Wyjątki i kody błędów dla projektanta

W tym artykule opisano komunikaty o błędach i kody wyjątków w projektancie Azure Machine Learning, aby ułatwić rozwiązywanie problemów z potokami uczenia maszynowego.

Komunikat o błędzie można znaleźć w projektancie, wykonując następujące kroki:

  • Wybierz składnik, który zakończył się niepowodzeniem, przejdź do karty Dane wyjściowe i dzienniki . Szczegółowe informacje można znaleźć w pliku 70_driver_log.txt w kategorii azureml-logs .

  • Aby uzyskać szczegółowy błąd składnika, możesz sprawdzić go w pliku error_info.json w kategorii module_statistics .

Poniżej przedstawiono kody błędów składników w projektancie.

Błąd 0001

Wyjątek występuje, jeśli nie można odnaleźć co najmniej jednej określonej kolumny zestawu danych.

Ten błąd zostanie wyświetlony, jeśli wybrano kolumnę dla składnika, ale wybrane kolumny nie istnieją w zestawie danych wejściowych. Ten błąd może wystąpić, jeśli podczas uruchamiania potoku został wpisany ręcznie w nazwie kolumny lub jeśli selektor kolumny dostarczył sugerowaną kolumnę, która nie istniała w zestawie danych.

Rozdzielczość: Ponownie sprawdź, czy składnik zgłasza ten wyjątek i sprawdź, czy nazwa kolumny lub nazwy są poprawne i że istnieją wszystkie przywoływanych kolumn.

Komunikaty o wyjątkach
Nie odnaleziono co najmniej jednej określonej kolumny.
Nie można odnaleźć kolumny o nazwie lub indeksie "{column_id}".
Kolumna o nazwie lub indeksie "{column_id}" nie istnieje w "{arg_name_missing_column}".
Kolumna o nazwie lub indeksie "{column_id}" nie istnieje w ciągu "{arg_name_missing_column}", ale istnieje w folderze "{arg_name_has_column}".
Nie odnaleziono kolumn o nazwie lub indeksie {column_names}.
Kolumny o nazwie lub indeksie "{column_names}" nie istnieją w "{arg_name_missing_column}".
Kolumny o nazwie lub indeksie "{column_names}" nie istnieją w folderze "{arg_name_missing_column}", ale istnieją w folderze "{arg_name_has_column}".

Błąd 0002

Wyjątek występuje, jeśli nie można przeanalizować ani przekonwertować jednego lub większej liczby parametrów z określonego typu na wymagany przez typ metody docelowej.

Ten błąd występuje w Azure Machine Learning po określeniu parametru jako danych wejściowych, a typ wartości różni się od oczekiwanego typu, a nie można wykonać niejawnej konwersji.

Rozdzielczość: Sprawdź wymagania dotyczące składnika i określ, który typ wartości jest wymagany (ciąg, liczba całkowita, podwójna itp.)

Komunikaty o wyjątkach
Nie można przeanalizować parametru.
Nie można przeanalizować parametru "{arg_name_or_column}".
Nie można przekonwertować parametru "{arg_name_or_column}" na "{to_type}".
Nie można przekonwertować parametru "{arg_name_or_column}" z "{from_type}" na "{to_type}".
Nie można przekonwertować wartości parametru "{arg_name_or_column}" z "{arg_value}" z "{from_type}" na "{to_type}".
Nie można przekonwertować wartości "{arg_value}" w kolumnie "{arg_name_or_column}" z "{from_type}" na "{to_type}" przy użyciu podanego formatu "{fmt}".

Błąd 0003

Wyjątek występuje, jeśli co najmniej jeden z danych wejściowych ma wartość null lub jest pusty.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli jakiekolwiek dane wejściowe lub parametry składnika mają wartość null lub są puste. Ten błąd może wystąpić, na przykład wtedy, gdy nie wpisana została żadna wartość parametru. Może się to zdarzyć również w przypadku wybrania zestawu danych z brakującymi wartościami lub pustego zestawu danych.

Rozwiązanie:

  • Otwórz składnik, który wygenerował wyjątek i sprawdź, czy określono wszystkie dane wejściowe. Upewnij się, że określono wszystkie wymagane dane wejściowe.
  • Upewnij się, że dane załadowane z usługi Azure Storage są dostępne i że nazwa konta lub klucz nie uległy zmianie.
  • Sprawdź dane wejściowe pod kątem brakujących wartości lub wartości null.
  • Jeśli używasz zapytania w źródle danych, sprawdź, czy dane są zwracane w oczekiwanym formacie.
  • Sprawdź pisownię lub inne zmiany w specyfikacji danych.
Komunikaty o wyjątkach
Co najmniej jeden z danych wejściowych ma wartość null lub jest pusty.
Dane wejściowe "{name}" mają wartość null lub są puste.

Błąd 0004

Wyjątek występuje, jeśli parametr jest mniejszy lub równy określonej wartości.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli parametr w komunikacie znajduje się poniżej wartości granic wymaganej do przetworzenia danych przez składnik.

Rozdzielczość: Ponownie zajmij się składnikiem zgłaszającym wyjątek i zmodyfikuj parametr, aby był większy niż określona wartość.

Komunikaty o wyjątkach
Parametr powinien być większy niż wartość granicy.
Wartość parametru "{arg_name}" powinna być większa niż {lower_boundary}.
Parametr "{arg_name}" ma wartość "{actual_value}", która powinna być większa niż {lower_boundary}.

Błąd 0005

Wyjątek występuje, jeśli parametr jest mniejszy niż określona wartość.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli parametr w komunikacie znajduje się poniżej lub jest równy wartości granicy wymaganej do przetworzenia danych przez składnik.

Rozdzielczość: Ponownie zajmij się składnikiem zgłaszającym wyjątek i zmodyfikuj parametr o wartości większej lub równej określonej wartości.

Komunikaty o wyjątkach
Parametr powinien być większy lub równy wartości granic.
Wartość parametru "{arg_name}" powinna być większa lub równa {lower_boundary}.
Parametr "{arg_name}" ma wartość "{value}", która powinna być większa lub równa {lower_boundary}.

Błąd 0006

Wyjątek występuje, jeśli parametr jest większy lub równy określonej wartości.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli parametr w komunikacie jest większy lub równy wartości granicy wymaganej do przetworzenia danych przez składnik.

Rozdzielczość: Ponownie zajmij się składnikiem zgłaszającym wyjątek i zmodyfikuj parametr, aby był mniejszy niż określona wartość.

Komunikaty o wyjątkach
Niezgodność parametrów. Jeden z parametrów powinien być mniejszy niż inny.
Wartość parametru "{arg_name}" powinna być mniejsza niż parametr "{upper_boundary_parameter_name}".
Parametr "{arg_name}" ma wartość "{value}", która powinna być mniejsza niż {upper_boundary_parameter_name}.

Błąd 0007

Wyjątek występuje, jeśli parametr jest większy niż określona wartość.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli we właściwościach składnika określono wartość większą niż dozwolona. Możesz na przykład określić dane spoza zakresu obsługiwanych dat lub wskazać, że pięć kolumn jest używanych, gdy są dostępne tylko trzy kolumny.

Ten błąd może również zostać wyświetlony, jeśli określisz dwa zestawy danych, które muszą być zgodne w jakiś sposób. Jeśli na przykład zmieniasz nazwy kolumn i określisz kolumny według indeksu, liczba podanych nazw musi być zgodna z liczbą indeksów kolumn. Innym przykładem może być operacja matematyczna, która używa dwóch kolumn, gdzie kolumny muszą mieć taką samą liczbę wierszy.

Rozwiązanie:

  • Otwórz składnik, którego dotyczy, i przejrzyj wszystkie ustawienia właściwości liczbowych.
  • Upewnij się, że wszystkie wartości parametrów należą do obsługiwanego zakresu wartości dla tej właściwości.
  • Jeśli składnik przyjmuje wiele danych wejściowych, upewnij się, że dane wejściowe mają taki sam rozmiar.
  • Sprawdź, czy zestaw danych lub źródło danych uległy zmianie. Czasami wartość, która pracowała z poprzednią wersją danych, zakończy się niepowodzeniem po liczbie kolumn, typach danych kolumn lub zmianie rozmiaru danych.
Komunikaty o wyjątkach
Niezgodność parametrów. Jeden z parametrów powinien być mniejszy lub równy innemu.
Wartość parametru "{arg_name}" powinna być mniejsza lub równa parametrowi "{upper_boundary_parameter_name}".
Parametr "{arg_name}" ma wartość "{actual_value}", która powinna być mniejsza lub równa {upper_boundary}.
Wartość parametru {arg_name}" {actual_value} powinna być mniejsza lub równa parametrowi {upper_boundary upper_boundary_parameter_name}.
Wartość parametru "{arg_name}" {actual_value} powinna być mniejsza lub równa wartości {upper_boundary_meaning} {upper_boundary}.

Błąd 0008

Wyjątek występuje, jeśli parametr nie znajduje się w zakresie.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli parametr w komunikacie znajduje się poza granicami wymaganymi do przetworzenia danych przez składnik.

Na przykład ten błąd jest wyświetlany, jeśli spróbujesz użyć polecenia Dodaj wiersze , aby połączyć dwa zestawy danych z inną liczbą kolumn.

Rozdzielczość: Ponownie zajmij się składnikiem zgłaszającym wyjątek i zmodyfikuj parametr, który ma znajdować się w określonym zakresie.

Komunikaty o wyjątkach
Wartość parametru nie znajduje się w określonym zakresie.
Wartość parametru "{arg_name}" nie jest w zakresie.
Wartość parametru "{arg_name}" powinna znajdować się w zakresie [{lower_boundary}, {upper_boundary}].
Wartość parametru "{arg_name}" nie jest w zakresie. {reason}

Błąd 0009

Wyjątek występuje, gdy nazwa konta usługi Azure Storage lub nazwa kontenera jest niepoprawnie określona.

Ten błąd występuje w projektancie Azure Machine Learning podczas określania parametrów dla konta usługi Azure Storage, ale nie można rozpoznać nazwy lub hasła. Błędy dotyczące haseł lub nazw kont mogą wystąpić z wielu powodów:

  • Konto jest nieprawidłowym typem. Niektóre nowe typy kont nie są obsługiwane do użycia z projektantem Machine Learning. Aby uzyskać szczegółowe informacje, zobacz Importowanie danych .
  • Wprowadzono nieprawidłową nazwę konta
  • Konto już nie istnieje
  • Hasło dla konta magazynu jest nieprawidłowe lub zostało zmienione
  • Nie określono nazwy kontenera lub kontener nie istnieje
  • Nie określono w pełni ścieżki pliku (ścieżki do obiektu blob)

Rozwiązanie:

Takie problemy często występują podczas próby ręcznego wprowadzenia nazwy konta, hasła lub ścieżki kontenera. Zalecamy użycie nowego kreatora dla składnika Importuj dane , co ułatwia wyszukiwanie i sprawdzanie nazw.

Sprawdź również, czy konto, kontener lub obiekt blob został usunięty. Użyj innego narzędzia usługi Azure Storage, aby sprawdzić, czy nazwa konta i hasło zostały wprowadzone poprawnie i czy kontener istnieje.

Niektóre nowsze typy kont nie są obsługiwane przez Azure Machine Learning. Na przykład nie można używać nowych typów magazynu "hot" lub "cold" do uczenia maszynowego. Zarówno klasyczne konta magazynu, jak i konta magazynu utworzone jako "Ogólnego przeznaczenia" działają prawidłowo.

Jeśli określono pełną ścieżkę do obiektu blob, sprawdź, czy ścieżka jest określona jako kontener/nazwa obiektu blob, oraz czy kontener i obiekt blob istnieją na koncie.

Ścieżka nie powinna zawierać wiodącego ukośnika. Na przykład /container/blob jest niepoprawny i powinien zostać wprowadzony jako kontener/obiekt blob.

Komunikaty o wyjątkach
Nazwa konta magazynu platformy Azure lub nazwa kontenera jest nieprawidłowa.
Nazwa konta usługi Azure Storage "{account_name}" lub nazwa kontenera "{container_name}" jest nieprawidłowa; oczekiwano nazwy kontenera formatu/obiektu blob.

