Cette page explique comment utiliser Cloud Logging pour afficher les détails d'un modèle AutoML Tables. Stackdriver Logging permet d'afficher les hyperparamètres du modèle final, ainsi que les hyperparamètres et les valeurs d'objet utilisés lors de l'entraînement et le réglage du modèle.
Vous pouvez également afficher les journaux généraux de AutoML Tables dans votre projet.
Données enregistrées
Les messages de journalisation générés par AutoML Tables fournissent les informations suivantes :
- Les hyperparamètres du modèle final en tant que paires clé-valeur.
- Les hyperparamètres utilisés lors des essais de réglage, ainsi qu'une valeur d'objectif.
Par défaut, les journaux sont supprimés après 30 jours.
Avant de commencer
- Familiarisez-vous avec Cloud Logging.
Autorisations requises pour cette tâche
Pour effectuer cette tâche, vous devez disposer des autorisations suivantes :
logging.logServiceIndexes.list
sur le projetlogging.logServices.list
sur le projet
Afficher les journaux d'entraînement
Accéder aux journaux du modèle depuis la console Google Cloud
Les journaux des hyperparamètres finaux et des hyperparamètres des essais de réglage sont accessibles directement dans AutoML Tables.
Accédez à la page AutoML Tables dans la console Google Cloud.
Ouvrez l'onglet Modèles dans le volet de navigation de gauche, puis cliquez sur le nom du modèle pour l'ouvrir.
Sélectionnez l'onglet "Modèles".
Pour afficher les journaux des hyperparamètres finaux, cliquez sur Model.
Pour afficher les hyperparamètres des essais de réglage, cliquez sur Trials.
Développez la charge utile comme indiqué ci-dessous :
Lire les journaux de l'architecture d'un modèle
La structure des journaux d'activité est décrite dans la documentation des types de LogEntry.
Les journaux de modèles AutoML Tables comprennent, entre autres, les champs suivants :
automl_tables
comme valeur du champlog_type
jsonPayload
qui contient les détails spécifiques de l'entrée de journaltimestamp
qui décrit la date de création du modèle
Contenu de la charge utile
Le contenu d'une entrée de journal est fourni au format d'objet JSON et stocké dans le champ jsonPayload
. Le champ jsonPayload
contient les informations suivantes :
Champ | Type | Description |
---|---|---|
modelStructure |
JSON |
Description de la structure des modèles AutoML Tables.
Ce champ contient un ou plusieurs champs Pour en savoir plus, consultez la liste des hyperparamètres. |
trainingObjectivePoint |
JSON | Objectif d'optimisation utilisé pour l'entraînement des modèles. Cette entrée inclut un horodatage et une valeur d'objectif au moment où l'entrée de journal a été enregistrée. |
Liste des hyperparamètres
Les données d'hyperparamètres fournies dans les journaux diffèrent pour chaque type de modèle. Les sections suivantes décrivent les hyperparamètres pour chaque type de modèle.
Modèles AdaNet
- Type de modèle :
AdaNet
- AdaNet Lambda
- Type de complexité
- Nombre initial de couches
- Type de la dernière couche (
logits
ouprelogits
) - Taille de la couche d'augmentation
- Apprentissage par poids des combinaisons (
True
ouFalse
) - Apprentissage par résiduels (
True
ouFalse
) - Boosting des itérations
Optimiseur (
adagrad
ouadam
)
Modèles AdaNet AutoEnsemble
- Type de modèle :
AdaNet AutoEnsembler
- Nombre de couches cachées
- Taille de la couche cachée
- Couche d'abandon
- Force de régularisation N1
- Force de régularisation L2
- Force de rétrécissement de régularisation L2
- Complexité de l'arborescence
- Profondeur d'arbre maximale
- Biais central (
True
ouFalse
) - Mode d'augmentation (
layer
outree
) - Boosting des itérations
Optimiseur DNN (
adagrad
ouadam
)
Modèles linéaires DNN
- Type de modèle :
DNNLinear
- Nombre de couches cachées
- Taille de la couche cachée
- Couche d'abandon
- Force de régularisation N1
- Force de régularisation L2
Force de rétrécissement de régularisation L2
Modèles en arbre de décision à boosting de gradient
- Type de modèle :
GBDT
- Profondeur d'arbre maximale
- Régularisation d'arbre L1
- Régularisation d'arbre L2
- Complexité de l'arborescence
- Nombre d'arbres
Biais central (
True
ouFalse
)
Modèles en réseau de neurones feedforward
- Type de modèle :
nn
- Taille de la couche cachée
- Taux d'abandon
- Activer la représentation vectorielle continue de données numériques (
True
ouFalse
) - Activer L1 (
True
ouFalse
) - Activer L2 (
True
ouFalse
) - Activer la représentation vectorielle continue L1 (
True
ouFalse
) - Activer la représentation vectorielle continue L2 (
True
ouFalse
) - Activer layerNorm (
True
ouFalse
) - Activer batchNorm (
True
ouFalse
) - Nombre de couches cachées
- Nombre de couches croisées
- Ignorer les connexions de type
dense
,disable
,concat
ouslice_or_padding
) - Normaliser la colonne numérique (
True
ouFalse
)
Exemples d'entrées de journal
L'exemple suivant présente une entrée de journal de l'architecture du modèle final concernant le modèle nn
, comme indiqué par le paramètre model_type
. Si plusieurs modèles ont été utilisés pour créer le modèle final, les hyperparamètres de chaque modèle s'affichent sous forme d'entrée dans le tableau modelParameters
, indexés par position (0, 1, 2, etc.).
{ 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'exemple ci-dessous montre une entrée de journal de l'architecture du modèle lors du réglage.
{ 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" }
Afficher les journaux généraux de AutoML Tables
Vous pouvez afficher les journaux d'activité de votre projet via l'explorateur de journaux de la console Google Cloud:
- Accédez à la page Journalisation de la console Google Cloud.
- Dans l'explorateur de journaux, sélectionnez et filtrez votre type de ressource dans le premier menu déroulant.
- Sélectionnez automl.googleapis.com/tuning dans le menu déroulant Tous les journaux pour afficher les journaux de AutoML Tables.
Exporter les journaux
Vous pouvez exporter vos journaux vers BigQuery, Cloud Storage ou Cloud Pub/Sub.
Consultez la section Configurer l'exportation des journaux dans la documentation de Stackdriver Logging pour en savoir plus sur l'exportation des journaux d'activité.