- Notas de Versão
- Antes de começar
- Introdução
- Projetos
- Conjuntos de dados
- Pacotes de ML
- Pipelines
- Habilidades de ML
- Logs de ML
- Sobre os logs de ML
- Document Understanding no AI Center
- Licenciamento
- Como fazer
- Guia básico de solução de problemas
Sobre os logs de ML
A página Logs de ML, acessível a partir do menu Logs de ML após selecionar um projeto, é uma visualização consolidada de todos os eventos relacionados ao projeto.
.zip
carregado em relação aos seguintes requisitos:
- Existe uma pasta raiz não vazia com o mesmo nome do arquivo zip.
- Existe um arquivo requirements.txt.
- Existe um arquivo chamado main.py, que implementa uma classe Main. A classe é validada adicionalmente para implementar uma função
predict
e uma função__init__
.
.zip
carregado em relação aos seguintes requisitos:
- Existe uma pasta raiz não vazia com o mesmo nome do arquivo zip.
- Existe um arquivo requirements.txt.
- Existe um arquivo chamado main.py, que implementa uma classe Main. A classe é validada adicionalmente para implementar uma função
predict
e uma função__init__
. - Um arquivo chamado train.py, que implementa uma classe Main. A classe é validada adicionalmente para implementar uma função
__init__
, assim como as funçõestrain
,evaluate
esave
. - Observe que um arquivo train_requirements.txt opcional pode ser adicionado; se não estiver incluído, a validação ainda será aprovada.
Os logs de ML para essa categoria ilustram os tempos inicial e final da validação e os erros reais da validação, se houver.
Quando uma habilidade é criada, o AI Center a implanta. Isso acarreta instalar dependências, executar uma série de verificações e otimizações de segurança, configurar a rede no namespace do tenant, criar um contêiner com um determinado número de réplicas do pacote correspondente e, finalmente, verificar a integridade da habilidade.
Os logs de ML para essa categoria ilustram os tempos inicial e final da implantação e os erros reais da implantação, se houver.