Błąd 0010

Wyjątek występuje, jeśli wejściowe zestawy danych mają nazwy kolumn, które powinny być zgodne, ale nie.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli indeks kolumn w komunikacie ma różne nazwy kolumn w dwóch wejściowych zestawach danych.

Rozdzielczość: Użyj opcji Edytuj metadane lub zmodyfikuj oryginalny zestaw danych, aby mieć taką samą nazwę kolumny dla określonego indeksu kolumny.

Komunikaty o wyjątkach
Kolumny z odpowiednim indeksem w wejściowych zestawach danych mają różne nazwy.
Nazwy kolumn nie są takie same dla kolumny {col_index} (zero-based) wejściowych zestawów danych (odpowiednio{dataset1} i {dataset2}).

Błąd 0011

Wyjątek występuje, jeśli przekazany argument zestawu kolumn nie ma zastosowania do żadnej z kolumn zestawu danych.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli określony wybór kolumny nie pasuje do żadnej z kolumn w danym zestawie danych.

Ten błąd można również uzyskać, jeśli nie wybrano kolumny, a co najmniej jedna kolumna jest wymagana do działania składnika.

Rozdzielczość: Zmodyfikuj zaznaczenie kolumny w składniku, aby miało zastosowanie do kolumn w zestawie danych.

Jeśli składnik wymaga wybrania określonej kolumny, takiej jak kolumna etykiety, sprawdź, czy wybrano odpowiednią kolumnę.

Jeśli wybrano nieodpowiednie kolumny, usuń je i uruchom ponownie potok.

Komunikaty o wyjątkach
Określony zestaw kolumn nie ma zastosowania do żadnej z kolumn zestawu danych.
Określony zestaw kolumn "{column_set}" nie ma zastosowania do żadnej z kolumn zestawu danych.

Błąd 0012

Wyjątek występuje, jeśli nie można utworzyć wystąpienia klasy z przekazanym zestawem argumentów.

Rozdzielczość: Ten błąd nie może działać przez użytkownika i zostanie wycofany w przyszłej wersji.

Komunikaty o wyjątkach
Model nieuszkodzony, najpierw wytrenuj model.
Nietrenowany model ({arg_name}) użyj wytrenowanego modelu.

Błąd 0013

Wyjątek występuje, jeśli uczeń przekazany do składnika jest nieprawidłowym typem.

Ten błąd występuje za każdym razem, gdy wytrenowany model jest niezgodny z połączonym składnikiem oceniania.

Rozwiązanie:

Określ typ ucznia, który jest generowany przez składnik szkolenia, i określ składnik oceniania, który jest odpowiedni dla ucznia.

Jeśli model został wytrenowany przy użyciu dowolnego z wyspecjalizowanych składników szkoleniowych, połącz wytrenowany model tylko z odpowiednim wyspecjalizowanym składnikiem oceniania.

Typ modelu Składnik trenowania Składnik oceniania
dowolny klasyfikator Trenowanie modelu Klasyfikacja modelu
dowolny model regresji Trenowanie modelu Klasyfikacja modelu
Komunikaty o wyjątkach
Osoba ucząca się nieprawidłowego typu jest przekazywana.
Uczeń "{arg_name}" ma nieprawidłowy typ.
Uczeń "{arg_name}" ma nieprawidłowy typ "{learner_type}".
Osoba ucząca się nieprawidłowego typu jest przekazywana. Komunikat o wyjątku: {exception_message}

Błąd 0014

Wyjątek występuje, jeśli liczba unikatowych wartości kolumn jest większa niż dozwolona.

Ten błąd występuje, gdy kolumna zawiera zbyt wiele unikatowych wartości, takich jak kolumna ID lub kolumna tekstowa. Ten błąd może zostać wyświetlony, jeśli określisz, że kolumna jest obsługiwana jako dane kategorii, ale w kolumnie jest zbyt wiele unikatowych wartości, aby umożliwić ukończenie przetwarzania. Ten błąd może również zostać wyświetlony, jeśli istnieje niezgodność między liczbą unikatowych wartości w dwóch danych wejściowych.

Błąd unikatowych wartości jest większy niż dozwolony, jeśli spełnia oba następujące warunki:

  • Ponad 97% wystąpień jednej kolumny to unikatowe wartości, co oznacza, że prawie wszystkie kategorie różnią się od siebie.
  • Jedna kolumna ma więcej niż 1000 unikatowych wartości.

Rozwiązanie:

Otwórz składnik, który wygenerował błąd, i zidentyfikuj kolumny używane jako dane wejściowe. W przypadku niektórych składników możesz kliknąć prawym przyciskiem myszy dane wejściowe zestawu danych i wybrać pozycję Visualize (Wizualizacja), aby uzyskać statystyki dotyczące poszczególnych kolumn, w tym liczbę unikatowych wartości i ich rozkład.

W przypadku kolumn, które mają być używane do grupowania lub kategoryzacji, wykonaj kroki, aby zmniejszyć liczbę unikatowych wartości w kolumnach. Można zmniejszyć na różne sposoby, w zależności od typu danych kolumny.

W przypadku kolumn identyfikatorów, które nie są znaczącymi funkcjami podczas trenowania modelu, można użyć funkcji Edytuj metadane , aby oznaczyć tę kolumnę jako funkcję Clear i nie będzie używana podczas trenowania modelu.

W przypadku kolumn tekstowych można używać skrótów funkcji lub wyodrębniać funkcje N-Gram ze składnika Text do wstępnego przetwarzania kolumn tekstowych.

Porada

Nie można odnaleźć rozwiązania zgodnego ze scenariuszem? Możesz przekazać opinię na ten temat, który zawiera nazwę składnika, który wygenerował błąd, oraz typ danych i kardynalność kolumny. Użyjemy tych informacji, aby zapewnić bardziej ukierunkowane kroki rozwiązywania problemów dla typowych scenariuszy.

Komunikaty o wyjątkach
Ilość unikatowych wartości kolumn jest większa niż dozwolona.
Liczba unikatowych wartości w kolumnie: "{column_name}" jest większa niż dozwolona.
Liczba unikatowych wartości w kolumnie: "{column_name}" przekracza liczbę krotki {limitation}.

Błąd 0015

Wyjątek występuje, jeśli połączenie z bazą danych nie powiodło się.

Ten błąd zostanie wyświetlony, jeśli wprowadzisz niepoprawną nazwę konta SQL, hasło, serwer bazy danych lub nazwę bazy danych albo jeśli nie można nawiązać połączenia z bazą danych lub serwerem.

Rozdzielczość: Sprawdź, czy nazwa konta, hasło, serwer bazy danych i baza danych zostały wprowadzone poprawnie i czy określone konto ma prawidłowy poziom uprawnień. Sprawdź, czy baza danych jest obecnie dostępna.

Komunikaty o wyjątkach
Błąd podczas nawiązywania połączenia z bazą danych.
Błąd podczas nawiązywania połączenia z bazą danych: {connection_str}.

Błąd 0016

Wyjątek występuje, jeśli wejściowe zestawy danych przekazane do składnika powinny mieć zgodne typy kolumn, ale nie.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli typy kolumn przekazanych w co najmniej dwóch zestawach danych nie są ze sobą zgodne.

Rozdzielczość: Użyj opcji Edytuj metadane lub zmodyfikuj oryginalny wejściowy zestaw danych , aby upewnić się, że typy kolumn są zgodne.

Komunikaty o wyjątkach
Kolumny z odpowiednim indeksem w wejściowych zestawach danych mają niezgodne typy.
Kolumny "{first_col_names}" są niezgodne między danymi trenowania i testowania.
Kolumny "{first_col_names}" i "{second_col_names}" są niezgodne.
Typy elementów kolumny nie są zgodne z kolumnami "{first_col_names}" (opartymi na zera) zestawach danych wejściowych (odpowiednio{first_dataset_names} i {second_dataset_names}).

Błąd 0017

Wyjątek występuje, jeśli wybrana kolumna używa typu danych, który nie jest obsługiwany przez bieżący składnik.

Na przykład ten błąd może wystąpić w Azure Machine Learning, jeśli wybór kolumny zawiera kolumnę z typem danych, którego nie można przetworzyć przez składnik, takich jak kolumna ciągu dla operacji matematycznej, lub kolumna oceny, w której wymagana jest kolumna funkcji kategorii.

Rozwiązanie:

  1. Zidentyfikuj kolumnę, która jest problemem.
  2. Zapoznaj się z wymaganiami składnika.
  3. Zmodyfikuj kolumnę, aby była zgodna z wymaganiami. Może być konieczne użycie kilku z następujących składników w celu wprowadzenia zmian w zależności od kolumny i konwersji, którą próbujesz wykonać:
    • Użyj opcji Edytuj metadane , aby zmienić typ danych kolumn lub zmienić użycie kolumny z funkcji na liczbowe, podzielone na kategorie i tak dalej.
  1. W ostateczności może być konieczne zmodyfikowanie oryginalnego wejściowego zestawu danych.

Porada

Nie można znaleźć rozwiązania zgodnego ze scenariuszem? Możesz przekazać opinię na ten temat, który zawiera nazwę składnika, który wygenerował błąd, oraz typ danych i kardynalność kolumny. Użyjemy tych informacji, aby zapewnić bardziej ukierunkowane kroki rozwiązywania problemów dla typowych scenariuszy.

Komunikaty o wyjątkach
Nie można przetworzyć kolumny bieżącego typu. Typ nie jest obsługiwany przez składnik.
Nie można przetworzyć kolumny typu {col_type}. Typ nie jest obsługiwany przez składnik.
Nie można przetworzyć kolumny "{col_name}" typu {col_type}. Typ nie jest obsługiwany przez składnik.
Nie można przetworzyć kolumny "{col_name}" typu {col_type}. Typ nie jest obsługiwany przez składnik. Nazwa parametru: {arg_name}.

Błąd 0018

Wyjątek występuje, jeśli wejściowy zestaw danych jest nieprawidłowy.

Rozdzielczość: Ten błąd w Azure Machine Learning może występować w wielu kontekstach, więc nie ma jednej rozdzielczości. Ogólnie rzecz biorąc, błąd wskazuje, że dane podane jako dane wejściowe składnika mają nieprawidłową liczbę kolumn lub że typ danych nie odpowiada wymaganiom składnika. Przykład:

  • Składnik wymaga kolumny etykiety, ale żadna kolumna nie jest oznaczona jako etykieta lub nie została jeszcze wybrana kolumna etykiety.

  • Składnik wymaga kategorycznych danych, ale dane są liczbowe.

  • Dane są w niewłaściwym formacie.

  • Zaimportowane dane zawierają nieprawidłowe znaki, złe wartości lub wartości poza zakresem.

  • Kolumna jest pusta lub zawiera zbyt wiele brakujących wartości.

Aby określić wymagania i sposób, w jaki dane mogą być używane, zapoznaj się z tematem pomocy dla składnika, który będzie zużywał zestaw danych jako dane wejściowe.

.
Komunikaty o wyjątkach
Zestaw danych jest nieprawidłowy.
{dataset1} zawiera nieprawidłowe dane.
{dataset1} i {dataset2} powinny być spójne w kolumnie.
{dataset1} zawiera nieprawidłowe dane, {reason}.
Element {dataset1} zawiera element {invalid_data_category}. {troubleshoot_hint}
{dataset1} jest nieprawidłowy, {reason}. {troubleshoot_hint}

Błąd 0019

Wyjątek występuje, jeśli kolumna ma zawierać posortowane wartości, ale nie.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli określone wartości kolumn są poza kolejnością.

Rozdzielczość: Posortuj wartości kolumn, ręcznie modyfikując wejściowy zestaw danych i ponownie uruchamiając składnik.

Komunikaty o wyjątkach
Wartości w kolumnie nie są sortowane.
Wartości w kolumnie "{col_index}" nie są sortowane.
Wartości w kolumnie "{col_index}" zestawu danych "{dataset}" nie są sortowane.
Wartości w argumencie "{arg_name}" nie są sortowane w kolejności "{sorting_order}".

