Visualiza la arquitectura del modelo con Cloud Logging

En esta página, se proporciona información sobre cómo usar Cloud Logging para ver detalles sobre un modelo de AutoML Tables. Con Logging, puedes ver los hiperparámetros del modelo final, así como los hiperparámetros y los valores de objeto usados durante el entrenamiento y el ajuste de modelos.

También puedes ver registros generales para AutoML Tables en tu proyecto.

Datos registrados

Los mensajes de registro producidos por AutoML Tables proporcionan lo siguiente:

  • Hiperparámetros del modelo final como pares clave-valor
  • Hiperparámetros usados durante las pruebas de ajuste, así como un valor objetivo

De forma predeterminada, los registros se borran después de 30 días.

Antes de comenzar

Permisos necesarios para esta tarea

Para realizar esta tarea, debes contar con los siguientes permisos:

  • logging.logServiceIndexes.list en el proyecto
  • logging.logServices.list en el proyecto

Visualiza los registros de entrenamiento

Accede a los registros de modelos desde la consola de Google Cloud

Puedes acceder a los registros de hiperparámetros finales y a los registros de hiperparámetros de prueba de ajuste directamente desde AutoML Tables.

  1. Ve a la página AutoML Tables en la consola de Google Cloud.

    Ir a la página AutoML Tables

  2. Selecciona la pestaña Modelos en el panel de navegación izquierdo y haz clic en el nombre del modelo para abrirlo.

  3. Selecciona la pestaña Modelos.

    Detalles del modelo con los vínculos “Modelo” y “Pruebas”

  4. Para ver los registros de hiperparámetros finales, haz clic en Modelo (Model).

  5. Para ver los hiperparámetros de prueba de ajuste, haz clic en Pruebas (Trials).

  6. Expande la carga útil como se muestra a continuación:

    Registros de modelos expandidos

Lee registros de arquitectura de modelos

Los registros de actividad se estructuran como se describe en la documentación sobre el tipo LogEntry.

Los registros del modelo de AutoML Tables tienen algunos de los siguientes campos:

  • automl_tables como el valor del campo log_type
  • jsonPayload que contiene los detalles específicos de la entrada de registro
  • timestamp que describe cuándo se creó el modelo

Contenido de la carga útil

El contenido de una entrada de registro se proporciona en formato de objeto JSON y se almacena en el campo jsonPayload. El campo jsonPayload contiene la siguiente información:

Campo Tipo Descripción
modelStructure JSON

Una descripción de la estructura del modelo de AutoML Tables. Este campo contiene uno o más campos modelParameters que contienen los hiperparámetros de cada modelo usado. Cuando se usa más de un modelo, se combinan como un conjunto para crear el modelo final.

Consulta la lista de hiperparámetros para obtener más detalles.

trainingObjectivePoint JSON El objetivo de optimización que se usa para el entrenamiento de modelos. Esta entrada incluye una marca de tiempo y un valor objetivo en el momento en el que se incluyó la entrada de registro.

Lista de hiperparámetros

Los datos de hiperparámetros proporcionados en los registros difieren para cada tipo de modelo. En las siguientes secciones, se describen los hiperparámetros para cada tipo de modelo.

Modelos AdaNet

  • Tipo de modelo: AdaNet
  • AdaNet lambda
  • Tipo de complejidad
  • Número inicial de capas
  • Último tipo de capa (logits o prelogits)
  • Tamaño de capa de crecimiento
  • Pesos de las mezclas del aprendizaje (True o False)
  • Residuos del aprendizaje (True o False)
  • Iteraciones de boosting
  • Optimizador (adagrad o adam)

    Referencia de Python de código abierto

Modelos de AdaNet de AutoEnsemble

  • Tipo de modelo: AdaNet AutoEnsembler
  • Cantidad de capas ocultas
  • Tamaño de capa oculta
  • Abandono
  • Intensidad de regularización L1
  • Intensidad de regularización L2
  • Intensidad de la regularización por reducción de L2
  • Complejidad del árbol
  • Profundidad máxima del árbol
  • Sesgo central (True o False)
  • Modo de crecimiento (layer o tree)
  • Iteraciones de boosting
  • Optimizador de DNN (adagrad o adam)

    Referencia de Python de código abierto

Modelos lineales de DNN

  • Tipo de modelo: DNNLinear
  • Cantidad de capas ocultas
  • Tamaño de capa oculta
  • Abandono
  • Intensidad de regularización L1
  • Intensidad de regularización L2
  • Intensidad de la regularización por reducción de L2

    Referencia de Python de código abierto

Modelos de árbol de decisión mejorados con gradientes

  • Tipo de modelo: GBDT
  • Profundidad máxima del árbol
  • Regularización de árbol L1
  • Regularización del árbol L2
  • Complejidad del árbol
  • Cantidad de árboles
  • Sesgo central (True o False)

    Referencia de Python de código abierto

Modelos de red neuronal prealimentada

  • Tipo de modelo: nn
  • Tamaño de capa oculta
  • Tasa de abandono
  • Habilitar la incorporación numérica (True o False)
  • Habilitar L1 (True o False)
  • Habilitar L2 (True o False)
  • Habilitar la incorporación de L1 (True o False)
  • Habilitar la incorporación de L2 (True o False)
  • Habilitar layerNorm (True o False)
  • Habilitar batchNorm (True o False)
  • Cantidad de capas ocultas
  • Cantidad de capas cruzadas
  • Omitir tipo de conexión (dense, disable, concat o slice_or_padding)
  • Normalizar la columna numérica (True o False)

Ejemplos de entradas de registro

En el siguiente ejemplo, se muestra una entrada de registro de la arquitectura final del modelo para un modelo nn, como lo indica el parámetro model_type. Si se usó más de un modelo para crear el modelo final, los hiperparámetros de cada modelo se muestran como una entrada en el arreglo modelParameters, indexada por posición (0, 1, 2, etcétera).

{
 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"
}

En el siguiente ejemplo, se muestra una entrada de registro para la arquitectura del modelo durante el ajuste.

{
 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"
}

Visualiza los registros generales de AutoML Tables

Para ver los registros de actividad de tu proyecto a través del Explorador de registros en la consola de Google Cloud, sigue estos pasos:

  1. Ve a la página Logging en la consola de Google Cloud.
  2. En el Explorador de registros, selecciona y filtra el tipo de recurso en el primer menú desplegable.
  3. Selecciona automl.googleapis.com/tuning en el menú desplegable Todos los registros para ver los registros de AutoML Tables.

Exporta registros

Puedes exportar tus registros a BigQuery, Cloud Storage o Pub/Sub.

Consulta Exporta con el visor de registros en la documentación de Logging para obtener información sobre cómo exportar registros de actividad.