Řešení potíží s prostředím

V tomto článku se dozvíte, jak řešit běžné problémy, se kterými se můžete setkat s sestaveními imagí prostředí, a dozvíte se o ohroženích zabezpečení prostředí AzureML.

Aktivně hledáme vaši zpětnou vazbu. Pokud jste přešli na tuto stránku prostřednictvím protokolů definice prostředí nebo analýzy selhání sestavení, chtěli bychom vědět, jestli vám tato funkce pomohla, nebo pokud chcete nahlásit scénář selhání, který ještě není probíraný naší analýzou. Na tuto dokumentaci můžete také zanechat zpětnou vazbu. Nechte své myšlenky tady.

Prostředí Azure Machine Learning

Prostředí Azure Machine Learning jsou zapouzdřením prostředí, ve kterém probíhá trénování strojového učení. Určují základní image Dockeru, balíčky Pythonu a nastavení softwaru kolem trénovacích a bodovacích skriptů. Prostředí jsou spravovaná a verze prostředků v pracovním prostoru Machine Learning, které umožňují reprodukovatelné, auditovatelné a přenosné pracovní postupy strojového učení napříč různými cíli výpočetních prostředků.

Typy prostředí

Prostředí spadají do tří kategorií: kurátorovaná, spravovaná uživatelem a systémově spravovaná.

Kurátorovaná prostředí jsou předem vytvořená prostředí spravovaná službou Azure Machine Learning a jsou ve výchozím nastavení k dispozici v každém pracovním prostoru. Obsahují kolekce balíčků a nastavení Pythonu, které vám pomůžou začít s různými architekturami strojového učení a chcete je používat tak, jak jsou. Tato předem vytvořená prostředí také umožňují rychlejší nasazení.

V prostředích spravovaných uživatelem zodpovídáte za nastavení prostředí a instalaci každého balíčku, který trénovací skript potřebuje na cílový výpočetní objekt. Nezapomeňte také zahrnout všechny závislosti potřebné pro nasazení modelu.

Tyto typy prostředí mají dva podtypy. Pro první typ BYOC (přineste si vlastní kontejner) přenesete existující image Dockeru do služby Azure Machine Learning. Pro druhý typ prostředí založená na kontextu sestavení Dockeru materializuje Azure Machine Learning image z kontextu, který zadáte.

Pokud chcete, aby conda spravil prostředí Pythonu za vás, použijte prostředí spravované systémem. Azure Machine Learning vytvoří nové izolované prostředí Conda tím, že z materializuje specifikaci conda nad základní imagí Dockeru. Azure Machine Learning ve výchozím nastavení přidává do odvozené image běžné funkce. Všechny balíčky Pythonu, které jsou přítomné v základní imagi, nejsou dostupné v izolovaném prostředí Conda.

Vytváření a správa prostředí

Prostředí můžete vytvářet a spravovat z klientů, jako je Sada Azure Machine Learning Python SDK, Azure Machine Learning CLI, uživatelské rozhraní nástroje Azure Machine Learning Studio, rozšíření Visual Studio Code.

Anonymní prostředí se automaticky zaregistrují ve vašem pracovním prostoru, když odešlete experiment bez registrace nebo odkazování na již existující prostředí. Nejsou uvedené, ale můžete je načíst podle verze nebo popisku.

Azure Machine Learning vytváří definice prostředí do imagí Dockeru. Také ukládá image do mezipaměti ve službě Azure Container Registry přidružené k vašemu pracovnímu prostoru Azure Machine Learning, aby je bylo možné znovu použít v následných trénovacích úlohách a nasazeních koncových bodů služby. Výsledkem více prostředí se stejnou definicí může být stejná image uložená v mezipaměti.

Vzdálené spuštění trénovacího skriptu vyžaduje vytvoření image Dockeru.

Ohrožení zabezpečení v prostředích AzureML

Ohrožení zabezpečení můžete vyřešit upgradem na novější verzi závislosti (základní image, balíček Pythonu atd.) nebo migrací na jinou závislost, která splňuje požadavky na zabezpečení. Zmírnění ohrožení zabezpečení je časově náročné a nákladné, protože může vyžadovat refaktoring kódu a infrastruktury. S prevalencí opensourcového softwaru a používání složitých vnořených závislostí je důležité spravovat a sledovat ohrožení zabezpečení.

Existuje několik způsobů, jak snížit dopad ohrožení zabezpečení:

• Snižte počet závislostí – pro každý scénář použijte minimální sadu závislostí.
• Rozčleníte prostředí do prostoru, abyste mohli na jednom místě určit rozsah a opravit problémy.
• Seznamte se s označenými ohroženími zabezpečení a jejich významem pro váš scénář.

Kontrola ohrožení zabezpečení

Pomocí nástroje Microsoft Defender for Container Registry můžete monitorovat a udržovat hygienu prostředí, abyste mohli vyhledat ohrožení zabezpečení imagí.