Błąd 0020

Wyjątek występuje, jeśli liczba kolumn w niektórych zestawach danych przekazanych do składnika jest zbyt mała.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli nie wybrano wystarczającej liczby kolumn dla składnika.

Rozdzielczość: Ponownie sprawdź składnik i upewnij się, że selektor kolumn ma wybraną poprawną liczbę kolumn.

Komunikaty o wyjątkach
Liczba kolumn w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna.
Liczba kolumn w wejściowym zestawie danych "{arg_name}" jest mniejsza niż dozwolona minimalna.
Liczba kolumn w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna liczba kolumn {required_columns_count}.
Liczba kolumn w wejściowym zestawie danych "{arg_name}" jest mniejsza niż dozwolona minimalna liczba kolumn {required_columns_count}.

Błąd 0021

Wyjątek występuje, jeśli liczba wierszy w niektórych zestawach danych przekazanych do składnika jest zbyt mała.

Ten błąd widoczny w Azure Machine Learning, gdy w zestawie danych nie ma wystarczającej liczby wierszy, aby wykonać określoną operację. Na przykład ten błąd może wystąpić, jeśli wejściowy zestaw danych jest pusty lub jeśli próbujesz wykonać operację, która wymaga prawidłowej minimalnej liczby wierszy. Takie operacje mogą obejmować (ale nie tylko) grupowanie lub klasyfikację na podstawie metod statystycznych, niektórych typów kwantowania i uczenia się z liczbami.

Rozwiązanie:

  • Otwórz składnik, który zwrócił błąd, i sprawdź wejściowy zestaw danych i właściwości składnika.
  • Sprawdź, czy wejściowy zestaw danych nie jest pusty i czy istnieje wystarczająca liczba wierszy danych, aby spełnić wymagania opisane w pomocy składnika.
  • Jeśli dane są ładowane ze źródła zewnętrznego, upewnij się, że źródło danych jest dostępne i że nie ma błędu lub zmiany definicji danych, co spowodowałoby uzyskanie mniejszej liczby wierszy przez proces importowania.
  • Jeśli wykonujesz operację na nadrzędnym strumieniu danych składnika, który może mieć wpływ na typ danych lub liczbę wartości, takich jak czyszczenie, dzielenie lub operacje łączenia, sprawdź dane wyjściowe tych operacji, aby określić liczbę zwracanych wierszy.
Komunikaty o wyjątkach
Liczba wierszy w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna.
Liczba wierszy w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna liczba wierszy {required_rows_count}.
Liczba wierszy w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna liczba wierszy {required_rows_count}. {reason}
Liczba wierszy w wejściowym zestawie danych "{arg_name}" jest mniejsza niż dozwolona minimalna liczba wierszy {required_rows_count}.
Liczba wierszy w wejściowym zestawie danych "{arg_name}" wynosi {actual_rows_count}, mniejsza niż dozwolona minimalna liczba wierszy {required_rows_count}.
Liczba wierszy "{row_type}" w wejściowym zestawie danych "{arg_name}" wynosi {actual_rows_count}, czyli mniej niż dozwolona minimalna liczba wierszy {required_rows_count}.

Błąd 0022

Wyjątek występuje, jeśli liczba wybranych kolumn w wejściowym zestawie danych nie jest równa oczekiwanej liczbie.

Ten błąd w Azure Machine Learning może wystąpić, gdy składnik podrzędny lub operacja wymaga określonej liczby kolumn lub danych wejściowych, a podano zbyt mało lub zbyt wiele kolumn lub danych wejściowych. Przykład:

  • Należy określić kolumnę z pojedynczą etykietą lub kolumnę klucza i przypadkowo wybrać wiele kolumn.

  • Zmieniasz nazwy kolumn, ale podano więcej lub mniej nazw niż kolumny.

  • Liczba kolumn w źródle lub miejscu docelowym została zmieniona lub nie jest zgodna z liczbą kolumn używanych przez składnik.

  • Podano rozdzielaną przecinkami listę wartości dla danych wejściowych, ale liczba wartości nie jest zgodna lub wiele danych wejściowych nie jest obsługiwanych.

Rozdzielczość: Sprawdź ponownie składnik i zaznacz zaznaczenie kolumny, aby upewnić się, że wybrano prawidłową liczbę kolumn. Sprawdź dane wyjściowe składników nadrzędnych oraz wymagania dotyczące operacji podrzędnych.

Jeśli użyto jednej z opcji wyboru kolumny, które mogą wybrać wiele kolumn (indeksy kolumn, wszystkie funkcje, wszystkie liczby itp.), zweryfikuj dokładną liczbę kolumn zwróconych przez zaznaczenie.

Sprawdź, czy liczba lub typ kolumn nadrzędnych nie uległ zmianie.

Jeśli używasz zestawu danych rekomendacji do trenowania modelu, pamiętaj, że zalecający oczekuje ograniczonej liczby kolumn odpowiadających parom elementów użytkownika lub rankingom elementów użytkownika. Usuń dodatkowe kolumny przed trenowaniem modelu lub dzielenie zestawów danych rekomendacji. Aby uzyskać więcej informacji, zobacz Podział danych.

Komunikaty o wyjątkach
Liczba wybranych kolumn w wejściowym zestawie danych nie jest równa oczekiwanej liczbie.
Liczba wybranych kolumn w wejściowym zestawie danych nie jest równa {expected_col_count}.
Wzorzec wyboru kolumny "{selection_pattern_friendly_name}" zawiera liczbę wybranych kolumn w wejściowym zestawie danych, które nie są równe {expected_col_count}.
Oczekuje się, że wzorzec wyboru kolumn {selection_pattern_friendly_name}będzie dostarczać kolumny {expected_col_count} wybrane w wejściowym zestawie danych, ale kolumny {selected_col_count} są rzeczywiście podane.

Błąd 0023

Wyjątek występuje, jeśli docelowa kolumna wejściowego zestawu danych jest nieprawidłowa dla bieżącego składnika trenera.

Ten błąd w Azure Machine Learning występuje, jeśli kolumna docelowa (wybrana w parametrach składnika) nie jest prawidłowym typem danych, zawierała wszystkie brakujące wartości lub nie była kategoryczna zgodnie z oczekiwaniami.

Rozdzielczość: Ponownie sprawdź dane wejściowe składnika, aby sprawdzić zawartość kolumny label/target. Upewnij się, że nie ma wszystkich brakujących wartości. Jeśli składnik oczekuje, że kolumna docelowa będzie kategoryczna, upewnij się, że w kolumnie docelowej znajduje się więcej niż jedna odrębna wartość.

Komunikaty o wyjątkach
Wejściowy zestaw danych ma nieobsługiwaną kolumnę docelową.
Wejściowy zestaw danych ma nieobsługiwaną kolumnę docelową "{column_index}".
Wejściowy zestaw danych ma nieobsługiwaną kolumnę docelową "{column_index}" dla ucznia typu {learner_type}.

Błąd 0024

Wyjątek występuje, jeśli zestaw danych nie zawiera kolumny etykiety.

Ten błąd w Azure Machine Learning występuje, gdy składnik wymaga kolumny etykiety, a zestaw danych nie ma kolumny etykiety. Na przykład ocena ocenianego zestawu danych zwykle wymaga, aby kolumna etykiety przedstawiała metryki dokładności obliczeniowej.

Może się zdarzyć również, że kolumna etykiety znajduje się w zestawie danych, ale nie została prawidłowo wykryta przez Azure Machine Learning.

Rozwiązanie:

  • Otwórz składnik, który wygenerował błąd, i ustal, czy kolumna etykiety jest obecna. Nazwa lub typ danych kolumny nie ma znaczenia, o ile kolumna zawiera pojedynczy wynik (lub zmienną zależną), który próbujesz przewidzieć. Jeśli nie masz pewności, która kolumna ma etykietę, poszukaj nazwy ogólnej, takiej jak Klasa lub Cel.
  • Jeśli zestaw danych nie zawiera kolumny etykiety, możliwe, że kolumna etykiety została jawnie lub przypadkowo usunięta nadrzędnie. Może być również to, że zestaw danych nie jest danymi wyjściowymi nadrzędnego składnika oceniania.
  • Aby jawnie oznaczyć kolumnę jako kolumnę etykiety, dodaj składnik Edit Metadata (Edytuj metadane ) i połącz zestaw danych. Wybierz tylko kolumnę etykiety, a następnie wybierz pozycję Etykieta z listy rozwijanej Pola .
  • Jeśli nieprawidłowa kolumna zostanie wybrana jako etykieta, możesz wybrać pozycję Wyczyść etykietę z pola , aby naprawić metadane w kolumnie.
Komunikaty o wyjątkach
W zestawie danych nie ma kolumny etykiety.
Brak kolumny etykiety w ciągu "{dataset_name}".

Błąd 0025

Wyjątek występuje, jeśli zestaw danych nie zawiera kolumny oceny.

Ten błąd w Azure Machine Learning występuje, jeśli dane wejściowe do modelu oceny nie zawierają prawidłowych kolumn oceny. Na przykład użytkownik próbuje ocenić zestaw danych, zanim został on wygenerowany przy użyciu poprawnego wytrenowanego modelu lub kolumna wyników została jawnie porzucona w górę. Ten wyjątek występuje również wtedy, gdy kolumny oceny w dwóch zestawach danych są niezgodne. Na przykład możesz próbować porównać dokładność regresji liniowej z klasyfikatorem binarnym.

Rozdzielczość: Ponownie zapoznaj się z danymi wejściowymi do modelu oceny i sprawdź, czy zawiera co najmniej jedną kolumnę wyników. Jeśli nie, zestaw danych nie został wygenerowany lub kolumny wyników zostały porzucone w składniku nadrzędnym.

Komunikaty o wyjątkach
W zestawie danych nie ma kolumny wyników.
Brak kolumny wyników w elemencie "{dataset_name}".
Nie ma kolumny wyników w ciągu "{dataset_name}", która jest generowany przez element "{learner_type}". Ocenianie zestawu danych przy użyciu poprawnego typu ucznia.

Błąd 0026

Wyjątek występuje, jeśli kolumny o tej samej nazwie są niedozwolone.

Ten błąd w Azure Machine Learning występuje, jeśli wiele kolumn ma taką samą nazwę. Jednym ze sposobów może zostać wyświetlony ten błąd: jeśli zestaw danych nie ma automatycznie przypisanych nazw wierszy nagłówka i kolumn: Col0, Col1 itp.

Rozdzielczość: Jeśli kolumny mają taką samą nazwę, wstaw składnik Edytuj metadane między wejściowym zestawem danych a składnikiem. Użyj selektora kolumn w obszarze Edytuj metadane , aby wybrać kolumny do zmiany nazwy, wpisując nowe nazwy w polu tekstowym Nowe nazwy kolumn .

Komunikaty o wyjątkach
Nazwy kolumn równych są określone w argumentach. Nazwy równych kolumn nie są dozwolone przez składnik.
Nazwy kolumn w argumentach "{arg_name_1}" i "{arg_name_2}" są niedozwolone. Określ różne nazwy.

Błąd 0027

Wyjątek występuje w przypadku, gdy dwa obiekty muszą mieć taki sam rozmiar, ale nie.

Jest to typowy błąd w Azure Machine Learning i może być spowodowany wieloma warunkami.

Rozdzielczość: Nie ma konkretnego rozwiązania. Można jednak sprawdzić warunki, takie jak:

  • Jeśli zmieniasz nazwy kolumn, upewnij się, że każda lista (kolumny wejściowe i lista nowych nazw) ma taką samą liczbę elementów.

  • Jeśli łączysz lub łączysz dwa zestawy danych, upewnij się, że mają ten sam schemat.

  • Jeśli dołączasz dwa zestawy danych z wieloma kolumnami, upewnij się, że kolumny kluczy mają ten sam typ danych, a następnie wybierz opcję Zezwalaj na duplikaty i zachowaj kolejność kolumn w zaznaczeniu.

Komunikaty o wyjątkach
Rozmiar przekazanych obiektów jest niespójny.
Rozmiar "{friendly_name1}" jest niespójny z rozmiarem "{friendly_name2}".

