須符合某些需求。 此錯誤表示您提供做為輸入的用戶或專案缺少特徵向量。 請確定每個使用者或項目的數據中都有功能向量。
例如，如果您使用使用者年齡、位置或收入等功能來定型建議模型，但現在想要為訓練期間未看到的新使用者建立分數，您必須為新使用者提供一些對等的功能集（即年齡、位置和收入值），才能為其做出適當的預測。
如果您沒有這些使用者的任何功能，請考慮特徵工程來產生適當的功能。 例如，如果您沒有個別使用者年齡或收入值，您可能會產生要用於一組使用者的近似值。
提示
解決方案不適用於您的案例？ 歡迎您傳送有關本文的意見反應，並提供案例的相關信息，包括元件和數據行中的數據列數目。 我們將使用此資訊在未來提供更詳細的疑難解答步驟。
| 例外狀況訊息 |
|---|
| 未針對必要的使用者或專案提供任何功能。 |
| 需要 {required_feature_name} 的功能，但未提供。 |
錯誤 0036
如果為指定的使用者或專案提供多個特徵向量，就會發生例外狀況。
如果定義一次以上的特徵向量，就會在 Azure 機器學習 發生此錯誤。
解決方案： 請確定特徵向量未定義多次。
| 例外狀況訊息 |
|---|
| 使用者或項目的重複功能定義。 |
錯誤 0037
如果指定了多個標籤數據行，而且只允許一個標籤數據行，就會發生例外狀況。
如果選取多個數據行成為新的標籤資料行，就會在 Azure 機器學習 發生此錯誤。 大部分的受監督學習演算法都需要將單一數據行標示為目標或標籤。
解決方案： 請務必選取單一數據行作為新的標籤數據行。
| 例外狀況訊息 |
|---|
| 指定多個標籤數據列。 |
| “{dataset_name}” 中指定了多個標籤數據行。 |
錯誤 0039
如果作業失敗，就會發生例外狀況。
當內部作業無法完成時，Azure 機器學習 會發生此錯誤。
解決方式： 此錯誤是由許多條件所造成，而且沒有特定的補救措施。
下表包含此錯誤的泛型訊息，後面接著條件的特定描述。
如果沒有可用的詳細數據， Microsoft Q&A 問題頁面會傳送意見反應 ，並提供產生錯誤和相關條件之元件的相關信息。
| 例外狀況訊息 |
|---|
| 作業失敗。 |
| 完成作業時發生錯誤：「failed_operation}」。 |
| 完成作業時發生錯誤：「failed_operation}」。 原因：「{reason}」。 |
錯誤 0042
當無法將數據行轉換成另一種類型時，就會發生例外狀況。
當無法將數據行轉換成指定的類型時，就會在 Azure 機器學習 發生此錯誤。 如果元件需要特定數據類型，例如 datetime、text、浮點數或整數，但無法將現有的數據行轉換成所需的類型，您會收到此錯誤。
例如，您可以選取數據行，並嘗試將它轉換成數值數據類型以用於數學運算，如果數據行包含無效的數據，則會收到此錯誤。
如果您嘗試使用包含浮點數或許多唯一值作為類別數據行的數據行，可能會收到此錯誤。
解決方法：
- 開啟產生錯誤的元件說明頁面，並確認數據類型需求。
- 檢閱輸入數據集中數據行的數據類型。
- 檢查源自所謂的無架構數據源的數據。
- 檢查數據集中是否有可能封鎖轉換成所需數據類型的遺漏值或特殊字元。
- 數值數據類型應該是一致的：例如，檢查整數數據行中的浮點數。
- 尋找數位數據行中的文字字串或 NA 值。
- 根據所需的數據類型，布爾值可以轉換成適當的表示法。
- 檢查非 Unicode 字元、製表元或控制字元的文字數據行
- 日期時間數據應該一致以避免模型化錯誤，但清除可能會因為許多格式而複雜。 請考慮使用 執行 Python 腳本 元件來執行清除。
- 如有必要，請修改輸入數據集中的值，以便成功轉換數據行。 修改可能包括量化、截斷或捨入作業、消除極端值或插補遺漏值。 如需機器學習中的一些常見數據轉換案例，請參閱下列文章：
提示
解決方式不清楚，或不適用於您的案例？ 歡迎您傳送有關本文的意見反應，並提供案例的相關信息，包括元件和數據行的數據類型。 我們將使用此資訊在未來提供更詳細的疑難解答步驟。
| 例外狀況訊息 |
|---|
| 不允許轉換。 |
| 無法將類型為 {type1} 的數據行轉換成類型 {type2} 的數據行。 |
| 無法將類型為 {type1} 的數據行 “{col_name1}” 轉換成類型 {type2} 的數據行。 |
| 無法將類型為 {type1} 的數據行 “{col_name1}” 轉換成類型 {type2} 的數據行 “{col_name2}”。 |
錯誤 0044
當無法從現有值衍生數據行的元素類型時，就會發生例外狀況。
當無法推斷數據集中的數據行類型時，Azure 機器學習 就會發生此錯誤。 這通常會在串連兩個或多個具有不同元素類型的數據集時發生。 如果 Azure 機器學習 無法判斷能夠表示數據行或數據行中所有值而不遺失資訊的一般類型，則會產生此錯誤。
解決方案： 請確定兩個數據集中合併的指定數據行中的所有值都是相同類型（numeric、Boolean、categorical、string、date 等）或可以強制轉換為相同類型。