Pokud chcete tento proces automatizovat na základě triggerů z Programu Microsoft Defender, přečtěte si téma Automatizace odpovědí na triggery Microsoft Defenderu pro cloud.

Ohrožení zabezpečení vs. Reprodukovatelnost

Reprodukovatelnost je jedním ze základů vývoje softwaru. Při vývoji produkčního kódu musí opakovaná operace zaručit stejný výsledek. Zmírnění ohrožení zabezpečení může narušit reprodukovatelnost změnou závislostí.

Primárním cílem služby Azure Machine Learning je zaručit reprodukovatelnost. Prostředí spadají do tří kategorií: kurátorovaná, spravovaná uživatelem a systémově spravovaná.

Kurátorovaná prostředí

Kurátorovaná prostředí jsou předem vytvořená prostředí, která azure Machine Learning spravuje a jsou ve výchozím nastavení dostupná ve všech zřízených pracovních prostorech Azure Machine Learning. Azure Machine Learning vydává nové verze, které řeší ohrožení zabezpečení. To, jestli používáte nejnovější obrázek, může být kompromisem mezi reprodukovatelností a správa ohrožení zabezpečení.

Kurátorovaná prostředí obsahují kolekce balíčků a nastavení Pythonu, které vám pomůžou začít s různými architekturami strojového učení. Měli byste je používat tak, jak jsou. Tato předem vytvořená prostředí také umožňují rychlejší nasazení.

Uživatelsky spravovaná prostředí

V prostředích spravovaných uživatelem zodpovídáte za nastavení prostředí a instalaci každého balíčku, který trénovací skript potřebuje pro cílový výpočetní objekt a pro nasazení modelu. Tyto typy prostředí mají dva podtypy:

• BYOC (přineste si vlastní kontejner): Uživatel poskytuje image Dockeru pro Azure Machine Learning.
• Kontext sestavení Dockeru: Azure Machine Learning materializuje image z obsahu poskytnutého uživatelem.

Jakmile nainstalujete další závislosti na image poskytnuté Microsoftem nebo přineste si vlastní základní image, správa ohrožení zabezpečení se stane vaší zodpovědností.

Prostředí spravovaná systémem

Systémově spravovaná prostředí používáte, když chcete, aby prostředí Pythonu spravuje za vás conda. Azure Machine Learning vytvoří nové izolované prostředí Conda tím, že z materializuje specifikaci conda nad základní imagí Dockeru. I když Azure Machine Learning opravuje základní image s každou verzí, jestli používáte nejnovější image, může být kompromis mezi reprodukovatelností a správa ohrožení zabezpečení. Proto je vaší zodpovědností zvolit verzi prostředí používanou pro vaše úlohy nebo nasazení modelu při používání systémově spravovaných prostředí.

Ohrožení zabezpečení: Běžné problémy

Ohrožení zabezpečení v základních imagích Dockeru

Ohrožení zabezpečení systému v prostředí se obvykle zavádějí ze základní image. Například chyby zabezpečení označené jako Ubuntu nebo Debian jsou ze systémové úrovně prostředí – základní image Dockeru. Pokud je základní image od vystavitele třetí strany, zkontrolujte, jestli nejnovější verze obsahuje opravy chyb zabezpečení označených příznakem. Nejběžnější zdroje základních imagí ve službě Azure Machine Learning jsou:

• Registr artefaktů Microsoft (MAR) aka Microsoft Container Registry (mcr.microsoft.com).
  • Obrázky můžou být uvedeny na domovské stránce MAR, rozhraní API katalogu volání nebo /tags/list.
  • Zdrojové a poznámky k verzi pro trénovací základní image z AzureML najdete v Azure/AzureML-Containers.
• Nvidia (nvcr.io nebo profil nvidia)

Pokud nejnovější verze základní image nevyřeší vaše ohrožení zabezpečení, můžete ohrožení zabezpečení základní image vyřešit instalací verzí doporučených kontrolou ohrožení zabezpečení:

apt-get install -y library_name

Ohrožení zabezpečení v balíčcích Pythonu

Ohrožení zabezpečení můžou být také z nainstalovaných balíčků Pythonu nad základní imagí spravovanou systémem. Tato ohrožení zabezpečení související s Pythonem by se měla vyřešit aktualizací závislostí Pythonu. Chyby zabezpečení Pythonu (pip) na obrázku obvykle pocházejí z uživatelsky definovaných závislostí.

Informace o známých ohroženích zabezpečení a řešeních v Pythonu najdete v databázi poradce GitHubu. Pokud chcete vyřešit ohrožení zabezpečení Pythonu, aktualizujte balíček na verzi, která obsahuje opravy problému s příznakem:

pip install -u my_package=={good.version}

Pokud používáte prostředí Conda, aktualizujte odkaz v souboru závislostí conda.