Błąd 0028

Wyjątek występuje w przypadku, gdy zestaw kolumn zawiera zduplikowane nazwy kolumn i nie jest dozwolony.

Ten błąd w Azure Machine Learning występuje, gdy nazwy kolumn są zduplikowane, czyli nie unikatowe.

Rozdzielczość: Jeśli jakiekolwiek kolumny mają taką samą nazwę, dodaj wystąpienie funkcji Edytuj metadane między wejściowym zestawem danych a składnikiem, który zgłasza błąd. Użyj selektora kolumn w obszarze Edytuj metadane , aby wybrać kolumny do zmiany nazwy, a następnie wpisz nowe nazwy kolumn w polu tekstowym Nowe nazwy kolumn . Jeśli zmieniasz nazwy wielu kolumn, upewnij się, że wartości wpisywane w nazwach nowych kolumn są unikatowe.

Komunikaty o wyjątkach
Zestaw kolumn zawiera zduplikowane nazwy kolumn.
Nazwa "{duplicated_name}" jest zduplikowana.
Nazwa "{duplicated_name}" jest zduplikowana w "{arg_name}".
Nazwa "{duplicated_name}" jest zduplikowana. Szczegóły: {details}

Błąd 0029

Wyjątek występuje w przypadku przekazania nieprawidłowego identyfikatora URI.

Ten błąd w Azure Machine Learning występuje w przypadku przekazania nieprawidłowego identyfikatora URI. Ten błąd zostanie wyświetlony, jeśli którykolwiek z następujących warunków jest spełniony:

  • Identyfikator URI publicznej lub sygnatury dostępu współdzielonego podany dla Azure Blob Storage dla odczytu lub zapisu zawiera błąd.

  • Przedział czasu sygnatury dostępu współdzielonego wygasł.

  • Adres URL sieci Web za pośrednictwem źródła HTTP reprezentuje plik lub identyfikator URI sprzężenia zwrotnego.

  • Adres URL sieci Web za pośrednictwem protokołu HTTP zawiera niepoprawnie sformatowany adres URL.

  • Nie można rozpoznać adresu URL przez zdalne źródło.

Rozdzielczość: Ponownie sprawdź składnik i sprawdź format identyfikatora URI. Jeśli źródło danych jest adresem URL sieci Web za pośrednictwem protokołu HTTP, sprawdź, czy zamierzone źródło nie jest plikiem lub identyfikatorem URI sprzężenia zwrotnego (localhost).

Komunikaty o wyjątkach
Przekazano nieprawidłowy identyfikator URI.
Identyfikator URI "{invalid_url}" jest nieprawidłowy.

Błąd 0030

Wyjątek występuje w przypadku, gdy nie można pobrać pliku.

Ten wyjątek w Azure Machine Learning występuje, gdy nie można pobrać pliku. Otrzymasz ten wyjątek, gdy próba odczytu ze źródła HTTP nie powiodła się po trzech (3) ponownych próbach.

Rozdzielczość: Sprawdź, czy identyfikator URI źródła HTTP jest poprawny i czy witryna jest obecnie dostępna za pośrednictwem Internetu.

Komunikaty o wyjątkach
Nie można pobrać pliku.
Błąd podczas pobierania pliku: {file_url}.

Błąd 0031

Wyjątek występuje, jeśli liczba kolumn w zestawie kolumn jest mniejsza niż jest wymagana.

Ten błąd w Azure Machine Learning występuje, jeśli liczba wybranych kolumn jest mniejsza niż jest wymagana. Ten błąd zostanie wyświetlony, jeśli nie wybrano minimalnej wymaganej liczby kolumn.

Rozdzielczość: Dodaj dodatkowe kolumny do zaznaczenia kolumny przy użyciu selektora kolumn.

Komunikaty o wyjątkach
Liczba kolumn w zestawie kolumn jest mniejsza niż wymagana.
Dla argumentu wejściowego "{arg_name}" należy określić co najmniej następującą liczbę kolumn: {required_columns_count}.
Dla argumentu wejściowego "{arg_name}" należy określić co najmniej następującą liczbę kolumn: {required_columns_count}. Rzeczywista liczba określonych kolumn to {input_columns_count}.

Błąd 0032

Wyjątek występuje, jeśli argument nie jest liczbą.

Ten błąd zostanie wyświetlony w Azure Machine Learning, jeśli argument jest podwójny lub NaN.

Rozdzielczość: Zmodyfikuj określony argument, aby użyć prawidłowej wartości.

Komunikaty o wyjątkach
Argument nie jest liczbą.
"{arg_name}" nie jest liczbą.

Błąd 0033

Wyjątek występuje, jeśli argument ma wartość Infinity.

Ten błąd w Azure Machine Learning występuje, jeśli argument jest nieskończony. Ten błąd zostanie wyświetlony, jeśli argument ma wartość double.NegativeInfinity lub double.PositiveInfinity.

Rozdzielczość: Zmodyfikuj określony argument, aby był prawidłową wartością.

Komunikaty o wyjątkach
Argument musi być skończony.
"{arg_name}" nie jest skończona.
Kolumna "{column_name}" zawiera nieskończone wartości.

Błąd 0034

Wyjątek występuje, jeśli istnieje więcej niż jedna ocena dla danej pary elementów użytkownika.

Ten błąd w Azure Machine Learning występuje w rekomendacji, jeśli para elementów użytkownika ma więcej niż jedną wartość klasyfikacji.

Rozdzielczość: Upewnij się, że para user-item ma tylko jedną wartość klasyfikacji.

Komunikaty o wyjątkach
Istnieje więcej niż jedna ocena dla wartości w zestawie danych.
Więcej niż jedna ocena dla użytkownika {user} i elementu {item} w tabeli danych przewidywania klasyfikacji.
Więcej niż jedna ocena dla użytkownika {user} i elementu {item} w {dataset}.

Błąd 0035

Wyjątek występuje, jeśli dla danego użytkownika lub elementu nie podano żadnych funkcji.

Ten błąd w Azure Machine Learning występuje, że próbujesz użyć modelu rekomendacji do oceniania, ale nie można odnaleźć wektora funkcji.

Rozwiązanie:

Moduł rekomendacji Matchbox ma pewne wymagania, które muszą zostać spełnione podczas korzystania z funkcji elementu lub funkcji użytkownika. Ten błąd wskazuje, że brakuje wektora funkcji dla użytkownika lub elementu podanego jako dane wejściowe. Upewnij się, że wektor funkcji jest dostępny w danych dla każdego użytkownika lub elementu.

Jeśli na przykład wytrenowano model rekomendacji przy użyciu funkcji, takich jak wiek użytkownika, lokalizacja lub dochód, ale teraz chcesz utworzyć wyniki dla nowych użytkowników, którzy nie byli widziani podczas trenowania, musisz podać odpowiedni zestaw funkcji (czyli wiek, lokalizacja i dochód) dla nowych użytkowników, aby utworzyć odpowiednie przewidywania dla nich.

Jeśli nie masz żadnych funkcji dla tych użytkowników, rozważ inżynierię cech, aby wygenerować odpowiednie funkcje. Jeśli na przykład nie masz indywidualnych wartości wieku lub dochodu użytkownika, możesz wygenerować przybliżone wartości do użycia dla grupy użytkowników.

Porada

Rozwiązanie nie dotyczy Twojej sprawy? Zachęcamy do wysłania opinii na ten artykuł i dostarczenia informacji na temat scenariusza, w tym składnika i liczby wierszy w kolumnie. Te informacje będą używane do zapewnienia bardziej szczegółowych kroków rozwiązywania problemów w przyszłości.

Komunikaty o wyjątkach
Nie podano żadnych funkcji dla wymaganego użytkownika lub elementu.
Funkcje dla elementu {required_feature_name} są wymagane, ale nie zostały podane.

Błąd 0036

Wyjątek występuje, jeśli dla danego użytkownika lub elementu podano wiele wektorów funkcji.

Ten błąd w Azure Machine Learning występuje, jeśli wektor funkcji jest zdefiniowany więcej niż raz.

Rozdzielczość: Upewnij się, że wektor funkcji nie jest zdefiniowany więcej niż raz.

Komunikaty o wyjątkach
Zduplikowana definicja funkcji dla użytkownika lub elementu.

Błąd 0037

Wyjątek występuje, jeśli określono wiele kolumn etykiet, a tylko jedna z nich jest dozwolona.

Ten błąd w Azure Machine Learning występuje, jeśli wybrano więcej niż jedną kolumnę jako nową kolumnę etykiety. Większość algorytmów uczenia nadzorowanego wymaga, aby pojedyncza kolumna była oznaczona jako docelowa lub etykieta.

Rozdzielczość: Pamiętaj, aby wybrać jedną kolumnę jako nową kolumnę etykiety.

Komunikaty o wyjątkach
Określono wiele kolumn etykiet.
W obiekcie "{dataset_name}określono wiele kolumn etykiet".

Błąd 0039

Wyjątek występuje, jeśli operacja nie powiodła się.

Ten błąd w Azure Machine Learning występuje, gdy nie można ukończyć operacji wewnętrznej.

Rozdzielczość: Ten błąd jest spowodowany przez wiele warunków i nie ma konkretnego środka.
Poniższa tabela zawiera ogólne komunikaty dotyczące tego błędu, po których następuje określony opis warunku.

Jeśli nie są dostępne żadne szczegóły, strona pytania pytań firmy Microsoft& dotycząca wysyłania opinii i przekazywania informacji o składnikach, które wygenerowały błąd i powiązane warunki.

Komunikaty o wyjątkach
Operacja nie powiodła się.
Błąd podczas kończenia operacji: "{failed_operation}".
Błąd podczas kończenia operacji: "{failed_operation}". Przyczyna: "{reason}".

Błąd 0042

Wyjątek występuje, gdy nie można przekonwertować kolumny na inny typ.

Ten błąd w Azure Machine Learning występuje, gdy nie można przekonwertować kolumny na określony typ. Ten błąd zostanie wyświetlony, jeśli składnik wymaga określonego typu danych, takiego jak data/godzina, tekst, liczba zmiennoprzecinkowa lub liczba całkowita, ale nie można przekonwertować istniejącej kolumny na wymagany typ.

Możesz na przykład wybrać kolumnę i spróbować przekonwertować ją na typ danych liczbowych do użycia w operacji matematycznej i uzyskać ten błąd, jeśli kolumna zawiera nieprawidłowe dane.

Inny powód, dla którego ten błąd może wystąpić, jeśli spróbujesz użyć kolumny zawierającej liczby zmiennoprzecinkowe lub wiele unikatowych wartości jako kolumny podzielonej na kategorie.

Rozwiązanie:

  • Otwórz stronę pomocy dla składnika, który wygenerował błąd, i sprawdź wymagania dotyczące typu danych.
  • Przejrzyj typy danych kolumn w wejściowym zestawie danych.
  • Sprawdź dane pochodzące z tak zwanych źródeł danych bez schematu.
  • Sprawdź zestaw danych pod kątem brakujących wartości lub znaków specjalnych, które mogą blokować konwersję na żądany typ danych.
    • Typy danych liczbowych powinny być spójne: na przykład sprawdź liczby zmiennoprzecinkowe w kolumnie liczb całkowitych.
    • Wyszukaj ciągi tekstowe lub wartości NA w kolumnie liczbowej.
    • Wartości logiczne można przekonwertować na odpowiednią reprezentację w zależności od wymaganego typu danych.
    • Sprawdzanie kolumn tekstowych pod kątem znaków innych niż Unicode, znaków tabulatora lub znaków kontrolnych
    • Dane daty/godziny powinny być spójne, aby uniknąć błędów modelowania, ale czyszczenie może być złożone ze względu na wiele formatów. Rozważ użycie składników Execute Python Script w celu oczyszczenia.
  • W razie potrzeby zmodyfikuj wartości w wejściowym zestawie danych, aby kolumna mogła zostać pomyślnie przekonwertowana. Modyfikacja może obejmować kwantowanie, obcinanie lub zaokrąglanie, eliminację wartości odstających lub imputację brakujących wartości. Zapoznaj się z następującymi artykułami, aby zapoznać się z niektórymi typowymi scenariuszami przekształcania danych w uczeniu maszynowym:

Porada

Rozwiązanie niejasne, czy nie dotyczy Twojej sprawy? Zachęcamy do wysłania opinii na ten artykuł i dostarczenia informacji na temat scenariusza, w tym składnika i typu danych kolumny. Te informacje będą używane do zapewnienia bardziej szczegółowych kroków rozwiązywania problemów w przyszłości.

