Questa pagina fornisce informazioni su come utilizzare Cloud Logging per visualizzare i dettagli di un modello AutoML Tables. Con Logging puoi visualizzare gli iperparametri finali del modello, nonché gli iperparametri e i valori degli oggetti utilizzati durante l'addestramento e l'ottimizzazione del modello.
Puoi anche visualizzare i log generali per AutoML Tables nel tuo progetto.
Dati registrati
I messaggi di logging prodotti da AutoML Tables forniscono:
- Iperparametri finali del modello come coppie chiave-valore.
- Iperparametri utilizzati durante le prove di ottimizzazione, nonché un valore obiettivo.
Per impostazione predefinita, i log vengono eliminati dopo 30 giorni.
Prima di iniziare
- Acquisisci familiarità con Cloud Logging.
Autorizzazioni richieste per questa attività
Per eseguire questa attività, devi disporre delle seguenti autorizzazioni:
logging.logServiceIndexes.list
nel progettologging.logServices.list
nel progetto
Visualizzazione dei log di addestramento
Accesso ai log dei modelli dalla console Google Cloud
Puoi accedere ai log finali degli iperparametri e ai log degli iperparametri di prova dell'ottimizzazione direttamente da AutoML Tables.
Vai alla pagina AutoML Tables nella console Google Cloud.
Seleziona la scheda Modelli nel riquadro di navigazione a sinistra e fai clic sul nome del modello per aprirlo.
Seleziona la scheda Modelli.
Per visualizzare i log degli iperparametri finali, fai clic su Modello.
Per vedere gli iperparametri della prova di ottimizzazione, fai clic su Prove.
Espandi il payload come mostrato di seguito:
Lettura dei log dell'architettura del modello
I log delle attività sono strutturati come descritto nella documentazione sul tipo LogEntry.
I log dei modelli AutoML Tables contengono, tra gli altri campi:
automl_tables
come valore del campolog_type
jsonPayload
che contiene i dettagli specifici della voce di logtimestamp
che descrive quando è stato creato il modello
Contenuti payload
I contenuti di una voce di log sono forniti in formato oggetto JSON e sono archiviati nel campo jsonPayload
. Il campo jsonPayload
contiene le seguenti informazioni.
Campo | Tipo | Descrizione |
---|---|---|
modelStructure |
JSON |
Una descrizione della struttura del modello AutoML Tables.
Questo campo contiene uno o più campi Consulta l'elenco degli iperparametri per i dettagli. |
trainingObjectivePoint |
JSON | L'obiettivo di ottimizzazione utilizzato per l'addestramento del modello. Questa voce include un timestamp e un valore obiettivo al momento della registrazione della voce di log. |
Elenco di iperparametri
I dati degli iperparametri forniti nei log variano per ogni tipo di modello. Le seguenti sezioni descrivono gli iperparametri per ciascun tipo di modello.
Modelli AdaNet
- Tipo di modello:
AdaNet
- Lambda AdaNet
- Tipo di complessità
- Numero iniziale di livelli
- Tipo di ultimo livello (
logits
oprelogits
) - Aumenta dimensioni livello
- Scopri i pesi delle miscele (
True
oFalse
) - Scopri i residui (
True
oFalse
) - Aumentare le iterazioni
Ottimizzatore (
adagrad
oadam
)
Modelli AdaNet AutoEnsemble
- Tipo di modello:
AdaNet AutoEnsembler
- Numero di livelli nascosti
- Dimensione livello nascosto
- Escludi
- Forza di regolarizzazione L1
- Forza di regolarizzazione L2
- Forza di regolarizzazione dello shrinkage L2
- Complessità dell'albero
- Profondità massima albero
- Differenziazione centrale (
True
oFalse
) - Modalità in crescita (
layer
otree
) - Aumentare le iterazioni
Ottimizzatore DNN (
adagrad
oadam
)
Modelli DNN Linear
- Tipo di modello:
DNNLinear
- Numero di livelli nascosti
- Dimensione livello nascosto
- Escludi
- Forza di regolarizzazione L1
- Forza di regolarizzazione L2
