Habilitar o log em pipelines de designer do Azure Machine Learning

Neste artigo, será mostrado como adicionar o código de registro em log a pipelines de designer. Também será mostrado como exibir os logs usando o portal da Web do Estúdio do Azure Machine Learning.

Para obter mais informações sobre o log das métricas usando a experiência de criação do SDK, confira Monitorar as métricas e as execuções de experimento do Azure Machine Learning.

Habilitar registro em log com o Executar Script Python

Use o componente Executar Script do Python para habilitar o registro em pipelines do designer. Embora seja possível registrar em log qualquer valor usando esse fluxo de trabalho, ele é especialmente útil para registrar em log métricas do componente Avaliar Modelo para acompanhar o desempenho das execuções do modelo.

O exemplo a seguir mostra como registrar em log o erro quadrático médio de dois modelos treinados usando os componentes Avaliar Modelo e Executar Script do Python.

1. Conecte um componente Executar Script do Python à saída do componente Avaliar Modelo.

   

2. Cole o código a seguir no editor de código Executar Script Python para registrar em log o erro absoluto médio do modelo treinado. É possível usar um padrão semelhante para registrar qualquer outro valor no designer:

   APLICA-SE A:SDK azureml do Python v1

   # dataframe1 contains the values from Evaluate Model
   def azureml_main(dataframe1=None, dataframe2=None):
       print(f'Input pandas.DataFrame #1: {dataframe1}')
   
       from azureml.core import Run
   
       run = Run.get_context()
   
       # Log the mean absolute error to the parent run to see the metric in the run details page.
       # Note: 'run.parent.log()' should not be called multiple times because of performance issues.
       # If repeated calls are necessary, cache 'run.parent' as a local variable and call 'log()' on that variable.
       parent_run = Run.get_context().parent
   
       # Log left output port result of Evaluate Model. This also works when evaluate only 1 model.
       parent_run.log(name='Mean_Absolute_Error (left port)', value=dataframe1['Mean_Absolute_Error'][0])
       # Log right output port result of Evaluate Model. The following line should be deleted if you only connect one Score component to the` left port of Evaluate Model component.
       parent_run.log(name='Mean_Absolute_Error (right port)', value=dataframe1['Mean_Absolute_Error'][1])
   
       return dataframe1,
   

Esse código usa o SDK do Python Azure Machine Learning para registrar valores. Ele usa Run.get_context () para obter o contexto da execução atual. Em seguida, registra valores ao contexto com o método run.parent.log(). Usa parent para registrar valores na execução do pipeline pai, em vez da execução do componente.

Para obter mais informações sobre como usar o SDK do Python para registrar valores em log, confira Habilitar o log nas execuções de treinamento do Azure Machine Learning.

Exibir logs

Depois que a execução do pipeline for concluída, será possível ver o Mean_Absolute_Error na página Experimentos.

1. Navegue até a seção Trabalhos.

2. Selecione o experimento.

3. Selecione o trabalho na experiência que você deseja visualizar.

4. Selecione Métricas.

   

Próximas etapas

Neste artigo, foi mostrado como usar os logs no designer. Para as próximas etapas, consulte estes artigos relacionados:

• Saiba como solucionar problemas de pipelines de designer, consulte Debug e solucionar problemas de pipelines de ML.
• Saiba como usar o SDK do Python para registrar métricas em log na experiência de criação do SDK. Confira Habilitar o log nas execuções de treinamento do Azure Machine Learning.
• Saiba como usar o Executar Script Python no designer.