V některých případech se balíčky Pythonu nainstalují automaticky během instalace prostředí conda nad základní imagí Dockeru. Kroky pro zmírnění rizik jsou stejné jako u balíčků zavedených uživatelem. Conda nainstaluje nezbytné závislosti pro každé prostředí, které materializuje. Balíčky, jako je kryptografie, instalační nástroje, kolo atd., se automaticky nainstalují z výchozích kanálů conda. U výchozího kanálu anaconda chybí nejnovější verze balíčků známý problém, proto doporučujeme určit prioritu kanálu Conda-forge spravované komunitou. Jinak explicitně zadejte balíčky a verze, a to i v případě, že na ně v kódu, který plánujete spustit v daném prostředí, neodkazujete.

Problémy s mezipamětí

Přidružený k vašemu pracovnímu prostoru Azure Machine Learning je instance služby Azure Container Registry, která je mezipamětí pro image kontejnerů. Všechny materializované image se nasdílí do registru kontejneru a použijí se při aktivaci experimentování nebo nasazení pro odpovídající prostředí. Azure Machine Learning neodstraní image z registru kontejneru a je vaší zodpovědností vyhodnotit, které image potřebujete v průběhu času udržovat.

Řešení potíží se sestaveními imagí prostředí

Zjistěte, jak řešit problémy s sestaveními imagí prostředí a instalacemi balíčků.

Problémy s definicí prostředí

Problémy s názvem prostředí

Kurátorovaná předpona není povolená

K tomuto problému může dojít, když název vašeho vlastního prostředí používá termíny vyhrazené jenom pro kurátorovaná prostředí. Kurátorovaná prostředí jsou prostředí, která společnost Microsoft udržuje. Vlastní prostředí jsou prostředí, která vytváříte a udržujete.

Možné příčiny:

• Název vašeho prostředí začíná Microsoftem nebo AzureML.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Aktualizujte název prostředí tak, aby se vyloučila rezervovaná předpona, kterou aktuálně používáte.

Materiály

• Vytváření a správa opakovaně použitelných prostředí

Název prostředí je příliš dlouhý.

Možné příčiny:

• Název vašeho prostředí je delší než 255 znaků.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Aktualizujte název prostředí na 255 znaků nebo méně.

Problémy s Dockerem

from azureml.core import Environment
myenv = Environment(name="myenv")
# Specify docker steps as a string.
dockerfile = r'''
FROM mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04
RUN echo "Hello from custom container!"
'''

myenv.docker.base_dockerfile = dockerfile

Příliš mnoho možností Dockeru

Možné příčiny:

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Zvolte, kterou možnost Dockeru chcete použít k sestavení prostředí. Potom nastavte všechny ostatní zadané možnosti na Hodnotu Žádné.

from azureml.core import Environment
myenv = Environment(name="myEnv")
dockerfile = r'''
FROM mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04
RUN echo "Hello from custom container!"
'''
myenv.docker.base_dockerfile = dockerfile
myenv.docker.base_image = "pytorch/pytorch:latest"

# Having both base dockerfile and base image set will cause failure. Delete the one you won't use.
myenv.docker.base_image = None

Chybějící možnost Dockeru

Možné příčiny:

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Zvolte, kterou možnost Dockeru chcete použít k sestavení prostředí, a pak tuto možnost naplňte v definici prostředí.

from azureml.core import Environment
myenv = Environment(name="myEnv")
myenv.docker.base_image = "pytorch/pytorch:latest"

env_docker_image = Environment(
    image="pytorch/pytorch:latest",
    name="docker-image-example",
    description="Environment created from a Docker image.",
)
ml_client.environments.create_or_update(env_docker_image)

Materiály

V registru kontejneru chybí uživatelské jméno nebo heslo.

Možné příčiny:

• V definici prostředí jste zadali uživatelské jméno nebo heslo pro registr kontejneru, ale ne obojí.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

myEnv.docker.base_image_registry.username = "username"

from azureml.core import Workspace
ws = Workspace.from_config()
ws.set_connection("connection1", "ACR", "<URL>", "Basic", "{'Username': '<username>', 'Password': '<password>'}")

az ml connection create --file connection.yml --resource-group my-resource-group --workspace-name my-workspace

Materiály

Více přihlašovacích údajů pro registr základní image

Možné příčiny:

• Zadali jste více než jednu sadu přihlašovacích údajů pro registr základní image.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

from azureml.core import Workspace
ws = Workspace.from_config()
ws.list_connections()
ws.delete_connection("myConnection2")

myEnv.docker.base_image_registry.registry_identity = None

Materiály

Tajné kódy v registru základní image

Možné příčiny:

• V definici prostředí jste zadali přihlašovací údaje.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Zadání přihlašovacích údajů v definici prostředí se už nepodporuje. Odstraňte přihlašovací údaje z definice prostředí a místo toho použijte připojení pracovního prostoru.

from azureml.core import Workspace
ws = Workspace.from_config()
ws.set_connection("connection1", "ACR", "<URL>", "Basic", "{'Username': '<username>', 'Password': '<password>'}")

az ml connection create --file connection.yml --resource-group my-resource-group --workspace-name my-workspace

Materiály

Délka souboru Dockerfile přes limit

Možné příčiny:

• Zadaný soubor Dockerfile překročil maximální velikost 100 kB.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Zkraťte soubor Dockerfile, abyste ho získali pod tímto limitem.