| 例外狀況訊息 |
|---|
| 無法衍生數據行的元素類型。 |
| 無法為資料行 「{column_name}」 衍生元素類型 -- 所有元素都是 Null 參考。 |
| 無法為資料集 “{dataset_name}” 的資料行 “{column_name}” 衍生元素類型 -- 所有元素都是 Null 參考。 |
錯誤 0045
因為來源中的混合項目類型，所以無法建立數據行時，就會發生例外狀況。
當合併的兩個數據集的元素類型不同時，會產生 Azure 機器學習 中的此錯誤。
解決方式： 確定兩個數據集中指定數據行中的所有值都屬於相同類型（數值、布爾值、類別、字串、日期等）。
| 例外狀況訊息 |
|---|
| 無法使用混合項目類型建立數據行。 |
| 無法建立具有混合元素類型識別碼 「{column_id}」 的資料行： 數據類型[{row_1}， {column_id}] 為 “{type_1}”。 數據類型[{row_2}， {column_id}] 為 “{type_2}”。 |
| 無法建立具有混合元素類型識別碼 「{column_id}」 的資料行： 區塊 {chunk_id_1} 的類型為 “{type_1}”。 區塊 {chunk_id_2} 的類型為區塊大小為 {chunk_size}“ 的 ”{type_2}“。 |
錯誤 0046
當無法在指定的路徑上建立目錄時，就會發生例外狀況。
當無法在指定的路徑上建立目錄時，就會在 Azure 機器學習 發生此錯誤。 如果 Hive 查詢輸出目錄的任何部分不正確或無法存取，您會收到此錯誤。
解決方案： 重新瀏覽元件，並確認目錄路徑的格式正確，且可使用目前的認證存取。
| 例外狀況訊息 |
|---|
| 請指定有效的輸出目錄。 |
| 目錄： {path} 無法建立。 請指定有效的路徑。 |
錯誤 0047
如果傳遞至元件的某些數據集中的功能數據行數目太小，就會發生例外狀況。
如果要定型的輸入數據集不包含演算法所需的數據行數目下限，就會在 Azure 機器學習 發生此錯誤。 數據集通常是空的，或只包含定型數據行。
解決方案： 重新瀏覽輸入資料集，以確定除了標籤數據行之外還有一或多個其他數據行。
| 例外狀況訊息 |
|---|
| 輸入數據集中的特徵數據行數目小於允許的最小值。 |
| 輸入數據集中的特徵數據行數目小於 {required_columns_count} 個數據行的最小值。 |
| 輸入資料集 “{arg_name}” 中的特徵數據行數目小於 {required_columns_count} 個數據行的最小值。 |
錯誤 0048
當無法開啟檔案時，就會發生例外狀況。
當無法開啟檔案進行讀取或寫入時，Azure 機器學習 就會發生此錯誤。 您可能會因為下列原因而收到此錯誤：
容器或檔案 （blob） 不存在
檔案或容器的存取層級不允許您存取檔案
檔案太大而無法讀取或格式錯誤
解決方案： 重新瀏覽您嘗試讀取的元件和檔案。
確認容器和檔案的名稱正確無誤。
使用 Azure 傳統入口網站或 Azure 記憶體工具來確認您有權存取檔案。
| 例外狀況訊息 |
|---|
| 無法開啟檔案。 |
| 開啟檔案時發生錯誤： {file_name}。 |
| 開啟檔案時發生錯誤： {file_name}。 儲存體 例外狀況訊息： {exception}。 |
錯誤 0049
當無法剖析檔案時，就會發生例外狀況。
當無法剖析檔案時，Azure 機器學習 就會發生此錯誤。 如果在匯入資料元件中選取的檔案格式不符合檔案的實際格式，或檔案包含無法辨識的字元，您會收到此錯誤。
解決方案： 如果元件不符合檔案格式，請重新瀏覽元件並更正檔案格式選取專案。 可能的話，請檢查檔案以確認它不包含任何非法字元。
| 例外狀況訊息 |
|---|
| 無法剖析檔案。 |
| 剖析 {file_format} 檔案時發生錯誤。 |
| 剖析 {file_format} 檔案時發生錯誤： {file_name}。 |
| 剖析 {file_format} 檔案時發生錯誤。 原因： {failure_reason}。 |
| 剖析 {file_format} 檔案時發生錯誤： {file_name}。 原因： {failure_reason}。 |
錯誤 0052
如果未正確指定 Azure 記憶體帳戶金鑰，就會發生例外狀況。
如果用來存取 Azure 記憶體帳戶的金鑰不正確，就會在 Azure 機器學習 發生此錯誤。 例如，如果在複製和貼上時截斷 Azure 記憶體金鑰，或使用了錯誤的金鑰，您可能會看到此錯誤。
如需如何取得 Azure 記憶體帳戶金鑰的詳細資訊，請參閱 檢視、複製和重新產生記憶體存取密鑰。
解決方案： 重新瀏覽元件，並確認帳戶的 Azure 記憶體密鑰正確無誤;如有必要，請再次從 Azure 傳統入口網站複製密鑰。
| 例外狀況訊息 |
|---|
| Azure 記憶體帳戶密鑰不正確。 |
錯誤 0053
當沒有符合方塊建議的使用者功能或專案時，就會發生例外狀況。
如果找不到特徵向量，就會在 Azure 機器學習 中產生此錯誤。
