在 Azure 机器学习设计器管道中启用日志指标

本文介绍如何将代码添加到设计器管道以启用日志指标。 此外，还介绍了如何使用 Azure 机器学习工作室 Web 门户查看这些日志。

有关通过使用 SDK 的创作体验进行指标记录的详细信息，请参阅 记录和查看指标及日志文件。

使用“执行 Python 脚本”启用日志记录

使用执行 Python 脚本组件启用设计器管道中的日志记录。 虽然可以使用此工作流记录任何值，但是记录“评估模型”组件中的指标以跟踪不同运行期间的模型性能特别有用。

以下示例演示如何使用 “评估模型 ”和 “执行 Python 脚本 ”组件记录两个训练模型的均方误差。

1. 将“执行 Python 脚本”组件连接到“评估模型”组件的输出。

   

2. 将以下代码粘贴到“执行 Python 脚本”代码编辑器中，以记录训练模型的平均绝对误差。 可以使用类似的模式在设计器中记录任何其他值：

   适用于：适用于 Python 的 Azure 机器学习 SDK v1

   # dataframe1 contains the values from Evaluate Model
   def azureml_main(dataframe1=None, dataframe2=None):
       print(f'Input pandas.DataFrame #1: {dataframe1}')
   
       from azureml.core import Run
   
       run = Run.get_context()
   
       # Log the mean absolute error to the parent run to see the metric in the run details page.
       # Note: 'run.parent.log()' should not be called multiple times because of performance issues.
       # If repeated calls are necessary, cache 'run.parent' as a local variable and call 'log()' on that variable.
       parent_run = Run.get_context().parent
   
       # Log left output port result of Evaluate Model. This also works when evaluate only 1 model.
       parent_run.log(name='Mean_Absolute_Error (left port)', value=dataframe1['Mean_Absolute_Error'][0])
       # Log right output port result of Evaluate Model. The following line should be deleted if you only connect one Score component to the` left port of Evaluate Model component.
       parent_run.log(name='Mean_Absolute_Error (right port)', value=dataframe1['Mean_Absolute_Error'][1])
   
       return dataframe1,
   

此代码使用 Azure 机器学习 Python SDK 来记录值。 它使用Run.get_context()来获取当前运行的上下文。 然后，它会使用 run.parent.log() 该方法将值记录到该上下文中。 它使用 parent 将值记录到父管道运行，而不是组件运行。

有关如何使用 Python SDK 记录值的详细信息，请参阅 日志和查看指标和日志文件。

查看日志

管道运行完成后，“试验”页中将显示 Mean_Absolute_Error。

1. 导航到“作业”部分。

2. 选择试验。

3. 选择要查看的试验中的作业。

4. 选择“指标”。

   

相关内容

• 排查机器学习管道问题
• 记录和查看指标及日志文件 v1
• 执行 Python 脚本组件