Materiály

• Podívejte se na osvědčené postupy.

Problémy s kontextem sestavení Dockeru

Chybějící umístění kontextu sestavení Dockeru

Možné příčiny:

• V definici prostředí jste nezadali cestu k adresáři kontextu sestavení.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Materiály

• Vysvětlení kontextu sestavení

Chybějící cesta k souboru Dockerfile

K tomuto problému může dojít, když Azure Machine Learning nenajde váš soubor Dockerfile. Ve výchozím nastavení Azure Machine Learning hledá soubor Dockerfile s názvem Dockerfile v kořenovém adresáři kontextu sestavení, pokud nezadáte cestu k souboru Dockerfile.

Možné příčiny:

• Váš soubor Dockerfile není v kořenovém adresáři kontextu sestavení a/nebo má jiný název než Dockerfile a nezadali jste jeho cestu.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Materiály

• Vysvětlení kontextu sestavení

Problémy se základní imagí

Základní image je zastaralá.

Možné příčiny:

• Použili jste zastaralou základní image.
  • Azure Machine Learning nemůže poskytovat podporu řešení potíží s neúspěšnými buildy s zastaralými imagemi
  • Azure Machine Learning tyto image neaktualizuje ani neudržuje, takže jsou ohrožené ohrožením zabezpečení.

Následující základní image jsou zastaralé:

• azureml/base
• azureml/base-gpu
• azureml/base-lite
• azureml/intelmpi2018.3-cuda10.0-cudnn7-ubuntu16.04
• azureml/intelmpi2018.3-cuda9.0-cudnn7-ubuntu16.04
• azureml/intelmpi2018.3-ubuntu16.04
• azureml/o16n-base/python-slim
• azureml/openmpi3.1.2-cuda10.0-cudnn7-ubuntu16.04
• azureml/openmpi3.1.2-ubuntu16.04
• azureml/openmpi3.1.2-cuda10.0-cudnn7-ubuntu18.04
• azureml/openmpi3.1.2-cuda10.1-cudnn7-ubuntu18.04
• azureml/openmpi3.1.2-cuda10.2-cudnn7-ubuntu18.04
• azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
• azureml/openmpi3.1.2-ubuntu18.04
• azureml/openmpi4.1.0-cuda11.0.3-cudnn8-ubuntu18.04
• azureml/openmpi4.1.0-cuda11.1-cudnn8-ubuntu18.04

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Upgrade základní image na nejnovější verzi podporovaných imagí

• Zobrazení dostupných základních imagí

Žádná značka nebo digest

Možné příčiny:

• Do zadané základní image jste nezahrnuli značku verze ani digest.
• Bez jednoho z těchto specifikátorů není prostředí reprodukovatelné.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Do základní image zahrňte alespoň jeden z následujících specifikátorů.

• Značka verze
• Trávit
• Zobrazit obrázek s neměnným identifikátorem

Problémy s Pythonem

Chybí verze Pythonu.

Možné příčiny:

• Nezadali jste v definici prostředí verzi Pythonu.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

from azureml.core.environment import CondaDependencies

myenv = Environment(name="myenv")
conda_dep = CondaDependencies()
conda_dep.add_conda_package("python==3.8")
env.python.conda_dependencies = conda_dep

Pokud pro specifikaci conda používáte YAML, zahrňte Python jako závislost.

name: project_environment
dependencies:
  - python=3.8
  - pip:
      - azureml-defaults
channels:
  - anaconda

Více verzí Pythonu

Možné příčiny:

• V definici prostředí jste zadali více než jednu verzi Pythonu.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

myenv.python.conda_dependencies.remove_conda_package("python=3.8")

Pokud pro specifikaci conda používáte YAML, zahrňte jako závislost jenom jednu verzi Pythonu.

Verze Pythonu není podporována.

Možné příčiny:

• Zadali jste verzi Pythonu, která je na konci životnosti nebo se blíží jeho konci a už se nepodporuje.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Zadejte verzi Pythonu, která se nedosáhla a blíží se konci životnosti.

Nedoporučují se verze Pythonu.

Možné příčiny:

• Zadali jste verzi Pythonu, která je na konci životnosti pythonu nebo blízko jeho konce životnosti.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Zadejte verzi Pythonu, která se nedosáhla a blíží se konci životnosti.

Ověření verze Pythonu se nezdařilo.

