Habilitar o registro em log nos pipelines do designer do Azure Machine Learning

Neste artigo, você aprenderá a adicionar código de log a pipelines de designer. Você também aprenderá a exibir esses logs usando o portal da Web do estúdio do Azure Machine Learning.

Para obter mais informações sobre métricas de registro em log usando a experiência de criação do SDK, consulte Monitorar execuções e métricas de experimento do Azure Machine Learning.

Habilitar o registro em log com Execute Python Script

Use o componente Executar Python Script para habilitar o registro em pipelines de designer. Embora você possa registrar qualquer valor com esse fluxo de trabalho, é especialmente útil registrar métricas do componente Avaliar modelo para acompanhar o desempenho do modelo em execuções.

O exemplo a seguir mostra como registrar o erro quadrático médio de dois modelos treinados usando os componentes Evaluate Model e Execute Python Script.

1. Conecte um componente Execute Python Script à saída do componente Evaluate Model .

   

2. Cole o código a seguir no editor de código Execute Python Script para registrar o erro absoluto médio para seu modelo treinado. Você pode usar um padrão semelhante para registrar qualquer outro valor no designer:

   APLICA-SE A: Python SDK azureml 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 Python do Azure Machine Learning para registrar valores. Ele usa Run.get_context() para obter o contexto da execução atual. Em seguida, ele registra valores nesse contexto com o método run.parent.log(). Ele 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, consulte Habilitar o registro em log em execuções de treinamento do Aprendizado de Máquina do Azure.

Ver registos

Após a conclusão da execução do pipeline, você poderá ver o Mean_Absolute_Error na página Experimentos.

1. Navegue até a seção Trabalhos .

2. Selecione seu experimento.

3. Selecione o trabalho em seu experimento que você deseja visualizar.

4. Selecione Métricas.

   

Próximos passos

Neste artigo, você aprendeu como usar logs no designer. Para as próximas etapas, consulte estes artigos relacionados:

• Saiba como solucionar problemas de pipelines de designer, consulte Depurar & solucionar problemas de pipelines de ML.
• Saiba como usar o SDK do Python para registrar métricas na experiência de criação do SDK, consulte Habilitar o registro em log em execuções de treinamento do Azure Machine Learning.
• Saiba como usar o Execute Python Script no designer.