解決方案： 確定輸入數據集中有特徵向量。
| 例外狀況訊息 |
|---|
| 需要使用者功能或/和專案，但未提供。 |
錯誤 0056
如果您為作業選取的數據行違反需求，就會發生例外狀況。
當您為需要數據行為特定數據類型的作業選擇數據行時，Azure 機器學習 會發生此錯誤。
如果數據行是正確的數據類型，也可能會發生此錯誤，但您使用的元件需要數據行也標示為特徵、標籤或類別數據行。
解決方法：
檢閱目前選取之數據行的數據類型。
確定選取的數據行是否為類別、標籤或特徵數據行。
檢閱您在其中選取數據行之元件的幫助主題，以判斷數據類型或數據行使用方式是否有特定需求。
使用 [編輯元數據 ] 來變更此作業期間的數據行類型。 如果您需要進行下游作業，請務必使用另一個編輯元數據實例，將數據行類型變更回其原始值。
| 例外狀況訊息 |
|---|
| 一或多個選取的數據行不在允許的類別中。 |
| 名稱為 “{col_name}” 的數據行不在允許的類別中。 |
錯誤 0057
嘗試建立已經存在的檔案或 Blob 時，就會發生例外狀況。
當您使用導出數據元件或其他元件將管線的結果儲存在 Azure 機器學習 至 Azure Blob 記憶體時，就會發生此例外狀況，但您嘗試建立已經存在的檔案或 Blob。
解決方法：
只有在您先前將 Azure Blob 記憶體寫入模式屬性設定為 Error 時，才會收到此錯誤。 根據設計，如果您嘗試將數據集寫入已經存在的 Blob，此元件就會引發錯誤。
- 開啟元件屬性，並將 [Azure Blob 記憶體寫入模式] 屬性變更為 [覆寫]。
- 或者，您可以輸入不同目的地 Blob 或檔案的名稱，並確定指定不存在的 Blob。
| 例外狀況訊息 |
|---|
| 檔案或 Blob 已經存在。 |
| 檔案或 Blob “{file_path}” 已經存在。 |
錯誤 0058
如果數據集未包含預期的標籤數據行，就會在 Azure 機器學習 發生此錯誤。
當提供的標籤數據行不符合學習者預期的數據或數據類型，或有錯誤的值時，也可能會發生這個例外狀況。 例如，在定型二進位分類器時，使用實值標籤數據行時，會產生這個例外狀況。
解決方案： 解決方法取決於您所使用的學習者或訓練人員，以及數據集中數據行的數據類型。 首先，確認機器學習演算法或定型元件的需求。
重新瀏覽輸入數據集。 確認您預期視為標籤的數據列具有您正在建立之模型的正確數據類型。
檢查輸入是否有遺漏的值，並視需要排除或取代它們。
如有必要，請新增 [ 編輯元數據] 元件，並確定標籤數據行標示為標籤。
| 例外狀況訊息 |
|---|
| 標籤列值和評分標籤資料列值無法比較。 |
| 卷標數據行在 “{dataset_name}” 中不如預期。 |
| 卷標數據行在 “{dataset_name}” 中不如預期，{reason}。 |
| “{dataset_name}” 中不預期卷標數據行 “{column_name}”。 |
| “{dataset_name}” 中不預期卷標數據行 “{column_name}”。 |
錯誤 0059
如果無法剖析數據行選擇器中指定的數據行索引，就會發生例外狀況。
如果無法剖析使用數據行選取器時指定的數據行索引，就會在 Azure 機器學習 發生此錯誤。 當資料行索引的格式無效且無法剖析時，您會收到此錯誤。
解決方案： 修改數據行索引以使用有效的索引值。
| 例外狀況訊息 |
|---|
| 無法剖析一或多個指定的數據行索引或索引範圍。 |
| 無法剖析數據行索引或範圍 「{column_index_or_range}」。。 |
錯誤 0060
在數據行選擇器中指定超出範圍的數據行範圍時，就會發生例外狀況。
當數據行選取器中指定超出範圍的數據行範圍時，就會在 Azure 機器學習 發生此錯誤。 如果數據列選擇器中的數據行範圍未對應至數據集中的數據行，您會收到此錯誤。
解決方案： 修改數據行選擇器中的數據行範圍，以對應至數據集中的數據行。
| 例外狀況訊息 |
|---|
| 指定的範圍數據行索引範圍無效或超出範圍。 |
| 數據行範圍 “{column_range}” 無效或超出範圍。 |
錯誤 0061
嘗試將數據列加入至數據數據表數目與數據表不同的數據行時，就會發生例外狀況。
當您嘗試將數據列新增至數據集時，Azure 機器學習 會發生此錯誤，該數據集的數據行數目與數據集不同。 如果新增至數據集的數據列與輸入資料集的數據行數目不同，您會收到此錯誤。 如果數據行數目不同，則無法將數據列附加至數據集。
解決方案： 修改輸入數據集，使加入的數據行數目與新增的數據列相同，或修改加入的數據列，使數據行數目與數據集相同。
| 例外狀況訊息 |
|---|
| 所有數據表都必須有相同數目的數據行。 |
| 區塊 “{chunk_id_1}” 中的數據行與區塊大小為 {chunk_size}的區塊 “{chunk_id_2}” 不同。 |
| 檔案 “{filename_1}” 中的數據行計數與檔案 “{column_count_1 filename_2}” 不同（count={column_count_2}）。 |