Možné příčiny:

• Zadali jste verzi Pythonu s nesprávnou syntaxí nebo nesprávným formátováním.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

myenv.python.conda_dependencies.add_conda_package("python=3.8")

Použití správné syntaxe k určení verze Pythonu v conda YAML

name: project_environment
dependencies:
  - python=3.8
  - pip:
      - azureml-defaults
channels:
  - anaconda

Materiály

• Zobrazení připnutí balíčku Conda

Problémy s Conda

Chybějící závislosti conda

Možné příčiny:

• V definici prostředí jste nezadali specifikaci conda a user_managed_dependencies je nastavená na False (výchozí).

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

env.python.user_managed_dependencies = True

from azureml.core.environment import CondaDependencies

env = Environment(name="env")
conda_dep = CondaDependencies()
conda_dep.add_conda_package("python==3.8")
env.python.conda_dependencies = conda_dep

Materiály

• Přečtěte si , jak ručně vytvořit soubor Conda.

Neplatné závislosti conda

Možné příčiny:

• Nesprávně jste naformátovali závislosti conda zadané v definici prostředí.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

"condaDependencies": {
    "channels": [
    "anaconda",
        "conda-forge"
    ],
    "dependencies": [
        "python=3.8",
        {
            "pip": [
                "azureml-defaults"
            ]
        }
    ],
    "name": "project_environment"
}

from azureml.core.environment import CondaDependencies

env = Environment(name="env")
conda_dep = CondaDependencies()
conda_dep.add_conda_package("python==3.8")
env.python.conda_dependencies = conda_dep

Chybějící kanály Conda

Možné příčiny:

• Nezadali jste kanály conda v definici prostředí.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Pokud chcete reprodukovatelnost vašeho prostředí, zadejte kanály, ze kterých se mají vyžádat závislosti. Pokud nezadáte kanály conda, conda použije výchozí hodnoty, které se můžou změnit.

from azureml.core.environment import CondaDependencies

env = Environment(name="env")
conda_dep = CondaDependencies()
conda_dep.add_channel("conda-forge")
env.python.conda_dependencies = conda_dep

Pokud pro specifikaci conda používáte YAML, uveďte kanály conda, které chcete použít.

name: project_environment
dependencies:
  - python=3.8
  - pip:
      - azureml-defaults
channels:
  - anaconda
  - conda-forge

Materiály

Základní prostředí Conda se nedoporučuje.

Možné příčiny:

• V definici prostředí jste zadali základní prostředí Conda.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Částečné aktualizace prostředí můžou vést ke konfliktům závislostí nebo neočekávaným chybám modulu runtime, takže se nedoporučuje používat základní prostředí Conda.

from azureml.core.environment import CondaDependencies

env = Environment(name="env")
env.python.base_conda_environment = None
conda_dep = CondaDependencies()
conda_dep.add_conda_package("python==3.8")
env.python.conda_dependencies = conda_dep

Materiály

Odepnuté závislosti

Možné příčiny:

• Nezadali jste verze pro určité balíčky ve specifikaci conda.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Pokud nezadáte verzi závislostí, může překladač balíčků conda zvolit jinou verzi balíčku v následných buildech stejného prostředí. Tato chyba přeruší reprodukovatelnost prostředí a může vést k neočekávaným chybám.

from azureml.core.environment import CondaDependencies

conda_dep = CondaDependencies()
conda_dep.add_conda_package("numpy==1.24.1")

Pokud pro specifikaci conda používáte YAML, zadejte verze pro závislosti.

name: project_environment
dependencies:
  - python=3.8
  - pip:
      - numpy=1.24.1
channels:
  - anaconda
  - conda-forge

Materiály

• Zobrazení připnutí balíčku Conda

Problémy s pipem

Parametr Pip není zadaný.

Možné příčiny:

• V specifikaci conda jste neurčili pip jako závislost.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Pro reprodukovatelnost byste měli zadat a připnout pip jako závislost ve specifikaci conda.

env.python.conda_dependencies.add_conda_package("pip==22.3.1")

Pokud pro specifikaci conda používáte YAML, zadejte pip jako závislost.

name: project_environment
dependencies:
  - python=3.8
  - pip=22.3.1
  - pip:
      - numpy=1.24.1
channels:
  - anaconda
  - conda-forge

Materiály

• Zobrazení připnutí balíčku Conda

Pip není připnutý

Možné příčiny:

• Ve specifikaci conda jste nezadali verzi pipu.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Pokud nezadáte verzi pip, může se v následných buildech stejného prostředí použít jiná verze. Toto chování může způsobit problémy s reprodukovatelností a další neočekávané chyby, pokud různé verze pip řeší vaše balíčky odlišně.

env.python.conda_dependencies.add_conda_package("pip==22.3.1")

Pokud pro specifikaci conda používáte YAML, zadejte verzi pro pip.

name: project_environment
dependencies:
  - python=3.8
  - pip=22.3.1
  - pip:
      - numpy=1.24.1
channels:
  - anaconda
  - conda-forge

Materiály

• Zobrazení připnutí balíčku Conda

Různé problémy s prostředím

Oddíl R je zastaralý.