Komunikaty o wyjątkach
Niedozwolona konwersja.
Nie można przekonwertować kolumny typu {type1} na kolumnę typu {type2}.
Nie można przekonwertować kolumny "{col_name1}" typu {type1} na kolumnę typu {type2}.
Nie można przekonwertować kolumny "{col_name1}" typu {type1} na kolumnę "{col_name2}" typu {type2}.

Błąd 0044

Wyjątek występuje, gdy nie można utworzyć typu elementu kolumny z istniejących wartości.

Ten błąd w Azure Machine Learning występuje, gdy nie można wywnioskować typu kolumny lub kolumn w zestawie danych. Zwykle dzieje się tak w przypadku łączenia co najmniej dwóch zestawów danych z różnymi typami elementów. Jeśli Azure Machine Learning nie może określić wspólnego typu, który może reprezentować wszystkie wartości w kolumnie lub kolumnach bez utraty informacji, spowoduje to wygenerowanie tego błędu.

Rozdzielczość: Upewnij się, że wszystkie wartości w danej kolumnie w obu połączonych zestawach danych są jednym z tych samych typów (liczbowych, logicznych, kategorialnych, ciągów, dat itp.) lub mogą być połączone z tym samym typem.

Komunikaty o wyjątkach
Nie można utworzyć typu elementu w kolumnie.
Nie można utworzyć typu elementu pochodnego dla kolumny "{column_name}" — wszystkie elementy są odwołaniami o wartości null.
Nie można utworzyć typu elementu pochodnego dla kolumny "{column_name}" zestawu danych "{dataset_name}" — wszystkie elementy są odwołaniami o wartości null.

Błąd 0045

Wyjątek występuje, gdy nie można utworzyć kolumny z powodu typów elementów mieszanych w źródle.

Ten błąd w Azure Machine Learning jest generowany, gdy typy elementów dwóch połączonych zestawów danych są różne.

Rozdzielczość: Upewnij się, że wszystkie wartości w danej kolumnie w obu połączonych zestawach danych mają ten sam typ (liczbowy, logiczny, kategorialny, ciąg, data itp.).

Komunikaty o wyjątkach
Nie można utworzyć kolumny z typami elementów mieszanych.
Nie można utworzyć kolumny o identyfikatorze "{column_id}" typów elementów mieszanych:
Typ danych[{row_1}, {column_id}] to "{type_1}".
Typ danych[{row_2}, {column_id}] to "{type_2}".
Nie można utworzyć kolumny o identyfikatorze "{column_id}" typów elementów mieszanych:
Wpisz fragment {chunk_id_1} to "{type_1}".
Wpisz fragment {chunk_id_2} ma wartość "{type_2}" o rozmiarze fragmentu: {chunk_size}.

Błąd 0046

Wyjątek występuje, gdy nie można utworzyć katalogu na określonej ścieżce.

Ten błąd w Azure Machine Learning występuje, gdy nie można utworzyć katalogu w określonej ścieżce. Ten błąd zostanie wyświetlony, jeśli jakakolwiek część ścieżki do katalogu wyjściowego zapytania Hive jest niepoprawna lub niedostępna.

Rozdzielczość: Ponownie sprawdź składnik i sprawdź, czy ścieżka katalogu jest poprawnie sformatowana i czy jest dostępna z bieżącymi poświadczeniami.

Komunikaty o wyjątkach
Określ prawidłowy katalog wyjściowy.
Nie można utworzyć katalogu : {path}. Określ prawidłową ścieżkę.

Błąd 0047

Wyjątek występuje, jeśli liczba kolumn funkcji w niektórych zestawach danych przekazanych do składnika jest zbyt mała.

Ten błąd w Azure Machine Learning występuje, jeśli wejściowy zestaw danych do trenowania nie zawiera minimalnej liczby kolumn wymaganych przez algorytm. Zazwyczaj zestaw danych jest pusty lub zawiera tylko kolumny treningowe.

Rozdzielczość: Ponownie przejdź do wejściowego zestawu danych, aby upewnić się, że istnieje co najmniej jedna dodatkowa kolumna oprócz kolumny etykiety.

Komunikaty o wyjątkach
Liczba kolumn funkcji w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna.
Liczba kolumn funkcji w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna liczba kolumn {required_columns_count}.
Liczba kolumn funkcji w wejściowym zestawie danych "{arg_name}" jest mniejsza niż dozwolona minimalna liczba kolumn {required_columns_count}.

Błąd 0048

Wyjątek występuje w przypadku, gdy nie można otworzyć pliku.

Ten błąd w Azure Machine Learning występuje, gdy nie można otworzyć pliku do odczytu lub zapisu. Ten błąd może wystąpić z następujących powodów:

  • Kontener lub plik (obiekt blob) nie istnieje

  • Poziom dostępu do pliku lub kontenera nie zezwala na dostęp do pliku

  • Plik jest za duży, aby odczytać lub nieprawidłowy format

Rozdzielczość: Ponownie przejdź do składnika i pliku, który próbujesz odczytać.

Sprawdź, czy nazwy kontenera i pliku są poprawne.

Użyj klasycznego portalu Azure lub narzędzia usługi Azure Storage, aby sprawdzić, czy masz uprawnienia dostępu do pliku.

Komunikaty o wyjątkach
Nie można otworzyć pliku.
Błąd podczas otwierania pliku: {file_name}.
Błąd podczas otwierania pliku: {file_name}. Storage komunikat o wyjątku: {exception}.

Błąd 0049

Wyjątek występuje w przypadku, gdy nie można przeanalizować pliku.

Ten błąd w Azure Machine Learning występuje, gdy nie można przeanalizować pliku. Ten błąd zostanie wyświetlony, jeśli format pliku wybrany w składniku Importuj dane nie jest zgodny z rzeczywistym formatem pliku lub jeśli plik zawiera nierozpoznawalny znak.

Rozdzielczość: Ponownie sprawdź składnik i popraw wybór formatu pliku, jeśli nie jest zgodny z formatem pliku. Jeśli to możliwe, sprawdź plik, aby potwierdzić, że nie zawiera on żadnych niedozwolonych znaków.

Komunikaty o wyjątkach
Nie można przeanalizować pliku.
Błąd podczas analizowania pliku {file_format}.
Błąd podczas analizowania pliku {file_format}: {file_name}.
Błąd podczas analizowania pliku {file_format}. Przyczyna: {failure_reason}.
Błąd podczas analizowania pliku {file_format}: {file_name}. Przyczyna: {failure_reason}.

Błąd 0052

Wyjątek występuje, jeśli klucz konta usługi Azure Storage jest niepoprawnie określony.

Ten błąd w Azure Machine Learning występuje, jeśli klucz używany do uzyskiwania dostępu do konta usługi Azure Storage jest niepoprawny. Na przykład ten błąd może zostać wyświetlony, jeśli klucz usługi Azure Storage został obcięty podczas kopiowania i wklejonego lub jeśli użyto nieprawidłowego klucza.

Aby uzyskać więcej informacji na temat sposobu uzyskiwania klucza dla konta usługi Azure Storage, zobacz Wyświetlanie, kopiowanie i ponowne generowanie kluczy dostępu do magazynu.

Rozdzielczość: Ponownie sprawdź składnik i sprawdź, czy klucz usługi Azure Storage jest poprawny dla konta; w razie potrzeby skopiuj ponownie klucz z klasycznego portalu Azure.

Komunikaty o wyjątkach
Klucz konta usługi Azure Storage jest niepoprawny.

Błąd 0053

Wyjątek występuje w przypadku, gdy nie ma żadnych funkcji użytkownika ani elementów rekomendacji matchbox.

Ten błąd w Azure Machine Learning jest generowany, gdy nie można odnaleźć wektora funkcji.

Rozdzielczość: Upewnij się, że wektor funkcji znajduje się w wejściowym zestawie danych.

Komunikaty o wyjątkach
Funkcje użytkownika lub/i elementy są wymagane, ale nie są podane.

Błąd 0056

Wyjątek występuje, jeśli kolumny wybrane dla operacji naruszają wymagania.

Ten błąd w Azure Machine Learning występuje, gdy wybierasz kolumny dla operacji, która wymaga, aby kolumna był określonym typem danych.

Ten błąd może również wystąpić, jeśli kolumna jest prawidłowym typem danych, ale używany składnik wymaga, aby kolumna również została oznaczona jako funkcja, etykieta lub kolumna kategorii.

Rozwiązanie:

  1. Przejrzyj typ danych kolumn, które są aktualnie wybrane.

  2. Sprawdź, czy wybrane kolumny są kolumnami kategorialnymi, etykietami lub funkcjami.

  3. Zapoznaj się z tematem pomocy dla składnika, w którym wybrano kolumnę, aby określić, czy istnieją określone wymagania dotyczące użycia danych lub kolumn.

  4. Użyj opcji Edytuj metadane , aby zmienić typ kolumny na czas trwania tej operacji. Pamiętaj, aby zmienić typ kolumny z powrotem na oryginalną wartość, używając innego wystąpienia funkcji Edytuj metadane, jeśli potrzebujesz go na potrzeby operacji podrzędnych.

Komunikaty o wyjątkach
Co najmniej jedna wybrana kolumna nie znajdowała się w dozwolonej kategorii.
Kolumna o nazwie "{col_name}" nie znajduje się w dozwolonej kategorii.

Błąd 0057

Wyjątek występuje podczas próby utworzenia pliku lub obiektu blob, który już istnieje.

Ten wyjątek występuje, gdy używasz składnika Eksportuj dane lub innego składnika do zapisywania wyników potoku w Azure Machine Learning do usługi Azure Blob Storage, ale próbujesz utworzyć plik lub obiekt blob, który już istnieje.

Rozwiązanie:

Ten błąd zostanie wyświetlony tylko wtedy, gdy wcześniej ustawiono tryb zapisu usługi Azure Blob Storage na Wartość Error. Zgodnie z projektem ten składnik zgłasza błąd, jeśli próbujesz napisać zestaw danych do obiektu blob, który już istnieje.

  • Otwórz właściwości składnika i zmień tryb zapisu usługi Azure Blob Storage na Zastąp.
  • Alternatywnie możesz wpisać nazwę innego docelowego obiektu blob lub pliku i określić obiekt blob, który jeszcze nie istnieje.
Komunikaty o wyjątkach
Plik lub obiekt blob już istnieje.
Plik lub obiekt blob "{file_path}" już istnieje.

Błąd 0058

Ten błąd w Azure Machine Learning występuje, jeśli zestaw danych nie zawiera oczekiwanej kolumny etykiety.

Ten wyjątek może również wystąpić, gdy podana kolumna etykiety nie jest zgodna z danymi lub typem danych oczekiwanym przez ucznia lub ma nieprawidłowe wartości. Na przykład ten wyjątek jest generowany podczas używania kolumny etykiety wartości rzeczywistej podczas trenowania klasyfikatora binarnego.

Rozdzielczość: Rozwiązanie zależy od używanego ucznia lub trenera oraz typów danych kolumn w zestawie danych. Najpierw sprawdź wymagania algorytmu uczenia maszynowego lub składnika szkoleniowego.

Ponownie zajmij się wejściowym zestawem danych. Sprawdź, czy kolumna, która ma być traktowana jako etykieta, ma odpowiedni typ danych dla tworzonego modelu.

Sprawdź dane wejściowe pod kątem brakujących wartości i w razie potrzeby je eliminuj lub zastąp.

W razie potrzeby dodaj składnik Edytuj metadane i upewnij się, że kolumna etykiety jest oznaczona jako etykieta.