Forza di regolarizzazione dello shrinkage L2
Modelli di albero decisionale potenziato con gradiente
- Tipo di modello:
GBDT
- Profondità massima albero
- Regolarizzazione L1 dell'albero
- Regolarizzazione L2 dell'albero
- Complessità dell'albero
- Numero di alberi
Differenziazione centrale (
True
oFalse
)
Modelli di rete neurale feed-forward
- Tipo di modello:
nn
- Dimensione livello nascosto
- Tasso di abbandono
- Abilita l'incorporamento numerico (
True
oFalse
) - Attiva L1 (
True
oFalse
) - Attiva L2 (
True
oFalse
) - Abilita l'incorporamento L1 (
True
oFalse
) - Abilita l'incorporamento L2 (
True
oFalse
) - Attiva layerNorm (
True
oFalse
) - Abilita batchNorm (
True
oFalse
) - Numero di livelli nascosti
- Numero di livelli incrociati
- Ignora tipo di connessione (
dense
,disable
,concat
oslice_or_padding
) - Normalizza colonna numerica (
True
oFalse
)
Esempi di voci di log
L'esempio seguente mostra una voce di log per l'architettura finale del modello di un modello nn
, come indicato dal parametro model_type
. Se per creare il modello finale è stato utilizzato più di un modello, gli iperparametri per ciascun modello vengono restituiti come voce nell'array modelParameters
, indicizzati in base alla posizione (0, 1, 2 e così via).
{ insertId: "qx7z0ifhtjpkv" jsonPayload: { @type: "type.googleapis.com/google.cloud.automl.master.TuningTrial" modelStructure: { modelParameters: [ 0: { Dropout rate: 0.75 Embedding numerical embedding: "True" Enable L1: "False" Enable L2: "False" Enable batchNorm: "True" Enable embedding L1: "False" Enable embedding L2: "False" Enable layerNorm: "False" Hidden layer size: 16 Normalize numerical column: "True" Number of cross layers: "1" Number of hidden layers: "2" Skip connections type: "dense" Model type: "nn" } ] } trainingObjectivePoint: { createTime: "2019-10-15T04:52:00Z" value: 0.002069325 } } labels: { log_type: "automl_tables" } logName: "projects/project-id/logs/automl.googleapis.com%2Ftuning" receiveTimestamp: "2019-10-15T10:46:06.916277805Z" resource: { labels: { job_id: "109476078648557568" project_id: "project-id" region: "us-central1" } type: "cloudml_job" } severity: "INFO" timestamp: "2019-10-15T10:46:06.916277805Z" }
L'esempio seguente mostra una voce di log per l'architettura del modello durante l'ottimizzazione.
{ insertId: "nl7815f7p0cjb" jsonPayload: { @type: "type.googleapis.com/google.cloud.automl.master.TuningTrial" modelStructure: { modelParameters: [ 0: { hyperparameters: { Boosting iterations: "2" Grow layer size: "30" Initial number of layers: "1" Last layer type: "prelogits" Learn residuals: "False" Model type: "AdaNet" Optimizer: "adam" } } ] } trainingObjectivePoint: { createTime: "2019-10-13T20:42:25Z" value: 0.0000011595778 } } labels: { log_type: "automl_tables" } logName: "projects/project-id/logs/automl.googleapis.com%2Ftuning" receiveTimestamp: "2019-10-13T21:20:08.189302731Z" resource: { labels: { job_id: "2804289077287845888" project_id: "project-id" region: "us-central1" } type: "cloudml_job" } severity: "INFO" timestamp: "2019-10-13T21:20:08.189302731Z" }
Visualizzazione dei log generali di AutoML Tables
Puoi visualizzare i log delle attività del progetto tramite Esplora log nella console Google Cloud:
- Vai alla pagina Logging nella console Google Cloud.
- In Esplora log, seleziona e filtra il tipo di risorsa dal primo menu a discesa.
- Seleziona automl.googleapis.com/tuning dal menu a discesa automl.googleapis.com/tuning per visualizzare i log di AutoML Tables.
Esportazione dei log
Puoi esportare i log in BigQuery, Cloud Storage o Pub/Sub.
Leggi Configurazione dell'esportazione dei log nella documentazione di Logging per scoprire come esportare i log delle attività.