Možné příčiny:

• V definici prostředí jste zadali oddíl R.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Sada Azure Machine Learning SDK pro R byla na konci roku 2021 zastaralá, aby se zlepšilo prostředí pro trénování a nasazení jazyka R pomocí Azure CLI v2.

env.r = None

Informace o zahájení trénování modelů R pomocí Azure CLI v2 najdete v úložišti ukázek.

Pro prostředí neexistuje žádná definice.

Možné příčiny:

• Zadali jste prostředí, které neexistuje nebo nebylo zaregistrované.
• Způsob, jakým jste zadali název prostředí nebo verzi prostředí, došlo k chybě s chybou nebo syntaktickou chybou.

Ovlivněné oblasti (příznaky):

• Selhání při registraci prostředí

Postup při řešení potíží

Ujistěte se, že správně zadáváte název vašeho prostředí spolu se správnou verzí.

• path-to-resource:version-number

Nejnovější verzi prostředí byste měli zadat jiným způsobem.

• path-to-resource@latest

Problémy se sestavením image

Problémy s ACR

Nedostupná ACR

K tomuto problému může dojít v případě, že dojde k chybě při přístupu k přidruženému prostředku služby Azure Container Registry (ACR) pracovního prostoru.

Možné příčiny:

• ACR vašeho pracovního prostoru je za virtuální sítí (VNet) (privátní koncový bod nebo koncový bod služby) a k vytváření imagí nepoužíváte výpočetní cluster.
• Služba ACR vašeho pracovního prostoru se nachází za virtuální sítí (privátní koncový bod nebo koncový bod služby) a výpočetní cluster používaný k vytváření imagí nemá přístup k ACR pracovního prostoru.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.
• Selhání úloh kanálu
• Selhání nasazení modelu

Postup při řešení potíží

• Ověřte, že virtuální síť výpočetního clusteru má přístup k ACR pracovního prostoru.
• Ujistěte se, že je výpočetní cluster založený na procesoru.

Materiály

• Povolení služby Azure Container Registry (ACR)
• Jak používat prostředí

Neočekávaný formát souboru Dockerfile

K tomuto problému může dojít v případě nesprávného formátování souboru Dockerfile.

Možné příčiny:

• Váš soubor Dockerfile obsahuje neplatnou syntaxi.
• Váš soubor Dockerfile obsahuje znaky, které nejsou kompatibilní s UTF-8

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Došlo k selhání, protože se při spouštění úloh implicitně v prvním kroku sestavuje prostředí.

Postup při řešení potíží

• Ujistěte se, že je soubor Dockerfile správně naformátovaný a je kódovaný v UTF-8.

Materiály

• Formát souboru Dockerfile

Problémy s vyžádáním dockeru

Nepodařilo se načíst image Dockeru

K tomuto problému může dojít v případě, že během sestavení image selže načtení image Dockeru.

Možné příčiny:

• Název cesty k registru kontejneru je nesprávný.
• Registr kontejneru za virtuální sítí používá privátní koncový bod v nepodporované oblasti.
• Image, na kterou se pokoušíte odkazovat, neexistuje v registru kontejneru, který jste zadali.
• Nezadali jste přihlašovací údaje pro privátní registr, ze které se pokoušíte získat image, nebo zadané přihlašovací údaje nejsou správné.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Zkontrolujte správnost názvu cesty k registru kontejneru.

• Pro registr my-registry.io a image test/image se značkou 3.2by byla platná cesta k imagi. my-registry.io/test/image:3.2
• Viz dokumentace k cestě registru

Pokud je registr kontejneru za virtuální sítí nebo používá privátní koncový bod v nepodporované oblasti

• Nakonfigurujte registr kontejneru pomocí koncového bodu služby (veřejný přístup) z portálu a zkuste to znovu.
• Po umístění registru kontejneru za virtuální síť spusťte šablonu Azure Resource Manageru, aby pracovní prostor mohl komunikovat s instancí registru kontejneru.

Pokud image, na kterou se pokoušíte odkazovat, neexistuje v registru kontejneru, který jste zadali

• Zkontrolujte, že jste použili správnou značku a že jste nastavili user_managed_dependencies hodnotu True. Nastavení user_managed_dependencies zakázat True conda a používat nainstalované balíčky uživatele

Pokud jste nezadali přihlašovací údaje pro privátní registr, ze kterých se pokoušíte vyžádat, nebo zadané přihlašovací údaje jsou nesprávné.

• V případě potřeby nastavte připojení pracovního prostoru pro registr kontejneru.

Materiály

• Připojení pracovního prostoru v1

Vstupně-výstupní chyba

K tomuto problému může dojít v případě, že kvůli problému se sítí selže vyžádání image Dockeru.

