Melihat arsitektur model dengan Cloud Logging

Beta

Produk ini tunduk pada "Persyaratan Penawaran Pra-GA" di bagian Persyaratan Layanan Umum di Persyaratan Khusus Layanan. Produk pra-GA tersedia "sebagaimana adanya" dan mungkin memiliki dukungan terbatas. Untuk mengetahui informasi selengkapnya, lihat deskripsi tahap peluncuran.

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.

Catatan: Log arsitektur model disediakan sebagai bagian dari layanan Cloud Logging. Untuk mengetahui informasi umum tentang Cloud Logging, lihat dokumentasi Cloud Logging.

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 project
• logging.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.

1. Buka halaman AutoML Tables di Konsol Google Cloud.

   Buka halaman AutoML Tables

2. Pilih tab Models di panel navigasi sebelah kiri dan klik nama model untuk membuka model.

3. Pilih tab Model.

   

4. Untuk melihat log hyperparameter akhir, klik Model.

5. Untuk melihat hyperparameter uji coba penyesuaian, klik Uji coba.

6. 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 kolom log_type
• jsonPayload yang berisi detail entri log spesifik
• timestamp 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 modelParameters yang berisi hyperparameter dari setiap model yang digunakan. Jika lebih dari satu model digunakan, model tersebut digabungkan sebagai ansambel untuk membuat model akhir. 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 atau prelogits)
• Memperbesar ukuran lapisan
• Pelajari bobot campuran (True atau False)
• Pelajari residual (True atau False)
• Meningkatkan iterasi

• Pengoptimal (adagrad atau adam)

  Referensi Python open source

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 atau False)
• Mode berkembang (layer atau tree)
• Meningkatkan iterasi

• Pengoptimal DNN (adagrad atau adam)

  Referensi Python open source

Model Linear DNN

• Jenis model: DNNLinear
• Jumlah lapisan tersembunyi
• Ukuran lapisan tersembunyi
• Putus sekolah
• Kekuatan regularisasi L1
• Kekuatan regularisasi L2

• Kekuatan regularisasi penyusutan L2

  Referensi Python open source

Model pohon keputusan penguatan gradien

• Jenis model: GBDT
• Kedalaman pohon maksimum
• Regularisasi pohon L1
• Regularisasi pohon L2
• Kompleksitas pohon
• Jumlah pohon

• Bias tengah (True atau False)

  Referensi Python open source

Model jaringan saraf alur maju

• Jenis model: nn
• Ukuran lapisan tersembunyi
• Tingkat error
• Mengaktifkan penyematan numerik (True atau False)
• Mengaktifkan L1 (True atau False)
• Mengaktifkan L2 (True atau False)
• Mengaktifkan penyematan L1 (True atau False)
• Mengaktifkan penyematan L2 (True atau False)
• Mengaktifkan layerNorm (True atau False)
• Mengaktifkan batchNorm (True atau False)
• Jumlah lapisan tersembunyi
• Jumlah lapisan silang
• Melewati jenis koneksi (dense, disable, concat, atau slice_or_padding)
• Normalisasi kolom numerik (True atau False)

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:

1. Buka halaman Logging di Konsol Google Cloud.
2. Saat berada di Logs Explorer, pilih dan filter jenis resource Anda dari menu drop-down pertama.
3. 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.