錯誤 0062
嘗試比較兩個模型與不同的學習模組類型時，就會發生例外狀況。
當無法比較兩個不同評分數據集的評估計量時，Azure 機器學習 會產生此錯誤。 在此情況下，無法比較用來產生兩個評分數據集的模型有效性。
解決方案： 確認評分結果是由同一種機器學習模型產生的（二元分類、回歸、多類別分類、建議、叢集、異常偵測等）您比較的所有模型都必須有相同的學習模組類型。
| 例外狀況訊息 |
|---|
| 所有模型都必須有相同的學習模組類型。 |
| 取得不相容的學習模組類型：“{actual_learner_type}”。 預期的學習模組類型為：“{expected_learner_type_list}”。 |
錯誤 0064
如果未正確指定 Azure 記憶體帳戶名稱或記憶體金鑰，就會發生例外狀況。
如果 Azure 記憶體帳戶名稱或記憶體金鑰未正確指定，就會在 Azure 機器學習 中發生此錯誤。 如果您輸入記憶體帳戶的帳戶名稱或密碼不正確，您會收到此錯誤。 如果您手動輸入帳戶名稱或密碼，可能會發生這種情況。 如果帳戶已刪除，也可能會發生此情況。
解決方案： 確認帳戶名稱和密碼已正確輸入，且帳戶存在。
| 例外狀況訊息 |
|---|
| Azure 記憶體帳戶名稱或記憶體金鑰不正確。 |
| 帳戶名稱的 Azure 記憶體帳戶名稱 「{account_name}」 或帳戶名稱的記憶體金鑰不正確。 |
錯誤 0065
如果未正確指定 Azure Blob 名稱，就會發生例外狀況。
如果未正確指定 Azure Blob 名稱，就會在 Azure 機器學習 發生此錯誤。 如果發生下列狀況，您會收到錯誤：
- 在指定的容器中找不到 Blob。
當格式為具有編碼的 Excel 或 CSV 時，只有容器指定為匯入數據要求中的來源;容器內所有 Blob 的內容串連不允許使用這些格式。
SAS URI 不包含有效 Blob 的名稱。
解決方案： 重新流覽擲回例外狀況的元件。 確認指定的 Blob 確實存在於記憶體帳戶中的容器中，且該許可權可讓您查看 Blob。 如果您有具有編碼格式的 Excel 或 CSV，請確認輸入的格式 為 containername/filename 。 確認 SAS URI 包含有效 Blob 的名稱。
| 例外狀況訊息 |
|---|
| Azure 記憶體 Blob 名稱不正確。 |
| Azure 記憶體 Blob 名稱 “{blob_name}” 不正確。 |
| 前置詞為 “{blob_name_prefix}” 的 Azure 記憶體 Blob 名稱不存在。 |
| 在容器 “{container_name}” 下找不到任何 Azure 記憶體 Blob。 |
| 找不到任何通配符路徑為 “{blob_wildcard_path}” 的 Azure 記憶體 Blob。 |
錯誤 0066
如果資源無法上傳至 Azure Blob，就會發生例外狀況。
如果無法將資源上傳至 Azure Blob，就會在 Azure 機器學習 中發生此錯誤。 兩者都會儲存到與包含輸入檔案的帳戶相同的 Azure 記憶體帳戶。
解決方案： 重新瀏覽元件。 確認 Azure 帳戶名稱、記憶體金鑰和容器正確無誤，且帳戶具有寫入容器的許可權。
| 例外狀況訊息 |
|---|
| 資源無法上傳至 Azure 記憶體。 |
| “{source_path}” 檔案無法上傳至 Azure 記憶體為 “{dest_path}”。 |
錯誤 0067
如果數據集的數據行數目與預期不同，就會發生例外狀況。
如果數據集的數據行數目與預期不同，Azure 機器學習 就會發生此錯誤。 當數據集中的數據行數目與元件在執行期間預期的數據行數目不同時，您會收到此錯誤。
解決方案： 修改輸入資料集或參數。
| 例外狀況訊息 |
|---|
| Datatable 中非預期的數據行數目。 |
| 數據集 “{dataset_name}” 中的數據行數目非預期。 |
| 必須是 “{expected_column_count}” 資料行（s），但改為找到 “{actual_column_count}” 數據行。 |
| 在輸入數據集 「{dataset_name}」中，預期為 “{expected_column_count}” 數據行（s），但改為找到 “{actual_column_count}” 資料行。 |
錯誤 0068
如果指定的Hive腳本不正確，就會發生例外狀況。
如果Hive QL腳本中有語法錯誤，或Hive解釋器在執行查詢或腳本時發生錯誤，就會在 Azure 機器學習 發生此錯誤。
解決方法：
Hive 的錯誤訊息通常會回報在錯誤記錄檔中，以便根據特定錯誤採取動作。
- 開啟元件並檢查查詢是否有錯誤。
- 登入 Hadoop 叢集的 Hive 控制台並執行查詢，確認查詢在 Azure 機器學習 之外正常運作。
- 請嘗試將批註放在Hive腳本中的個別行中，而不是在單行中混合可執行語句和批註。
資源
