Auf dieser Seite wird beschrieben, wie Sie mit Cloud Logging Details zu einem AutoML Tables-Modell anzeigen. Mithilfe von Logging können Sie die endgültigen Modell-Hyperparameter sowie die Hyperparameter und Objektwerte anzeigen, die beim Modelltraining und bei der Feinabstimmung verwendet wurden.
Sie können für AutoML Tables in Ihrem Projekt auch allgemeine Logs anzeigen.
In Logs erfasste Daten
Die von AutoML Tables generierten Logging-Nachrichten bieten Folgendes:
- Abschließende Hyperparameter des Modells als Schlüssel/Wert-Paare.
- Hyperparameter, die während der Abstimmungstests verwendet werden, sowie ein Zielwert.
Standardmäßig werden Logs nach 30 Tagen gelöscht.
Hinweise
- Machen Sie sich mit Cloud Logging vertraut.
Erforderliche Berechtigungen für diese Aufgabe
Zum Ausführen dieser Aufgabe benötigen Sie die folgenden Berechtigungen:
logging.logServiceIndexes.list
für das Projektlogging.logServices.list
für das Projekt
Trainingslogs anzeigen
Über die Google Cloud Console auf Modelllogs zugreifen
Sie können direkt über AutoML Tables auf die endgültigen Hyperparameterlogs und die Hyperparameterlogs der Abstimmungstests zugreifen.
Rufen Sie in der Google Cloud Console die Seite „AutoML Tables“ auf.
Wählen Sie im linken Navigationsbereich den Tab Modelle aus und klicken Sie auf den Modellnamen, um das Modell zu öffnen.
Wählen Sie den Tab "Modelle" aus.
Klicken Sie zum Anzeigen der endgültigen Hyperparameterlogs auf Modell.
Klicken Sie zum Anzeigen der Hyperparameter für die Testversion auf Testversionen.
Maximieren Sie die Nutzlast wie unten dargestellt:
Modellarchitekturlogs lesen
Aktivitätslogs werden in der Dokumentation zum LogEntry beschrieben.
Modelllogs für AutoML Tables enthalten neben anderen Feldern die folgenden Informationen:
automl_tables
als Wert für das Feldlog_type
jsonPayload
, die die spezifischen Details des Logeintrags enthälttimestamp
, der beschreibt, wann das Modell erstellt wurde
Payload-Inhalte
Die Inhalte eines Logeintrags werden im JSON-Objektformat bereitgestellt und im Feld jsonPayload
gespeichert. Das Feld jsonPayload
enthält die folgenden Informationen.
Feld | Typ | Beschreibung |
---|---|---|
modelStructure |
JSON |
Eine Beschreibung der AutoML Tables-Modellstruktur.
Dieses Feld enthält ein oder mehrere Weitere Informationen finden Sie in der Hyperparameterliste. |
trainingObjectivePoint |
JSON | Das für das Modelltraining verwendete Optimierungsziel. Dieser Eintrag enthält einen Zeitstempel und einen Zielwert, die zum Zeitpunkt der Aufzeichnung des Logeintrags erstellt werden. |
Liste der Hyperparameter
Die in den Logs angegebenen Hyperparameterdaten unterscheiden sich je nach Modell. In den folgenden Abschnitten werden die Hyperparameter für jeden Modelltyp beschrieben.
AdaNet-Modelle
- Modelltyp:
AdaNet
- AdaNet-Lambda
- Komplexitätstyp
- Anfängliche Anzahl von Ebenen
- Typ der letzten Ebene (
logits
oderprelogits
) - Ebenengröße erweitern
- Mischgewichtungen lernen (
True
oderFalse
) - Restbeträge lernen (
True
oderFalse
) - Boosting-Ausführungen
Optimierung (
adagrad
oderadam
)
AdaNet AutoEnsemble-Modelle
- Modelltyp:
AdaNet AutoEnsembler
- Anzahl der ausgeblendeten Ebenen
- Größe der ausgeblendeten Ebenen
- Abbruch
- Regularisierungsstärke L1
- Regularisierungsstärke L2
- Regularisierungsstärke der L2-Verkleinerung
- Komplexität des Baums
- Maximale Baumtiefe
- Zentrale Verzerrungen (
True
oderFalse
) - Wachstumsmodus (
layer
odertree
) - Boosting-Ausführungen
DNN-Optimierung (
adagrad
oderadam
)
Lineare DNN-Modelle
- Modelltyp:
DNNLinear
- Anzahl der ausgeblendeten Ebenen
- Größe der ausgeblendeten Ebenen
- Abbruch
- Regularisierungsstärke L1
- Regularisierungsstärke L2
Regularisierungsstärke der L2-Verkleinerung
Gradient Boosted-Entscheidungsbaummodelle
- Modelltyp:
GBDT
- Maximale Baumtiefe
- Baum-Regularisierung L1
- Baum-Regularisierung L2
- Komplexität des Baums
- Anzahl der Bäume
Zentrale Verzerrungen (
True
oderFalse
)
Neuronale Feed-Forward-Netzwerkmodelle
- Modelltyp:
nn
- Größe der ausgeblendeten Ebenen
- Abbruchquote
- Numerische Einbettung aktivieren (
True
oderFalse
) - L1 aktivieren (
True
oderFalse
) - L2 aktivieren (
True
oderFalse
) - Einbettung von L1 aktivieren (
True
oderFalse
) - Einbettung von L2 aktivieren (
True
oderFalse
) - LayerNorm aktivieren (
True
oderFalse
) - BatchNorm aktivieren (
True
oderFalse
) - Anzahl der ausgeblendeten Ebenen
- Anzahl der Cross-Ebenen
- Typ für Verbindungen überspringen (
dense
,disable
,concat
oderslice_or_padding
) - Numerische Spalte normalisieren (
True
oderFalse
)
Beispiel für Logeinträge
Das folgende Beispiel zeigt einen Logeintrag für die endgültige Modellarchitektur für ein nn
-Modell, wie durch den Parameter model_type
angegeben. Wenn mehr als ein Modell zum Erstellen des endgültigen Modells verwendet wurde, werden die Hyperparameter für jedes Modell als Eintrag im Array modelParameters
zurückgegeben, nach Position indexiert (0, 1, 2 usw.).
{ 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" }
Das folgende Beispiel zeigt einen Logeintrag für die Modellarchitektur während der Feinabstimmung.
{ 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" }
Allgemeine AutoML Tables-Logs anzeigen
Die Aktivitätslogs Ihres Projekts finden Sie im Log-Explorer in der Google Cloud Console:
- Rufen Sie in der Google Cloud Console die Seite Logging auf.
- Wählen Sie im Log-Explorer den Ressourcentyp aus dem ersten Drop-down-Menü aus und filtern Sie ihn.
- Wählen Sie im Drop-down-Menü Alle Logs die Option automl.googleapis.com/tuning aus, um die AutoML-Tables-Logs anzuzeigen.
Export von Logs
Sie können Ihre Logs nach BigQuery, Cloud Storage oder Pub/Sub exportieren.
Unter Logexporte konfigurieren in der Logging-Dokumentation erfahren Sie, wie Sie Aktivitätslogs exportieren.