Komunikaty o wyjątkach
Wartości kolumn etykiety i wartości kolumn etykiet z wynikiem nie są porównywalne.
Kolumna etykiety nie jest zgodnie z oczekiwaniami w "{dataset_name}".
Kolumna etykiety nie jest zgodnie z oczekiwaniami w "{dataset_name}", {reason}.
Kolumna etykiety "{column_name}" nie jest oczekiwana w elemencie "{dataset_name}".
Kolumna etykiety "{column_name}" nie jest oczekiwana w elemencie "{dataset_name}", {reason}.

Błąd 0059

Wyjątek występuje, jeśli nie można przeanalizować indeksu kolumn określonego w selektorze kolumn.

Ten błąd w Azure Machine Learning występuje, jeśli nie można przeanalizować indeksu kolumny określonego podczas korzystania z selektora kolumn. Ten błąd zostanie wyświetlony, gdy indeks kolumny jest w nieprawidłowym formacie, którego nie można przeanalizować.

Rozdzielczość: Zmodyfikuj indeks kolumny, aby użyć prawidłowej wartości indeksu.

Komunikaty o wyjątkach
Nie można przeanalizować co najmniej jednego określonego indeksu kolumn lub zakresów indeksów.
Nie można przeanalizować indeksu kolumny lub zakresu "{column_index_or_range}".

Błąd 0060

Wyjątek występuje, gdy zakres kolumn poza zakresem jest określony w selektorze kolumn.

Ten błąd w Azure Machine Learning występuje, gdy zakres kolumn poza zakresem jest określony w selektorze kolumn. Ten błąd zostanie wyświetlony, jeśli zakres kolumn w selektorze kolumn nie odpowiada kolumnom w zestawie danych.

Rozdzielczość: Zmodyfikuj zakres kolumn w selektorze kolumn, aby odpowiadał kolumnom w zestawie danych.

Komunikaty o wyjątkach
Określono nieprawidłowy lub poza zakresem zakresu indeksów kolumn.
Zakres kolumn "{column_range}" jest nieprawidłowy lub poza zakresem.

Błąd 0061

Wyjątek występuje podczas próby dodania wiersza do tabeli DataTable zawierającej inną liczbę kolumn niż tabela.

Ten błąd w Azure Machine Learning występuje podczas próby dodania wiersza do zestawu danych z inną liczbą kolumn niż zestaw danych. Ten błąd zostanie wyświetlony, jeśli wiersz dodawany do zestawu danych ma inną liczbę kolumn z wejściowego zestawu danych. Nie można dołączyć wiersza do zestawu danych, jeśli liczba kolumn jest inna.

Rozdzielczość: Zmodyfikuj wejściowy zestaw danych tak, aby miał taką samą liczbę kolumn, jak dodany wiersz, lub zmodyfikuj dodany wiersz, aby mieć taką samą liczbę kolumn jak zestaw danych.

Komunikaty o wyjątkach
Wszystkie tabele muszą mieć taką samą liczbę kolumn.
Kolumny w fragmentach "{chunk_id_1}" różnią się od fragmentu "{chunk_id_2}" o rozmiarze fragmentu: {chunk_size}.
Liczba kolumn w pliku "{filename_1}" (count={column_count_1}) różni się od pliku "{filename_2}" (count={column_count_2}).

Błąd 0062

Wyjątek występuje podczas próby porównania dwóch modeli z różnymi typami uczniów.

Ten błąd w Azure Machine Learning jest generowany, gdy nie można porównać metryk oceny dla dwóch różnych ocenianych zestawów danych. W takim przypadku nie można porównać skuteczności modeli używanych do tworzenia dwóch ocenianych zestawów danych.

Rozdzielczość: Sprawdź, czy wyniki oceny są generowane przez ten sam rodzaj modelu uczenia maszynowego (klasyfikacja binarna, regresja, klasyfikacja wieloklasowa, rekomendacja, klastrowanie, wykrywanie anomalii itp.) Wszystkie porównywane modele muszą mieć ten sam typ ucznia.

Komunikaty o wyjątkach
Wszystkie modele muszą mieć ten sam typ ucznia.
Masz niezgodny typ ucznia: "{actual_learner_type}". Oczekiwano typów uczniów: "{expected_learner_type_list}".

Błąd 0064

Wyjątek występuje, jeśli nazwa konta usługi Azure Storage lub klucz magazynu jest niepoprawnie określona.

Ten błąd w Azure Machine Learning występuje, jeśli nazwa konta usługi Azure Storage lub klucz magazynu jest niepoprawnie określona. Ten błąd zostanie wyświetlony, jeśli wprowadzisz nieprawidłową nazwę konta lub hasło dla konta magazynu. Może się to zdarzyć, jeśli ręcznie wprowadzisz nazwę konta lub hasło. Może również wystąpić, jeśli konto zostało usunięte.

Rozdzielczość: Sprawdź, czy nazwa konta i hasło zostały wprowadzone poprawnie i czy konto istnieje.

Komunikaty o wyjątkach
Nazwa konta magazynu platformy Azure lub klucz magazynu jest niepoprawna.
Nazwa konta magazynu platformy Azure "{account_name}" lub klucz magazynu dla nazwy konta jest niepoprawna.

Błąd 0065

Wyjątek występuje, jeśli nazwa obiektu blob platformy Azure jest niepoprawnie określona.

Ten błąd w Azure Machine Learning występuje, jeśli nazwa obiektu blob platformy Azure jest niepoprawnie określona. Zostanie wyświetlony błąd, jeśli:

  • Nie można odnaleźć obiektu blob w określonym kontenerze.
  • Tylko kontener został określony jako źródło w żądaniu importu danych, gdy format został Excel lub CSV z kodowaniem; łączenie zawartości wszystkich obiektów blob w kontenerze nie jest dozwolone z tymi formatami.

  • Identyfikator URI sygnatury dostępu współdzielonego nie zawiera nazwy prawidłowego obiektu blob.

Rozdzielczość: Ponownie zajmij się składnikiem zgłaszającym wyjątek. Sprawdź, czy określony obiekt blob istnieje w kontenerze na koncie magazynu i czy uprawnienia umożliwiają wyświetlanie obiektu blob. Sprawdź, czy dane wejściowe mają postać containername/nazwa pliku, jeśli masz Excel lub CSV z formatami kodowania. Sprawdź, czy identyfikator URI sygnatury dostępu współdzielonego zawiera nazwę prawidłowego obiektu blob.

Komunikaty o wyjątkach
Nazwa obiektu blob usługi Azure Storage jest nieprawidłowa.
Nazwa obiektu blob usługi Azure Storage "{blob_name}" jest nieprawidłowa.
Nazwa obiektu blob usługi Azure Storage z prefiksem "{blob_name_prefix}" nie istnieje.
Nie można odnaleźć żadnych obiektów blob usługi Azure Storage w kontenerze "{container_name}".
Nie można odnaleźć żadnych obiektów blob usługi Azure Storage ze ścieżką z symbolami wieloznacznymi "{blob_wildcard_path}".

Błąd 0066

Wyjątek występuje, jeśli nie można przekazać zasobu do obiektu blob platformy Azure.

Ten błąd w Azure Machine Learning występuje, jeśli nie można przekazać zasobu do obiektu blob platformy Azure. Oba są zapisywane na tym samym koncie usługi Azure Storage co konto zawierające plik wejściowy.

Rozdzielczość: Ponownie zajmij się składnikiem. Sprawdź, czy nazwa konta platformy Azure, klucz magazynu i kontener są poprawne i czy konto ma uprawnienia do zapisu w kontenerze.

Komunikaty o wyjątkach
Nie można przekazać zasobu do usługi Azure Storage.
Nie można przekazać pliku "{source_path}" do usługi Azure Storage jako "{dest_path}".

Błąd 0067

Wyjątek występuje, jeśli zestaw danych ma inną liczbę kolumn niż oczekiwano.

Ten błąd w Azure Machine Learning występuje, jeśli zestaw danych ma inną liczbę kolumn niż oczekiwano. Ten błąd zostanie wyświetlony, gdy liczba kolumn w zestawie danych różni się od liczby kolumn, których oczekuje składnik podczas wykonywania.

Rozdzielczość: Zmodyfikuj wejściowy zestaw danych lub parametry.

Komunikaty o wyjątkach
Nieoczekiwana liczba kolumn w tabeli danych.
Nieoczekiwana liczba kolumn w zestawie danych "{dataset_name}".
Oczekiwano kolumn "{expected_column_count}", ale zamiast tego znaleziono kolumny "{actual_column_count}".
W wejściowym zestawie danych "{dataset_name}" oczekiwano kolumn "{expected_column_count}", ale zamiast tego znaleziono kolumny "{actual_column_count}".

Błąd 0068

Wyjątek występuje, jeśli określony skrypt Hive nie jest poprawny.

Ten błąd w Azure Machine Learning występuje, jeśli występują błędy składniowe w skry skrycie QL programu Hive lub jeśli interpreter hive napotka błąd podczas wykonywania zapytania lub skryptu.

Rozwiązanie:

Komunikat o błędzie z programu Hive jest zwykle zgłaszany z powrotem w dzienniku błędów, dzięki czemu można podjąć działania na podstawie określonego błędu.

  • Otwórz składnik i sprawdź zapytanie pod kątem błędów.
  • Sprawdź, czy zapytanie działa prawidłowo poza Azure Machine Learning, logując się do konsoli hive klastra Hadoop i uruchamiając zapytanie.
  • Spróbuj umieścić komentarze w skrypcie Hive w osobnym wierszu, w przeciwieństwie do mieszania instrukcji wykonywalnych i komentarzy w jednym wierszu.

Zasoby

Zapoznaj się z następującymi artykułami, aby uzyskać pomoc dotyczącą zapytań Hive dotyczących uczenia maszynowego:

Komunikaty o wyjątkach
Skrypt hive jest niepoprawny.

Błąd 0069

Wyjątek występuje, jeśli określony skrypt SQL nie jest poprawny.

Ten błąd w Azure Machine Learning występuje, jeśli określony skrypt SQL ma problemy ze składnią lub jeśli kolumny lub tabela określona w skry skrycie jest nieprawidłowa.

Ten błąd zostanie wyświetlony, jeśli aparat SQL napotka błąd podczas wykonywania zapytania lub skryptu. Komunikat o błędzie SQL jest zwykle zgłaszany z powrotem w dzienniku błędów, aby można było podjąć działania na podstawie określonego błędu.

Rozdzielczość: Ponownie sprawdź składnik i sprawdź zapytanie SQL o błędy.

Sprawdź, czy zapytanie działa poprawnie poza usługą Azure ML, logując się bezpośrednio do serwera bazy danych i uruchamiając zapytanie.

Jeśli istnieje komunikat wygenerowany SQL zgłoszony przez wyjątek składnika, podejmij działania na podstawie zgłoszonego błędu. Na przykład komunikaty o błędach czasami zawierają konkretne wskazówki dotyczące prawdopodobnego błędu:

  • Brak takiej kolumny lub brakującej bazy danych, co oznacza, że być może wpisana nazwa kolumny jest nieprawidłowa. Jeśli na pewno nazwa kolumny jest poprawna, spróbuj użyć nawiasów lub cudzysłowów, aby ująć identyfikator kolumny.
  • SQL błąd logiki w pobliżu <słowa kluczowego> SQL wskazujący, że może wystąpić błąd składniowy przed określonym słowem kluczowym
Komunikaty o wyjątkach
skrypt SQL jest niepoprawny.
SQL kwerenda "{sql_query}" nie jest poprawna.
SQL kwerenda "{sql_query}" nie jest poprawna. Komunikat o wyjątku: {exception}.

Błąd 0070

Wyjątek występuje podczas próby uzyskania dostępu do nieistniejącej tabeli platformy Azure.

Ten błąd w Azure Machine Learning występuje podczas próby uzyskania dostępu do nieistniejącej tabeli platformy Azure. Ten błąd zostanie wyświetlony, jeśli określisz tabelę w usłudze Azure Storage, która nie istnieje podczas odczytywania lub zapisywania w usłudze Azure Table Storage. Może się to zdarzyć, jeśli nieprawidłowa nazwa żądanej tabeli lub występuje niezgodność między nazwą docelową a typem magazynu. Na przykład zamierzasz odczytać z tabeli, ale zamiast tego wprowadzono nazwę obiektu blob.