如需機器學習的Hive查詢說明，請參閱下列文章：
- 建立Hive數據表並從 Azure Blob 儲存體載入數據
- 使用Hive查詢探索數據表中的數據
- 使用Hive查詢在Hadoop叢集中建立數據的功能
- 適用於 SQL 使用者小提要的 Hive （PDF）
| 例外狀況訊息 |
|---|
| Hive 腳本不正確。 |
錯誤 0069
如果指定的 SQL 腳本不正確，就會發生例外狀況。
如果指定的 SQL 腳本有語法問題，或腳本中指定的數據行或數據表無效，就會在 Azure 機器學習 發生此錯誤。
如果 SQL 引擎在執行查詢或文稿時遇到任何錯誤，您會收到此錯誤。 SQL 錯誤訊息通常會回報在錯誤記錄檔中，以便根據特定錯誤採取動作。
解決方案： 重新瀏覽元件，並檢查 SQL 查詢是否有錯誤。
藉由直接登入資料庫伺服器並執行查詢，確認查詢在 Azure 機器學習 之外正常運作。
如果元件例外狀況回報了 SQL 產生的訊息，請根據回報的錯誤採取動作。 例如，錯誤訊息有時會包含可能錯誤的特定指引：
- 沒有這類資料行或遺漏資料庫，表示您可能輸入數據行名稱錯誤。 如果您確定資料行名稱正確，請嘗試使用括弧或引弧括住數據行標識碼。
- SQL 關鍵詞>附近的 <SQL 邏輯錯誤，指出您可能在指定的關鍵詞之前發生語法錯誤
| 例外狀況訊息 |
|---|
| SQL 腳本不正確。 |
| SQL 查詢 “{sql_query}” 不正確。 |
| SQL 查詢 “{sql_query}” 不正確。 例外狀況訊息： {exception}。 |
錯誤 0070
嘗試存取不存在的 Azure 數據表時，就會發生例外狀況。
當您嘗試存取不存在的 Azure 資料表時，Azure 機器學習 會發生此錯誤。 如果您在 Azure 記憶體中指定資料表，在讀取或寫入至 Azure 資料表 儲存體 時不存在，您會收到此錯誤。 如果您輸入所需數據表的名稱錯誤，或目標名稱和記憶體類型不符，就會發生此情況。 例如，您想要從數據表讀取，但改為輸入 Blob 的名稱。
解決方案： 重新瀏覽元件以確認資料表的名稱正確。
| 例外狀況訊息 |
|---|
| Azure 數據表不存在。 |
| Azure 數據表 “{table_name}” 不存在。 |
錯誤 0072
線上逾時發生例外狀況。
當連線逾時時，Azure 機器學習 會發生此錯誤。如果數據源或目的地目前有連線問題，例如因特網連線速度緩慢，或數據集很大且/或 SQL 查詢在數據中讀取，則會收到此錯誤。
解決方式： 判斷目前連線緩慢的 Azure 記憶體或因特網是否有問題。
| 例外狀況訊息 |
|---|
| 發生 連線 逾時。 |
錯誤 0073
如果將數據行轉換成另一種類型時發生錯誤，就會發生例外狀況。
當無法將數據行轉換成另一種類型時，Azure 機器學習 就會發生此錯誤。 如果元件需要特定類型，而且無法將數據行轉換成新類型，您會收到此錯誤。
解決方案： 修改輸入數據集，以便根據內部例外狀況來轉換數據行。
| 例外狀況訊息 |
|---|
| 無法轉換資料行。 |
| 無法將數據行轉換成 {target_type}。 |
錯誤 0075
當量化數據集時使用無效的量化函式時，就會發生例外狀況。
當您嘗試使用不支援的方法量化數據，或參數組合無效時，就會在 Azure 機器學習 中發生此錯誤。
解決方法：
此事件的錯誤處理是在舊版的 Azure 機器學習 中引進，可允許更多自定義量化方法。 目前所有量化方法都是以下拉式清單中的選取項目為基礎，因此在技術上應該無法再取得此錯誤。
| 例外狀況訊息 |
|---|
| 使用無效的量化函式。 |
錯誤 0077
傳遞未知的 Blob 檔案寫入模式時，就會發生例外狀況。
如果 Blob 檔案目的地或來源的規格中傳遞無效的自變數，就會在 Azure 機器學習 發生此錯誤。
解決方案： 在幾乎所有從 Azure Blob 記憶體匯入或匯出資料的元件中，都會使用下拉式清單來指派控制寫入模式的參數值;因此，無法傳遞無效的值，而且不應該顯示此錯誤。 這個錯誤將在較新的版本中淘汰。
| 例外狀況訊息 |
|---|
| 不支援的 Blob 寫入模式。 |
| 不支援的 Blob 寫入模式： {blob_write_mode}。 |
錯誤 0078
當匯入數據的 HTTP 選項收到指出重新導向的 3xx 狀態代碼時，就會發生例外狀況。
當匯入數據的 HTTP 選項收到指出重新導向的 3xx（301、302、304 等）狀態代碼時，就會發生 Azure 機器學習 此錯誤。 如果您嘗試連線到將瀏覽器重新導向至另一個頁面的 HTTP 來源，您會收到此錯誤。 基於安全性考慮，不允許將網站重新導向為 Azure 機器學習 的數據源。
解決方案： 如果網站是受信任的網站，請直接輸入重新導向的URL。
| 例外狀況訊息 |
|---|
| 不允許 Http 重新導向。 |
錯誤 0079
如果未正確指定 Azure 記憶體容器名稱，就會發生例外狀況。
