Monitoraggio dei job di addestramento

console

1. Apri la pagina Job di AI Platform Training nella console Google Cloud.

   Aprire Job nella console Google Cloud

2. Fai clic sul nome del job nell'elenco per aprire la pagina Dettagli job.

3. Trova lo stato del tuo job nella parte superiore del report. L'icona e il testo descrive lo stato corrente del job.

   

Filtrare i job

Nella pagina Job, puoi filtrare i job in base a diversi parametri, tra cui Tipo, JobID, Stato e ora di creazione del job.

1. Fai clic all'interno del filter_listCampo Filtra per prefisso, che si trova sopra l'elenco dei job. Seleziona un prefisso da utilizzare per i filtri. Ad esempio, seleziona Tipo.

2. Per completare il filtro, fai clic sul suffisso del filtro che vuoi utilizzare. Ad esempio, le opzioni di suffisso per il prefisso Tipo sono:

   • Addestramento con codice personalizzato
   • Addestramento con algoritmi integrati
   • Previsione

3. Il filtro viene applicato all'elenco Jobs e il nome del filtro viene visualizzato nel campo del filtro. Ad esempio, se hai selezionato Addestramento con codice personalizzato, in alto viene visualizzato il filtro Tipo:addestramento con codice personalizzato, che filtra l'elenco dei job. Se necessario, puoi aggiungere più filtri.

Visualizzazione delle prove degli iperparametri

Nella pagina Dettagli job, puoi visualizzare le metriche per ogni prova nella tabella HyperTune trials (Prove HyperTune). Questa tabella viene visualizzata solo per i job che utilizzano l'ottimizzazione iperparametri. Puoi attivare/disattivare le metriche per visualizzare le prove in base ai valori più alti o più bassi di rmse, Training steps e learning_rate.

Per visualizzare i log di una prova specifica, fai clic sul more_vert e poi fai clic su Visualizza log.

gcloud

Utilizza gcloud ai-platform jobs describe per ottenere dettagli sullo stato corrente del job sulla riga di comando:

gcloud ai-platform jobs describe job_name

Puoi ottenere un elenco dei job associati al tuo progetto che include lo stato e la data di creazione con gcloud ai-platform jobs list. Tieni presente che questo comando nella sua forma più semplice elenca tutti i job mai creati per il tuo progetto. Devi definire l'ambito della richiesta per limitare il numero di job registrati. I seguenti esempi dovrebbero aiutarti a iniziare:

Utilizza l'argomento --limit per limitare il numero di job. Questo esempio elenca i 5 job più recenti:

gcloud ai-platform jobs list --limit=5

Utilizza l'argomento --filter per limitare l'elenco dei job a quelli con un determinato valore dell'attributo. Puoi filtrare in base a uno o più attributi dell'oggetto Job. Oltre agli attributi di base del job, puoi filtrare in base agli oggetti all'interno del job, ad esempio l'oggetto TrainingInput.

Esempi di filtri dell'elenco:

• Elenca tutti i job avviati dopo una determinata ora. Questo esempio utilizza le 19:00 della sera del 15 gennaio 2017:

  gcloud ai-platform jobs list --filter='createTime>2017-01-15T19:00'
  

• Elenca gli ultimi tre job con nomi che iniziano con una determinata stringa. Ad esempio, la stringa potrebbe rappresentare il nome utilizzato per tutti i job di addestramento di un determinato modello. Questo esempio utilizza un modello in cui l 'identificatore del job è "census" con un suffisso che è un indice incrementato per ogni job:

  gcloud ai-platform jobs list --filter='jobId:census*' --limit=3
  

• Elenca tutti i job non riusciti con nomi che iniziano con "rnn":

  gcloud ai-platform jobs list --filter='jobId:rnn* AND state:FAILED'
  

Per informazioni dettagliate sulle espressioni supportate dall'opzione di filtro, consulta la documentazione del comando gcloud.

Python

1. Assembla la stringa di identificatore del job combinando il nome del progetto e il nome del job nel seguente formato: 'projects/your_project_name/jobs/your_job_name':

   projectName = 'your_project_name'
   projectId = 'projects/{}'.format(projectName)
   jobName = 'your_job_name'
   jobId = '{}/jobs/{}'.format(projectId, jobName)
   

2. Forma la richiesta a projects.jobs.get:

   request = ml.projects().jobs().get(name=jobId)
   

3. Esegui la richiesta (questo esempio inserisce la chiamata execute in un blocco try per rilevare le eccezioni):

   response = None
   
   try:
       response = request.execute()
   except errors.HttpError, err:
       # Something went wrong. Handle the exception in an appropriate
       #  way for your application.
   

4. Controlla la risposta per assicurarti che, indipendentemente dagli errori HTTP, la chiamata al servizio abbia restituito dati.

   if response == None:
       # Treat this condition as an error as best suits your
       # application.
   

5. Recupera i dati sullo stato. L'oggetto risposta è un dizionario contenente tutti i membri applicabili della risorsa Job, inclusa la risorsa completa TrainingInput e i membri applicabili della risorsa TrainingOutput. L'esempio seguente stampa lo stato del job e il numero di unità ML consumate dal job.

   print('Job status for {}.{}:'.format(projectName, jobName))
   print('    state : {}'.format(response['state']))
   print('    consumedMLUnits : {}'.format(
       response['trainingOutput']['consumedMLUnits']))