Rozdzielczość: Sprawdź ponownie składnik, aby sprawdzić, czy nazwa tabeli jest poprawna.

Komunikaty o wyjątkach
Tabela platformy Azure nie istnieje.
Tabela platformy Azure "{table_name}" nie istnieje.

Błąd 0072

Wyjątek występuje w przypadku przekroczenia limitu czasu połączenia.

Ten błąd w Azure Machine Learning występuje, gdy przekroczono limit czasu połączenia. Ten błąd zostanie wyświetlony, jeśli występują obecnie problemy z łącznością ze źródłem danych lub miejscem docelowym, takim jak niska łączność z Internetem, lub jeśli zestaw danych jest duży i/lub zapytanie SQL do odczytu w danych wykonuje skomplikowane przetwarzanie.

Rozdzielczość: Ustal, czy obecnie występują problemy z wolnymi połączeniami z usługą Azure Storage lub Internetem.

Komunikaty o wyjątkach
Wystąpił limit czasu połączenia.

Błąd 0073

Wyjątek występuje, jeśli wystąpi błąd podczas konwertowania kolumny na inny typ.

Ten błąd w Azure Machine Learning występuje, gdy nie można przekonwertować kolumny na inny typ. Ten błąd zostanie wyświetlony, jeśli składnik wymaga określonego typu i nie można przekonwertować kolumny na nowy typ.

Rozdzielczość: Zmodyfikuj wejściowy zestaw danych, aby można było przekonwertować kolumnę na podstawie wyjątku wewnętrznego.

Komunikaty o wyjątkach
Nie można przekonwertować kolumny.
Nie można przekonwertować kolumny na {target_type}.

Błąd 0075

Wyjątek występuje, gdy podczas kwantyzacji zestawu danych jest używana nieprawidłowa funkcja kwantowania.

Ten błąd w Azure Machine Learning występuje, gdy próbujesz binować dane przy użyciu nieobsługiwanej metody lub gdy kombinacje parametrów są nieprawidłowe.

Rozwiązanie:

Obsługa błędów dla tego zdarzenia została wprowadzona we wcześniejszej wersji Azure Machine Learning, która pozwoliła na większe dostosowanie metod kwantowania. Obecnie wszystkie metody kwantowania są oparte na zaznaczeniu z listy rozwijanej, więc technicznie nie powinno być już możliwe uzyskanie tego błędu.

Komunikaty o wyjątkach
Użyto nieprawidłowej funkcji kwantowania.

Błąd 0077

Wyjątek występuje, gdy tryb zapisu nieznanych plików obiektów blob został przekazany.

Ten błąd w Azure Machine Learning występuje, jeśli nieprawidłowy argument jest przekazywany w specyfikacji miejsca docelowego lub źródła pliku obiektów blob.

Rozdzielczość: W prawie wszystkich składnikach, które importują lub eksportują dane do i z usługi Azure Blob Storage, wartości parametrów kontrolujące tryb zapisu są przypisywane przy użyciu listy rozwijanej; w związku z tym nie można przekazać nieprawidłowej wartości, a ten błąd nie powinien być wyświetlany. Ten błąd zostanie wycofany w nowszej wersji.

Komunikaty o wyjątkach
Nieobsługiwany tryb zapisu obiektów blob.
Nieobsługiwany tryb zapisu obiektów blob: {blob_write_mode}.

Błąd 0078

Wyjątek występuje, gdy opcja HTTP dla importu danych odbiera kod stanu 3xx wskazujący przekierowanie.

Ten błąd w Azure Machine Learning występuje, gdy opcja HTTP dla importu danych odbiera kod stanu 3xx (301, 302, 304 itp.) wskazujący przekierowanie. Ten błąd zostanie wyświetlony, jeśli spróbujesz nawiązać połączenie ze źródłem HTTP, które przekierowuje przeglądarkę do innej strony. Ze względów bezpieczeństwa przekierowywanie witryn internetowych nie jest dozwolone jako źródła danych dla Azure Machine Learning.

Rozdzielczość: Jeśli witryna internetowa jest zaufaną witryną internetową, wprowadź bezpośrednio przekierowany adres URL.

Komunikaty o wyjątkach
Przekierowanie HTTP jest niedozwolone.

Błąd 0079

Wyjątek występuje, jeśli nazwa kontenera usługi Azure Storage jest niepoprawnie określona.

Ten błąd w Azure Machine Learning występuje, jeśli nazwa kontenera usługi Azure Storage jest niepoprawnie określona. Ten błąd zostanie wyświetlony, jeśli nie określono zarówno kontenera, jak i nazwy obiektu blob (pliku) przy użyciu opcji Ścieżka do obiektu blob rozpoczynającego się od opcji kontenera podczas zapisywania w Azure Blob Storage.

Rozdzielczość: Ponownie sprawdź składnik Eksportuj dane i sprawdź, czy określona ścieżka do obiektu blob zawiera zarówno kontener, jak i nazwę pliku w formacie kontener/nazwa pliku.

Komunikaty o wyjątkach
Nazwa kontenera usługi Azure Storage jest nieprawidłowa.
Nazwa kontenera usługi Azure Storage "{container_name}" jest nieprawidłowa; oczekiwano nazwy kontenera formatu/obiektu blob.

Błąd 0080

Wyjątek występuje, gdy kolumna z brakującymi wartościami nie jest dozwolona przez składnik.

Ten błąd w Azure Machine Learning jest generowany, gdy co najmniej jedna kolumna zużywana przez składnik zawiera wszystkie brakujące wartości. Jeśli na przykład składnik oblicza zagregowane statystyki dla każdej kolumny, nie może działać na kolumnie zawierającej żadne dane. W takich przypadkach wykonanie składnika jest zatrzymywane z tym wyjątkiem.

Rozdzielczość: Ponownie zajmij się wejściowym zestawem danych i usuń wszystkie kolumny zawierające wszystkie brakujące wartości.

Komunikaty o wyjątkach
Kolumny z brakującymi wartościami są niedozwolone.
Kolumna {col_index_or_name} zawiera wszystkie brakujące wartości.

Błąd 0081

Wyjątek występuje w składniku PCA, jeśli liczba wymiarów do zmniejszenia jest równa liczbie kolumn funkcji w wejściowym zestawie danych, zawierającej co najmniej jedną kolumnę funkcji rozrzedzającej.

Ten błąd w Azure Machine Learning jest generowany, jeśli spełnione są następujące warunki: (a) wejściowy zestaw danych ma co najmniej jedną rozrzedzone kolumnę i (b) ostateczną liczbę żądanych wymiarów jest taka sama jak liczba wymiarów wejściowych.

Rozdzielczość: Rozważ zmniejszenie liczby wymiarów w danych wyjściowych, aby było mniejsze niż liczba wymiarów w danych wejściowych. Jest to typowe w zastosowaniach pcA.

Komunikaty o wyjątkach
W przypadku zestawu danych zawierającego kolumny funkcji rozrzednia liczba wymiarów, które mają zostać zmniejszone, powinny być mniejsze niż liczba kolumn funkcji.

Błąd 0082

Wyjątek występuje, gdy nie można pomyślnie wykonać deserializacji modelu.

Ten błąd w Azure Machine Learning występuje, gdy zapisany model uczenia maszynowego lub transformacja nie może zostać załadowany przez nowszą wersję środowiska uruchomieniowego Azure Machine Learning w wyniku zmiany powodującej niezgodność.

Rozdzielczość: Potok trenowania, który wyprodukował model lub przekształcenie, musi zostać ponownie uruchomiony, a model lub przekształcenie muszą zostać ponownie odpisane.

Komunikaty o wyjątkach
Nie można wykonać deserializacji modelu, ponieważ prawdopodobnie jest serializowany przy użyciu starszego formatu serializacji. Ponowne trenowanie i ponowne zapisywanie modelu.

Błąd 0083

Wyjątek występuje, jeśli zestaw danych używany do trenowania nie może być używany dla konkretnego typu ucznia.

Ten błąd w Azure Machine Learning jest generowany, gdy zestaw danych jest niezgodny z trenowanym uczniem. Na przykład zestaw danych może zawierać co najmniej jedną brakującą wartość w każdym wierszu, a w rezultacie cały zestaw danych zostanie pominięty podczas trenowania. W innych przypadkach niektóre algorytmy uczenia maszynowego, takie jak wykrywanie anomalii, nie oczekują obecności etykiet i mogą zgłaszać ten wyjątek, jeśli etykiety są obecne w zestawie danych.

Rozdzielczość: Zapoznaj się z dokumentacją używanego ucznia, aby sprawdzić wymagania dotyczące wejściowego zestawu danych. Sprawdź kolumny, aby wyświetlić wszystkie wymagane kolumny.

Komunikaty o wyjątkach
Zestaw danych używany do trenowania jest nieprawidłowy.
Element {data_name} zawiera nieprawidłowe dane do trenowania.
Element {data_name} zawiera nieprawidłowe dane do trenowania. Typ ucznia: {learner_type}.
Element {data_name} zawiera nieprawidłowe dane do trenowania. Typ ucznia: {learner_type}. Przyczyna: {reason}.
Nie można zastosować akcji "{action_name}" dla danych treningowych {data_name}. Przyczyna: {reason}.

Błąd 0084

Wyjątek występuje, gdy są oceniane wyniki wygenerowane na podstawie skryptu języka R. Jest to obecnie nieobsługiwane.

Ten błąd w Azure Machine Learning występuje, jeśli spróbujesz użyć jednego ze składników do oceny modelu z danymi wyjściowymi skryptu języka R zawierającego wyniki.

Rozwiązanie:

Komunikaty o wyjątkach
Ocenianie wyników generowanych przez model niestandardowy jest obecnie nieobsługiwane.

Błąd 0085

Wyjątek występuje, gdy ocena skryptu kończy się niepowodzeniem z powodu błędu.

Ten błąd w Azure Machine Learning występuje, gdy uruchamiasz skrypt niestandardowy zawierający błędy składni.

Rozdzielczość: Przejrzyj kod w edytorze zewnętrznym i sprawdź błędy.

Komunikaty o wyjątkach
Błąd podczas oceny skryptu.
Podczas oceny skryptu wystąpił następujący błąd, aby uzyskać więcej informacji, wyświetl dziennik danych wyjściowych:
---------- uruchamianie komunikatu o błędzie z interpretera {script_language} ----------
{message}
---------- koniec komunikatu o błędzie z interpretera {script_language} ----------

Błąd 0090

Wyjątek występuje, gdy tworzenie tabeli hive kończy się niepowodzeniem.

Ten błąd w Azure Machine Learning występuje, gdy używasz opcji Eksportuj dane lub innej opcji zapisywania danych w klastrze usługi HDInsight i nie można utworzyć określonej tabeli Hive.

Rozdzielczość: Sprawdź nazwę konta magazynu platformy Azure skojarzoną z klastrem i sprawdź, czy używasz tego samego konta we właściwościach składnika.

Komunikaty o wyjątkach
Nie można utworzyć tabeli Hive. W przypadku klastra usługi HDInsight upewnij się, że nazwa konta magazynu platformy Azure skojarzona z klastrem jest taka sama, jak w parametrze składnika.
Nie można utworzyć tabeli Hive "{table_name}". W przypadku klastra usługi HDInsight upewnij się, że nazwa konta magazynu platformy Azure skojarzona z klastrem jest taka sama, jak w parametrze składnika.
Nie można utworzyć tabeli Hive "{table_name}". W przypadku klastra usługi HDInsight upewnij się, że nazwa konta magazynu platformy Azure skojarzona z klastrem to {cluster_name}.

Błąd 0102

Zgłaszany, gdy nie można wyodrębnić pliku ZIP.

Ten błąd w Azure Machine Learning występuje podczas importowania spakowanego pakietu z rozszerzeniem .zip, ale pakiet nie jest plikiem zip lub plik nie używa obsługiwanego formatu zip.

Rozdzielczość: Upewnij się, że wybrany plik jest prawidłowym plikiem .zip i że został skompresowany przy użyciu jednego z obsługiwanych algorytmów kompresji.