如果未正確指定 Azure 記憶體容器名稱，就會在 Azure 機器學習 中發生此錯誤。 如果您未在寫入至 Azure Blob 儲存體 時，使用開頭為容器選項的 Blob 路徑指定容器和 Blob （file） 名稱，就會收到此錯誤。
解決方案： 重新流覽 匯出數據 元件，並確認 Blob 的指定路徑包含容器和檔名，格式為 容器/檔案名。
| 例外狀況訊息 |
|---|
| Azure 記憶體容器名稱不正確。 |
| Azure 記憶體容器名稱 “{container_name}” 不正確;必須是容器/Blob 格式的容器名稱。 |
錯誤 0080
元件不允許遺漏所有值的數據行時，就會發生例外狀況。
當元件取用的一或多個數據行包含所有遺漏值時，就會在 Azure 機器學習 中產生此錯誤。 例如，如果元件正在計算每個數據行的匯總統計數據，它就無法對不包含任何數據的數據行運作。 在這種情況下，元件執行會停止，但發生此例外狀況。
解決方法： 重新瀏覽輸入數據集，並移除包含所有遺漏值的任何數據行。
| 例外狀況訊息 |
|---|
| 不允許遺漏所有值的數據行。 |
| 數據行 {col_index_or_name} 有遺漏的所有值。 |
錯誤 0081
如果要減少的維度數目等於輸入數據集中的特徵數據行數目，則 PCA 元件中會發生例外狀況，其中包含至少一個疏鬆功能數據行。
如果符合下列條件，就會在 Azure 機器學習 中產生此錯誤：（a） 輸入數據集至少有一個疏鬆數據行，而且 （b） 所要求的最終維度數目與輸入維度的數目相同。
解決方案： 請考慮將輸出中的維度數目減少為小於輸入中的維度數目。 在 PCA 的應用程式中很常見。
| 例外狀況訊息 |
|---|
| 針對包含疏鬆特徵數據行的數據集，要減少的維度數目應該小於特徵數據行的數目。 |
錯誤 0082
無法成功還原串行化模型時，就會發生例外狀況。
當儲存的機器學習模型或轉換因重大變更而無法載入較新版本的 Azure 機器學習 運行時間時，Azure 機器學習 就會發生此錯誤。
解決方案： 產生模型或轉換的定型管線必須重新執行，而且必須重新儲存模型或轉換。
| 例外狀況訊息 |
|---|
| 無法還原串行化模型，因為模型可能會以較舊的串行化格式串行化。 重新定型並重新儲存模型。 |
錯誤 0083
如果用於定型的數據集不能用於學習者的具體類型，就會發生例外狀況。
當數據集與所定型的學習者不相容時，就會在 Azure 機器學習 中產生此錯誤。 例如，數據集在每個數據列中可能至少包含一個遺漏值，因此，整個數據集會在定型期間略過。 在其他情況下，某些機器學習演算法，例如異常偵測不會預期標籤在，而且如果數據集中有標籤，可能會擲回此例外狀況。
解決方案： 請參閱學習者的檔，以檢查輸入數據集的需求。 檢查數據列以查看所有必要的資料行存在。
| 例外狀況訊息 |
|---|
| 用於定型的數據集無效。 |
| {data_name} 包含無效的數據以進行定型。 |
| {data_name} 包含無效的數據以進行定型。 學習模組類型： {learner_type}。 |
| {data_name} 包含無效的數據以進行定型。 學習模組類型： {learner_type}。 原因： {reason}。 |
| 無法在定型數據 {data_name} 上套用 “{action_name}” 動作。 原因： {reason}。 |
錯誤 0084
評估 R 文稿所產生的分數時，就會發生例外狀況。 這目前不受支援。
如果您嘗試使用其中一個元件來評估包含分數之 R 腳本輸出的模型，就會在 Azure 機器學習 發生此錯誤。
解決方法：
| 例外狀況訊息 |
|---|
| 目前不支援評估自定義模型所產生的分數。 |
錯誤 0085
腳本評估失敗併發生錯誤時，就會發生例外狀況。
當您執行包含語法錯誤的自定義腳本時，Azure 機器學習 會發生此錯誤。
解決方案： 在外部編輯器中檢閱您的程式代碼，並檢查是否有錯誤。
| 例外狀況訊息 |
|---|
| 評估腳本期間發生錯誤。 |
| 文稿評估期間發生下列錯誤，請檢視輸出記錄檔以取得詳細資訊： ---------- {script_language} 解釋器的錯誤訊息開始---------- {message} ---------- {script_language} 解釋器----------的錯誤訊息結束 |
錯誤 0090
Hive 數據表建立失敗時發生例外狀況。
當您使用匯出數據或其他選項將數據儲存至 HDInsight 叢集，且無法建立指定的 Hive 數據表時，Azure 機器學習 會發生此錯誤。
解決方案： 檢查與叢集相關聯的 Azure 記憶體帳戶名稱，並確認您在元件屬性中使用相同的帳戶。
| 例外狀況訊息 |
|---|
| 無法建立Hive數據表。 針對 HDInsight 叢集，請確定與叢集相關聯的 Azure 記憶體帳戶名稱與透過元件參數傳入的內容相同。 |
| 無法建立 Hive 數據表 「{table_name}」。。 針對 HDInsight 叢集，請確定與叢集相關聯的 Azure 記憶體帳戶名稱與透過元件參數傳入的內容相同。 |