Možné příčiny:

• Problém s připojením k síti, který může být dočasný
• Brána firewall blokuje připojení
• ACR je nedostupný a existuje izolace sítě. Další informace najdete v tématu Nedostupná služba ACR.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Přidání hostitele do pravidel brány firewall

• Informace o používání služby Azure Firewall pro pracovní prostor a prostředky za virtuální sítí najdete v tématu Konfigurace příchozího a odchozího síťového provozu .

Posouzení nastavení pracovního prostoru Používáte virtuální síť nebo používáte některý z prostředků, ke které se pokoušíte získat přístup během sestavování image za virtuální sítí?

• Ujistěte se, že jste postupovali podle kroků v tomto článku o zabezpečení pracovního prostoru s virtuálními sítěmi.
• Azure Machine Learning vyžaduje příchozí i odchozí přístup k veřejnému internetu. Pokud dojde k potížím s nastavením virtuální sítě, může dojít k problému s přístupem k určitým úložištím požadovaným během sestavení image.

Pokud nepoužíváte virtuální síť nebo pokud jste ji nakonfigurovali správně

• Zkuste znovu sestavit image. Pokud došlo k vypršení časového limitu kvůli problému se sítí, může být problém přechodný a opětovné sestavení by mohlo problém vyřešit.

Problémy s Conda během sestavování

Chybná specifikace

K tomuto problému může dojít, když je balíček uvedený ve specifikaci conda neplatný nebo když jste nesprávně spustili příkaz conda.

Možné příčiny:

• Syntaxe, kterou jste použili ve specifikaci conda, je nesprávná.
• Nesprávně spouštíte příkaz conda.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

K chybám specifikace Conda může dojít, pokud nesprávně použijete příkaz conda create

• Přečtěte si dokumentaci a ujistěte se, že používáte platné možnosti a syntaxi.
• Existují známé nejasnosti týkající se conda env create versus conda create. Další informace o odpovědi společnosti Conda a známých řešeních ostatních uživatelů najdete tady.

Pokud chcete zajistit úspěšné sestavení, ujistěte se, že ve svém conda yaml používáte správnou syntaxi a platnou specifikaci balíčku.

• Viz specifikace shody balíčku a postup ručního vytvoření souboru conda

Chyba komunikace

K tomuto problému může dojít v případě, že dojde k chybě při komunikaci s entitou, ze které chcete stáhnout balíčky uvedené ve specifikaci conda.

Možné příčiny:

• Komunikace s kanálem Conda nebo úložištěm balíčků se nezdařila.
• Tato selhání můžou být způsobená přechodnými selháními sítě.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Ujistěte se, že jsou správné kanály a úložiště conda, které používáte ve specifikaci conda.

• Zkontrolujte, jestli existují a jestli jste je napsali správně.

Pokud jsou kanály a úložiště conda správné

• Pokuste se znovu sestavit image – existuje šance, že selhání je přechodné a opětovné sestavení může problém vyřešit.
• Ujistěte se, že balíčky uvedené ve specifikaci conda existují v zadaných kanálech nebo úložištích.

Chyba kompilace

K tomuto problému může dojít v případě, že dojde k selhání sestavení balíčku potřebného pro prostředí Conda kvůli chybě kompilátoru.

Možné příčiny:

• Nesprávně jste napsali balíček, a proto ho nerozpoznali.
• V kompilátoru je něco špatně.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Pokud používáte kompilátor

• Ujistěte se, že je rozpoznaný kompilátor, který používáte.
• V případě potřeby přidejte do souboru Dockerfile krok instalace.
• Ověřte verzi kompilátoru a zkontrolujte, jestli jsou všechny příkazy nebo možnosti, které používáte, kompatibilní s verzí kompilátoru.
• V případě potřeby upgradujte verzi kompilátoru.

Ujistěte se, že jste správně zadali všechny uvedené balíčky a že jste správně připnuli verze.

Materiály

• Referenční informace k souboru Dockerfile při spouštění příkazů
• Příklad problému kompilátoru

Chybějící příkaz

K tomuto problému může dojít v případě, že příkaz není rozpoznán během sestavení image nebo v zadaném požadavku balíčku Pythonu.

Možné příčiny:

• Příkaz jste nesdělili správně.
• Příkaz nejde spustit, protože není nainstalovaný požadovaný balíček.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

• Ujistěte se, že jste příkaz zadali správně.
• Ujistěte se, že jste nainstalovali všechny balíčky potřebné ke spuštění příkazu, který se pokoušíte provést.
• V případě potřeby přidejte do souboru Dockerfile krok instalace.

Materiály

• Referenční informace k souboru Dockerfile při spouštění příkazů

Vypršení časového limitu Conda

K tomuto problému může dojít v případě, že dokončení řešení balíčku Conda trvá příliš dlouho.

Možné příčiny:

• Ve specifikaci conda je uvedený velký počet balíčků a jsou zahrnuté nepotřebné balíčky.
• Nepřipnuli jste závislosti (zahrnuli jste tensorflow místo tensorflow=2,8).
• Uvedli jste balíčky, pro které neexistuje žádné řešení (zahrnuli jste balíček X=1.3 a Y=2.8, ale verze X není kompatibilní s verzí Y).