Jeśli ten błąd występuje podczas importowania zestawów danych w formacie skompresowanym, sprawdź, czy wszystkie zawarte pliki używają jednego z obsługiwanych formatów plików i są w formacie Unicode.

Spróbuj odczytać żądane pliki do nowego skompresowanego folderu spakowanego i spróbuj ponownie dodać składnik niestandardowy.

Komunikaty o wyjątkach
Podany plik ZIP nie jest w poprawnym formacie.

Błąd 0105

Ten błąd jest wyświetlany, gdy plik definicji składnika zawiera nieobsługiwany typ parametru

Ten błąd w Azure Machine Learning jest generowany, gdy tworzysz definicję xml składnika niestandardowego, a typ parametru lub argumentu w definicji nie jest zgodny z obsługiwanym typem.

Rozdzielczość: Upewnij się, że właściwość typu dowolnego elementu Arg w pliku definicji xml składnika niestandardowego jest obsługiwanym typem.

Komunikaty o wyjątkach
Nieobsługiwany typ parametru.
Nieobsługiwany typ parametru "{0}" określony.

Błąd 0107

Zgłaszany, gdy plik definicji składnika definiuje nieobsługiwany typ danych wyjściowych

Ten błąd w Azure Machine Learning jest generowany, gdy typ portu wyjściowego w niestandardowej definicji xml składnika nie jest zgodny z obsługiwanym typem.

Rozdzielczość: Upewnij się, że właściwość type elementu Output w pliku definicji xml składnika niestandardowego jest obsługiwanym typem.

Komunikaty o wyjątkach
Nieobsługiwany typ danych wyjściowych.
Nieobsługiwany typ danych wyjściowych "{output_type}" określony.

Błąd 0125

Zgłaszany, gdy schemat dla wielu zestawów danych nie jest zgodny.

Rozwiązanie:

Komunikaty o wyjątkach
Schemat zestawu danych nie jest zgodny.

Błąd 0127

Rozmiar pikseli obrazu przekracza dozwolony limit

Ten błąd występuje, jeśli odczytujesz obrazy z zestawu danych obrazu do klasyfikacji, a obrazy są większe niż model może obsłużyć.

Komunikaty o wyjątkach
Rozmiar pikseli obrazu przekracza dozwolony limit.
Rozmiar piksela obrazu w pliku "{file_path}" przekracza dozwolony limit: "{size_limit}".

Błąd 0128

Liczba prawdopodobieństwa warunkowego dla kolumn kategorii przekracza limit.

Rozwiązanie:

Komunikaty o wyjątkach
Liczba prawdopodobieństwa warunkowego dla kolumn kategorii przekracza limit.
Liczba prawdopodobieństwa warunkowego dla kolumn kategorii przekracza limit. Kolumny "{column_name_or_index_1}" i "{column_name_or_index_2}" są problematyczną parą.

Błąd 0129

Liczba kolumn w zestawie danych przekracza dozwolony limit.

Rozwiązanie:

Komunikaty o wyjątkach
Liczba kolumn w zestawie danych przekracza dozwolony limit.
Liczba kolumn w zestawie danych w elemencie "{dataset_name}" przekracza dozwoloną liczbę kolumn.
Liczba kolumn w zestawie danych w elemencie "{dataset_name}" przekracza dozwolony limit "{component_name}".
Liczba kolumn w zestawie danych w elemencie "{dataset_name}" przekracza dozwolony limit component_name {limit_columns_count}.

Błąd 0134

Wyjątek występuje, gdy brakuje kolumny etykiety lub nie ma wystarczającej liczby oznaczonych wierszy.

Ten błąd występuje, gdy składnik wymaga kolumny etykiety, ale nie został uwzględniny w zaznaczeniu kolumny lub brakuje zbyt wielu wartości w kolumnie etykiety.

Ten błąd może również wystąpić, gdy poprzednia operacja zmienia zestaw danych, tak aby niewystarczające wiersze były dostępne dla operacji podrzędnej. Załóżmy na przykład, że używasz wyrażenia w składniku Partition and Sample , aby podzielić zestaw danych według wartości. Jeśli nie znaleziono dopasowań dla wyrażenia, jeden z zestawów danych wynikających z partycji będzie pusty.

Rozwiązanie:

Jeśli dołączysz kolumnę etykiety do zaznaczenia kolumny, ale nie zostanie rozpoznana, użyj składnika Edytuj metadane , aby oznaczyć ją jako kolumnę etykiety.

Następnie możesz użyć składnika Clean Missing Data (Czyszczenie brakujących danych ), aby usunąć wiersze z brakującymi wartościami w kolumnie etykiety.

Sprawdź wejściowe zestawy danych, aby upewnić się, że zawierają prawidłowe dane i wystarczająco dużo wierszy, aby spełnić wymagania operacji. Wiele algorytmów generuje komunikat o błędzie, jeśli wymagają minimalnej liczby wierszy danych, ale dane zawierają tylko kilka wierszy lub tylko nagłówek.

Komunikaty o wyjątkach
Wyjątek występuje, gdy brakuje kolumny etykiety lub nie ma wystarczającej liczby oznaczonych wierszy.
Wyjątek występuje, gdy brakuje kolumny etykiety lub ma mniej niż {required_rows_count} z etykietami wierszy.
Wyjątek występuje, gdy brakuje kolumny etykiety w zestawie danych {dataset_name} lub ma mniej niż {required_rows_count} z etykietami wierszy.

Błąd 0138

Pamięć została wyczerpana, nie można ukończyć działania składnika. Downsampling zestawu danych może pomóc złagodzić problem.

Ten błąd występuje, gdy uruchomiony składnik wymaga większej ilości pamięci niż jest dostępny w kontenerze platformy Azure. Może się to zdarzyć, jeśli pracujesz z dużym zestawem danych, a bieżąca operacja nie może zmieścić się w pamięci.

Rozdzielczość: Jeśli próbujesz odczytać duży zestaw danych i nie można ukończyć operacji, próbkowanie zestawu danych może pomóc.

Komunikaty o wyjątkach
Pamięć została wyczerpana, nie można ukończyć działania składnika.
Pamięć została wyczerpana, nie można ukończyć działania składnika. Szczegóły: {details}

Błąd 0141

Wyjątek występuje, jeśli liczba wybranych kolumn liczbowych i unikatowych wartości w kolumnach kategorii i ciągów jest za mała.

Ten błąd w Azure Machine Learning występuje, gdy w wybranej kolumnie nie ma wystarczającej liczby unikatowych wartości do wykonania operacji.

Rozdzielczość: Niektóre operacje wykonują operacje statystyczne dla kolumn funkcji i kolumn kategorii, a jeśli nie ma wystarczającej liczby wartości, operacja może zakończyć się niepowodzeniem lub zwrócić nieprawidłowy wynik. Sprawdź zestaw danych, aby zobaczyć, ile wartości znajduje się w kolumnach funkcji i etykiet, i określ, czy operacja, którą próbujesz wykonać, jest statystycznie prawidłowa.

Jeśli źródłowy zestaw danych jest prawidłowy, możesz również sprawdzić, czy niektóre nadrzędne operacje manipulowania danymi lub metadanymi zmieniły dane i usunęły niektóre wartości.

Jeśli operacje nadrzędne obejmują dzielenie, próbkowanie lub ponowne próbkowanie, sprawdź, czy dane wyjściowe zawierają oczekiwaną liczbę wierszy i wartości.

Komunikaty o wyjątkach
Liczba wybranych kolumn liczbowych i unikatowych wartości w kolumnach kategorii i ciągów jest za mała.
Całkowita liczba wybranych kolumn liczbowych i unikatowych wartości w kolumnach kategorii i ciągów (obecnie {actual_num}) powinna wynosić co najmniej {lower_boundary}.

Błąd 0154

Wyjątek występuje, gdy użytkownik próbuje dołączyć dane do kolumn kluczy z niezgodnym typem kolumny.

Komunikaty o wyjątkach
Typy elementów kolumny klucza nie są zgodne.
Typy elementów kolumny klucza nie są zgodne. (po lewej: {keys_left}; po prawej: {keys_right})

Błąd 0155

Wyjątek występuje, gdy nazwy kolumn zestawu danych nie są ciągami.

Komunikaty o wyjątkach
Nazwa kolumny ramki danych musi być typem ciągu. Nazwy kolumn nie są ciągami.
Nazwa kolumny ramki danych musi być typem ciągu. Nazwy kolumn {column_names} nie są ciągami.

Błąd 0156

Wyjątek występuje, gdy nie można odczytać danych z Azure SQL Database.

Komunikaty o wyjątkach
Nie można odczytać danych z Azure SQL Database.
Nie można odczytać danych z Azure SQL Database: {detailed_message} DB: {database_server_name}:{database_name} Kwerenda: {sql_statement}

Błąd 0157

Nie można odnaleźć magazynu danych.

Komunikaty o wyjątkach
Informacje o magazynie danych są nieprawidłowe.
Informacje o magazynie danych są nieprawidłowe. Nie można pobrać magazynu danych AzureML "{datastore_name}" w obszarze roboczym {workspace_name}.

Błąd 0158

Zgłaszany, gdy katalog przekształcania jest nieprawidłowy.

Komunikaty o wyjątkach
Podana wartość TransformationDirectory jest nieprawidłowa.
Element TransformationDirectory "{arg_name}" jest nieprawidłowy. Przyczyna: {reason}. Uruchom ponownie eksperyment trenowania, który generuje plik Transform. Jeśli eksperyment szkoleniowy został usunięty, utwórz ponownie i zapisz plik Transform.
Element TransformationDirectory "{arg_name}" jest nieprawidłowy. Przyczyna: {reason}. {troubleshoot_hint}

Błąd 0159

Wyjątek występuje, jeśli katalog modelu składników jest nieprawidłowy.

Komunikaty o wyjątkach
Podana wartość ModelDirectory jest nieprawidłowa.
ModelDirectory "{arg_name}" jest nieprawidłowy.
ModelDirectory "{arg_name}" jest nieprawidłowy. Przyczyna: {reason}.
Element ModelDirectory "{arg_name}" jest nieprawidłowy. Przyczyna: {reason}. {troubleshoot_hint}

Błąd 1000

Wyjątek biblioteki wewnętrznej.

Ten błąd jest dostarczany w celu przechwycenia w przeciwnym razie nieobsługiwane błędy aparatu wewnętrznego. W związku z tym przyczyna tego błędu może się różnić w zależności od składnika, który wygenerował błąd.

Aby uzyskać więcej pomocy, zalecamy opublikowanie szczegółowego komunikatu, który towarzyszy błędowi na forum Azure Machine Learning wraz z opisem scenariusza, w tym danymi używanymi jako dane wejściowe. Ta opinia pomoże nam ustalić priorytety błędów i zidentyfikować najważniejsze problemy dotyczące dalszej pracy.

Komunikaty o wyjątkach
Wyjątek biblioteki.
Wyjątek biblioteki: {exception}.
Nieznany wyjątek biblioteki: {exception}. {customer_support_guidance}.

Wykonywanie składnika skryptu języka Python

Wyszukaj w azureml_main w 70_driver_logsskładnika Execute Python Script i można znaleźć, który wiersz wystąpił błąd. Na przykład "Plik "/tmp/tmp01_ID/user_script.py", wiersz 17 w azureml_main" wskazuje, że błąd wystąpił w wierszu 17 skryptu języka Python.

Trenowanie rozproszone

Obecnie projektant obsługuje trenowanie rozproszone dla składnika modelu PyTorch i trenowanie go.

Jeśli trenowanie rozproszone włączone przez składnik zakończy się niepowodzeniem bez żadnych 70_driver dzienników, możesz sprawdzić 70_mpi_log szczegóły błędu.

W poniższym przykładzie pokazano, że liczba węzłów ustawień uruchamiania jest większa niż liczba dostępnych węzłów klastra obliczeniowego.

Screenshot showing node count error

W poniższym przykładzie pokazano, że liczba procesów na węzeł jest większa niż jednostka przetwarzania obliczeń.

Screenshot showing mpi log

W przeciwnym razie możesz sprawdzić 70_driver_log każdy proces. 70_driver_log_0 jest przeznaczony dla procesu głównego.

Screenshot showing driver log