| 無法建立 Hive 數據表 「{table_name}」。。 針對 HDInsight 叢集，請確定與叢集相關聯的 Azure 儲存體帳戶名稱為 “{cluster_name}”。 |
錯誤 0102
無法擷取 ZIP 檔案時擲回。
當您匯入擴展名為 .zip 的壓縮套件時，Azure 機器學習 發生此錯誤，但套件不是 zip 檔案，或檔案不使用支援的 zip 格式。
解決方案： 請確定選取的檔案是有效的 .zip 檔案，而且它已使用其中一種支援的壓縮演算法進行壓縮。
如果您在匯入壓縮格式的數據集時收到此錯誤，請確認所有自主檔案都使用其中一個支援的檔案格式，且格式為 Unicode。
請嘗試將所需的檔案讀取到新的壓縮壓縮資料夾，然後再次嘗試新增自定義元件。
| 例外狀況訊息 |
|---|
| 指定的 ZIP 檔案格式不正確。 |
錯誤 0105
當元件定義檔案包含不支援的參數類型時，會顯示此錯誤
當您建立自定義元件 xml 定義，且定義中的參數或自變數類型不符合支援的類型時，就會在 Azure 機器學習 中產生此錯誤。
解決方案： 請確定自定義元件 xml 定義檔中任何 Arg 專案的 type 屬性都是支援的型別。
| 例外狀況訊息 |
|---|
| 不支援的參數類型。 |
| 指定的不支援的參數型態{0} ' 。 |
錯誤 0107
元件定義檔定義不支援的輸出類型時擲回
當自定義元件 xml 定義中的輸出埠類型不符合支援的類型時，就會在 Azure 機器學習 中產生此錯誤。
解決方案： 請確定自定義元件 xml 定義檔中 Output 元素的類型屬性是支援的型別。
| 例外狀況訊息 |
|---|
| 不支援的輸出類型。 |
| 指定了不支持的輸出類型 『{output_type}』。 |
錯誤 0125
當多個數據集的架構不相符時擲回。
解決方法：
| 例外狀況訊息 |
|---|
| 數據集架構不相符。 |
錯誤 0127
影像圖元大小超過允許的限制
如果您要從影像數據集讀取影像以進行分類，而且影像大於模型可以處理的影像，就會發生此錯誤。
| 例外狀況訊息 |
|---|
| 影像圖元大小超過允許的限制。 |
| 檔案 '{file_path}' 中的影像圖元大小超過允許的限制：'{size_limit}'。 |
錯誤 0128
類別數據行的條件機率數目超過限制。
解決方法：
| 例外狀況訊息 |
|---|
| 類別數據行的條件機率數目超過限制。 |
| 類別數據行的條件機率數目超過限制。 數據行 '{column_name_or_index_1}' 和 '{column_name_or_index_2}' 是有問題的配對。 |
錯誤 0129
數據集中的數據行數目超過允許的限制。
解決方法：
| 例外狀況訊息 |
|---|
| 數據集中的數據行數目超過允許的限制。 |
| '{dataset_name}' 數據集中的數據行數目超過允許。 |
| '{dataset_name}' 數據集中的數據行數目超過 '{component_name}' 允許的限制。 |
| '{dataset_name}' 數據集中的數據行數目超過 '{limit_columns_count}' 的 '{component_name limit_columns_count}' 限制。 |
錯誤 0134
當標籤數據行遺失或標籤資料列數目不足時，就會發生例外狀況。
當元件需要標籤數據行，但您未在數據行選取範圍中包含標籤數據行，或標籤數據行遺漏太多值時，就會發生此錯誤。
當先前的作業變更數據集時，也可能會發生此錯誤，使得下游作業的數據列不足。 例如，假設您在 Partition 和 Sample 元件中使用表示式，將數據集除以值。 如果找不到表達式的相符專案，則分割區所產生的其中一個數據集會是空的。
解決方法：
如果您在資料行選取範圍中包含標籤資料列，但無法辨識標籤，請使用 [編輯元數據 ] 元件將其標示為標籤。
然後，您可以使用 清除遺漏的數據元件來移除卷標數據 行中遺漏值的數據列。
請檢查您的輸入數據集，以確定它們包含有效的數據，以及足以滿足作業需求的數據列。 如果許多演算法需要一些最少的數據列，但數據只包含幾個數據列，或只包含一個標頭，則許多演算法會產生錯誤訊息。
| 例外狀況訊息 |
|---|
| 當標籤數據行遺失或標籤資料列數目不足時，就會發生例外狀況。 |
| 當標籤數據行遺失或標籤的資料列少於 {required_rows_count} 時，就會發生例外狀況。 |
| 當數據集 {dataset_name} 中的卷標數據行遺失或標籤的資料列少於 {required_rows_count} 時，就會發生例外狀況。 |
錯誤 0138
記憶體已用盡，無法完成元件的執行。 縮小數據集取樣可能有助於減輕問題。
當執行的元件需要比 Azure 容器中可用的記憶體還多時，就會發生此錯誤。 如果您使用大型數據集，且目前的作業無法放入記憶體中，就會發生這種情況。
解決方案： 如果您嘗試讀取大型數據集且作業無法完成，則縮小取樣數據集可能會有説明。
| 例外狀況訊息 |
|---|
