Diese Legacy-Version von AutoML Tables wurde verworfen und ist nach dem 31. März 2024 nicht mehr in Google Cloud verfügbar. Alle Funktionen von Legacy-AutoML Tables und neuen Features sind auf der Vertex AI-Plattform verfügbar. Informationen zum Migrieren Ihrer Ressourcen finden Sie unter Zu Vertex AI migrieren.

Modellarchitektur mit Cloud Logging ansehen

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 Projekt
logging.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.

Zur Seite "AutoML Tables"
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 Feld log_type
jsonPayload, die die spezifischen Details des Logeintrags enthält
timestamp, 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

Feld	Typ	Beschreibung
`modelStructure`	JSON	Eine Beschreibung der AutoML Tables-Modellstruktur. Dieses Feld enthält ein oder mehrere `modelParameters`-Felder mit den Hyperparametern jedes verwendeten Modells. Wenn mehr als ein Modell verwendet wird, werden die Modelle als Ensemble kombiniert, um das endgültige Modell zu erstellen. 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.

modelStructure

JSON

Eine Beschreibung der AutoML Tables-Modellstruktur. Dieses Feld enthält ein oder mehrere modelParameters-Felder mit den Hyperparametern jedes verwendeten Modells. Wenn mehr als ein Modell verwendet wird, werden die Modelle als Ensemble kombiniert, um das endgültige Modell zu erstellen.

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 oder prelogits)
Ebenengröße erweitern
Mischgewichtungen lernen (True oder False)
Restbeträge lernen (True oder False)
Boosting-Ausführungen
Optimierung (adagrad oder adam)

Open-Source-Python-Referenz

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 oder False)
Wachstumsmodus (layer oder tree)
Boosting-Ausführungen
DNN-Optimierung (adagrad oder adam)

Open-Source-Python-Referenz

Lineare DNN-Modelle

Modelltyp: DNNLinear
Anzahl der ausgeblendeten Ebenen
Größe der ausgeblendeten Ebenen
Abbruch
Regularisierungsstärke L1
Regularisierungsstärke L2
Regularisierungsstärke der L2-Verkleinerung

Open-Source-Python-Referenz

Gradient Boosted-Entscheidungsbaummodelle

Modelltyp: GBDT
Maximale Baumtiefe
Baum-Regularisierung L1
Baum-Regularisierung L2
Komplexität des Baums
Anzahl der Bäume
Zentrale Verzerrungen (True oder False)

Open-Source-Python-Referenz

Neuronale Feed-Forward-Netzwerkmodelle

Modelltyp: nn
Größe der ausgeblendeten Ebenen
Abbruchquote
Numerische Einbettung aktivieren (True oder False)
L1 aktivieren (True oder False)
L2 aktivieren (True oder False)
Einbettung von L1 aktivieren (True oder False)
Einbettung von L2 aktivieren (True oder False)
LayerNorm aktivieren (True oder False)
BatchNorm aktivieren (True oder False)
Anzahl der ausgeblendeten Ebenen
Anzahl der Cross-Ebenen
Typ für Verbindungen überspringen (dense, disable, concat oder slice_or_padding)
Numerische Spalte normalisieren (True oder False)

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.