Halaman ini memberikan informasi tentang cara menggunakan Cloud Logging untuk melihat detail tentang model AutoML Tables. Dengan Pencatatan Log, Anda dapat melihat hyperparameter model akhir serta hyperparameter dan nilai objek yang digunakan selama pelatihan dan penyesuaian model.
Anda juga dapat melihat log umum untuk AutoML Tables di project Anda.
Data yang dicatat
Pesan logging yang dihasilkan oleh AutoML Tables menyediakan:
- Hyperparameter model akhir sebagai key-value pair.
- Hyperparameter yang digunakan selama uji coba penyesuaian, serta nilai objektif.
Secara default, log akan dihapus setelah 30 hari.
Sebelum memulai
- Pelajari Cloud Logging.
Izin yang diperlukan untuk langkah ini
Untuk melakukan tugas ini, Anda harus memiliki izin berikut:
logging.logServiceIndexes.list
pada projectlogging.logServices.list
pada project
Melihat log pelatihan
Mengakses log model dari konsol Google Cloud
Anda dapat mengakses log hyperparameter akhir dan log hyperparameter uji coba penyesuaian langsung dari Tabel AutoML.
Buka halaman AutoML Tables di Konsol Google Cloud.
Pilih tab Models di panel navigasi sebelah kiri dan klik nama model untuk membuka model.
Pilih tab Model.
Untuk melihat log hyperparameter akhir, klik Model.
Untuk melihat hyperparameter uji coba penyesuaian, klik Uji coba.
Luaskan payload seperti yang ditunjukkan di bawah ini:
Membaca log arsitektur model
Log aktivitas disusun seperti yang dijelaskan dalam dokumentasi jenis LogEntry.
Log model AutoML Tables memiliki, di antara kolom lainnya:
automl_tables
sebagai nilai kolomlog_type
jsonPayload
yang berisi detail entri log spesifiktimestamp
yang mendeskripsikan kapan model dibuat
Konten payload
Isi entri log disediakan dalam format objek JSON dan
disimpan di kolom jsonPayload
. Kolom jsonPayload
berisi informasi berikut.
Kolom | Jenis | Deskripsi |
---|---|---|
modelStructure |
JSON |
Deskripsi struktur model AutoML Tables.
Kolom ini berisi satu atau beberapa kolom Lihat daftar hyperparameter untuk mengetahui detailnya. |
trainingObjectivePoint |
JSON | Objektif pengoptimalan digunakan untuk pelatihan model. Entri ini menyertakan stempel waktu dan nilai objektif pada saat entri log dicatat. |
Daftar hyperparameter
Data hyperparameter yang diberikan dalam log berbeda untuk setiap jenis model. Bagian berikut menjelaskan hyperparameter untuk setiap jenis model.
Model AdaNet
- Jenis model:
AdaNet
- Lambda AdaNet
- Jenis kompleksitas
- Jumlah awal lapisan
- Jenis lapisan terakhir (
logits
atauprelogits
) - Memperbesar ukuran lapisan
- Pelajari bobot campuran (
True
atauFalse
) - Pelajari residual (
True
atauFalse
) - Meningkatkan iterasi
Pengoptimal (
adagrad
atauadam
)
Model AutoEnsemble AdaNet
- Jenis model:
AdaNet AutoEnsembler
- Jumlah lapisan tersembunyi
- Ukuran lapisan tersembunyi
- Putus sekolah
- Kekuatan regularisasi L1
- Kekuatan regularisasi L2
- Kekuatan regularisasi penyusutan L2
- Kompleksitas pohon
- Kedalaman pohon maksimum
- Bias tengah (
True
atauFalse
) - Mode berkembang (
layer
atautree
) - Meningkatkan iterasi
Pengoptimal DNN (
adagrad
atauadam
)
Model Linear DNN
- Jenis model:
DNNLinear
- Jumlah lapisan tersembunyi
- Ukuran lapisan tersembunyi
- Putus sekolah
- Kekuatan regularisasi L1
- Kekuatan regularisasi L2
Kekuatan regularisasi penyusutan L2
Model pohon keputusan penguatan gradien
- Jenis model:
GBDT
- Kedalaman pohon maksimum
- Regularisasi pohon L1
- Regularisasi pohon L2
- Kompleksitas pohon
- Jumlah pohon
Bias tengah (
True
atauFalse
)
Model jaringan saraf alur maju
- Jenis model:
nn
- Ukuran lapisan tersembunyi
- Tingkat error
- Mengaktifkan penyematan numerik (
True
atauFalse
) - Mengaktifkan L1 (
True
atauFalse
) - Mengaktifkan L2 (
True
atauFalse
) - Mengaktifkan penyematan L1 (
True
atauFalse
) - Mengaktifkan penyematan L2 (
True
atauFalse
) - Mengaktifkan layerNorm (
True
atauFalse
) - Mengaktifkan batchNorm (
True
atauFalse
) - Jumlah lapisan tersembunyi
- Jumlah lapisan silang
- Melewati jenis koneksi (
dense
,disable
,concat
, atauslice_or_padding
) - Normalisasi kolom numerik (
True
atauFalse
)
Contoh entri log
Contoh berikut menunjukkan entri log untuk arsitektur model akhir bagi model nn
, seperti yang ditunjukkan oleh parameter model_type
. Jika lebih dari satu model digunakan untuk membuat model akhir, hyperparameter untuk setiap model akan ditampilkan sebagai entri dalam array modelParameters
, yang diindeks berdasarkan posisi (0, 1, 2, dan seterusnya).
{ 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" }
Contoh berikut menunjukkan entri log untuk arsitektur model selama tuning.
{ 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" }
Melihat log AutoML Tables umum
Anda dapat melihat log aktivitas project melalui Logs Explorer di konsol Google Cloud:
- Buka halaman Logging di Konsol Google Cloud.
- Saat berada di Logs Explorer, pilih dan filter jenis resource Anda dari menu drop-down pertama.
- Pilih automl.googleapis.com/tuning dari menu drop-down All logs untuk melihat log AutoML Tables.
Mengekspor log
Anda dapat mengekspor log ke BigQuery, Cloud Storage, atau Pub/Sub.
Baca Mengonfigurasi Ekspor Log di dokumentasi Logging untuk mempelajari cara mengekspor log aktivitas.