| 記憶體已用盡，無法完成元件的執行。 |
| 記憶體已用盡，無法完成元件的執行。 詳細數據： {details} |
錯誤 0141
如果類別和字串數據行中選取的數值數據行數目和唯一值太小，就會發生例外狀況。
當選取的數據行中沒有足夠的唯一值來執行作業時，就會在 Azure 機器學習 發生此錯誤。
解決方案： 某些作業會對特徵和類別數據行執行統計作業，如果值不足，作業可能會失敗或傳回無效的結果。 請檢查您的數據集，以查看特徵和標籤數據列中有多少值，並判斷您嘗試執行的作業是否具有統計上有效。
如果源數據集有效，您也可以檢查某些上游數據操作或元數據作業是否已變更數據，並移除某些值。
如果上游作業包含分割、取樣或重新取樣，請確認輸出包含預期的列數和值。
| 例外狀況訊息 |
|---|
| 類別和字串數據行中選取的數值數據行和唯一值的數目太小。 |
| 類別和字串數據行中選取的數值數據行和唯一值總數（目前 {actual_num}） 至少應該是 {lower_boundary}。 |
錯誤 0154
當使用者嘗試聯結具有不相容數據行類型的索引鍵數據行時，就會發生例外狀況。
| 例外狀況訊息 |
|---|
| 索引鍵數據行專案類型不相容。 |
| 索引鍵數據行專案類型不相容。（左： {keys_left}; 右： {keys_right}） |
錯誤 0155
當數據集的數據行名稱不是字串時，就會發生例外狀況。
| 例外狀況訊息 |
|---|
| 數據框架數據行名稱必須是字串類型。 數據行名稱不是字串。 |
| 數據框架數據行名稱必須是字串類型。 數據行名稱 {column_names} 不是字串。 |
錯誤 0156
無法從 Azure SQL 資料庫 讀取數據時，就會發生例外狀況。
| 例外狀況訊息 |
|---|
| 無法從 Azure SQL 資料庫 讀取數據。 |
| 無法從 Azure SQL 資料庫 讀取數據： {detailed_message} DB： {database_server_name}：{database_name} 查詢： {sql_statement} |
錯誤 0157
找不到資料存放區。
| 例外狀況訊息 |
|---|
| 數據存放區信息無效。 |
| 數據存放區信息無效。 無法在工作區 '{workspace_name}' 中取得 Azure 機器學習 數據存放區 '{datastore_name}'。 |
錯誤 0158
轉換目錄無效時擲回。
| 例外狀況訊息 |
|---|
| 指定的 TransformationDirectory 無效。 |
| TransformationDirectory “{arg_name}” 無效。 原因： {reason}。 重新執行產生轉換檔案的訓練實驗。 如果已刪除定型實驗，請重新建立並儲存轉換檔案。 |
| TransformationDirectory “{arg_name}” 無效。 原因： {reason}。 {troubleshoot_hint} |
錯誤 0159
如果元件模型目錄無效，就會發生例外狀況。
| 例外狀況訊息 |
|---|
| 指定的 ModelDirectory 無效。 |
| ModelDirectory “{arg_name}” 無效。 |
| ModelDirectory “{arg_name}” 無效。 原因： {reason}。 |
| ModelDirectory “{arg_name}” 無效。 原因： {reason}。 {troubleshoot_hint} |
錯誤 1000
內部連結庫例外狀況。
提供此錯誤來擷取其他未處理的內部引擎錯誤。 因此，此錯誤的原因可能會根據產生錯誤的元件而有所不同。
若要取得更多協助，建議您張貼錯誤隨附於 Azure 機器學習 論壇的詳細訊息，以及案例的描述，包括用來作為輸入的數據。 此意見反應可協助我們排定錯誤的優先順序，並找出進一步工作最重要的問題。
| 例外狀況訊息 |
|---|
| 連結庫例外狀況。 |
| 連結庫例外狀況： {exception}。 |
| 未知的連結庫例外狀況： {exception}。 {customer_support_guidance}。 |
執行 Python 腳本元件
在 [執行 Python 腳本] 元件的70_driver_logs中搜尋 azureml_main，您可以找到哪一行發生錯誤。 例如，「檔案」/tmp/tmp01_ID/user_script.py“，第 17 行，azureml_main”表示錯誤發生在 Python 腳本的 17 行中。
分散式訓練
目前設計工具支援和 定型 PyTorch 模型元件的分散式定型 。
如果已啟用元件的分散式定型失敗，但沒有任何 70_driver 記錄，您可以檢查 70_mpi_log 是否有錯誤詳細數據。
下列範例顯示 執行設定的節點計數 大於計算叢集的可用節點計數。
下列範例顯示 每個節點 的處理計數大於 計算的處理單位 。
否則，您可以檢查 70_driver_log 每個進程。 70_driver_log_0 適用於主要進程。