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

• Odebrání všech balíčků ze specifikace conda, které nejsou nutné
• Připnutí balíčků – rozlišení prostředí je rychlejší
• Pokud stále máte problémy, projděte si tento článek, kde najdete podrobné informace o porozumění a zlepšení výkonu conda.

Nedostatek paměti

K tomuto problému může dojít v případě, že řešení balíčku Conda selže kvůli vyčerpání dostupné paměti.

Možné příčiny:

• Ve specifikaci conda je uvedený velký počet balíčků a jsou zahrnuté nepotřebné balíčky.
• Nepřipnuli jste závislosti (zahrnuli jste tensorflow místo tensorflow=2,8).
• Uvedli jste balíčky, pro které neexistuje žádné řešení (zahrnuli jste balíček X=1.3 a Y=2.8, ale verze X není kompatibilní s verzí Y).

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

• Odebrání všech balíčků ze specifikace conda, které nejsou nutné
• Připnutí balíčků – rozlišení prostředí je rychlejší
• Pokud stále máte problémy, projděte si tento článek, kde najdete podrobné informace o porozumění a zlepšení výkonu conda.

Balíček nebyl nalezen.

K tomuto problému může dojít v případě, že se jeden nebo více balíčků Conda uvedených ve specifikaci nedá najít v kanálu nebo úložišti.

Možné příčiny:

• V specifikaci conda jste nesprávně uvedli název nebo verzi balíčku.
• Balíček existuje v kanálu conda, který jste nevypisovali ve specifikaci conda.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

• Ujistěte se, že jste balíček zadali správně a že zadaná verze existuje.
• Ujistěte se, že balíček existuje v kanálu, na který cílíte.
• Ujistěte se, že jste ve specifikaci conda uvedli kanál nebo úložiště, aby se balíček během překladu balíčků mohl správně načíst.

Zadejte kanály ve specifikaci conda:

channels:
  - conda-forge
  - anaconda
dependencies:
  - python=3.8
  - tensorflow=2.8
Name: my_environment

Materiály

• Správa kanálů

Chybějící modul Pythonu

K tomuto problému může dojít v případě, že modul Pythonu uvedený ve specifikaci conda neexistuje nebo není platný.

Možné příčiny:

• Modul jste napsali nesprávně.
• Modul se nerozpoznal.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

• Ujistěte se, že jste modul zadali správně a že existuje.
• Zkontrolujte, jestli je modul kompatibilní s verzí Pythonu, kterou jste zadali ve specifikaci conda.
• Pokud jste ve specifikaci conda nezadali konkrétní verzi Pythonu, nezapomeňte uvést konkrétní verzi, která je kompatibilní s modulem, jinak je možné použít výchozí verzi, která není kompatibilní.

Připněte verzi Pythonu, která je kompatibilní s modulem pip, který používáte:

channels:
  - conda-forge
  - anaconda
dependencies:
  - python=3.8
  - pip:
    - dataclasses
Name: my_environment

Žádná odpovídající distribuce

K tomuto problému může dojít, když se nenajde žádný balíček, který odpovídá zadané verzi.

Možné příčiny:

• Nesprávně jste napsali název balíčku.
• Balíček a verze se nedají najít v kanálech nebo kanálech, které jste zadali.
• Zadaná verze neexistuje.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

• Ujistěte se, že jste balíček zadali správně a že existuje.
• Ujistěte se, že verze, kterou jste zadali pro balíček, existuje.
• Ujistěte se, že jste zadali kanál, ze kterého se balíček nainstaluje. Pokud nezadáte kanál, použijí se výchozí hodnoty a výchozí hodnoty můžou nebo nemusí obsahovat balíček, který hledáte.

Jak vypsat kanály ve specifikaci conda yaml:

channels:
  - conda-forge
  - anaconda
dependencies:
  - python = 3.8
  - tensorflow = 2.8
Name: my_environment

Materiály

• Správa kanálů
• pypi

Nejde sestavit mpi4py

K tomuto problému může dojít při selhání sestavování kol pro mpi4py.

Možné příčiny:

• Požadavky na úspěšnou instalaci mpi4py nejsou splněné.
• Metoda, kterou jste zvolili k instalaci mpi4py, je něco špatně.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Ujistěte se, že máte funkční instalaci MPI (předvolba pro podporu MPI-3 a pro MPI vytvořenou se sdílenými/dynamickými knihovnami).

• Zobrazit instalaci mpi4py
• V případě potřeby postupujte podle těchto kroků při vytváření MPI.

Ujistěte se, že používáte kompatibilní verzi Pythonu.

• Python 3.8 nebo novější se doporučuje kvůli starším verzím, které dosáhnou konce životnosti.
• Zobrazit instalaci mpi4py

Materiály

• instalace mpi4py

Došlo k pokusu o interaktivní ověření.

K tomuto problému může dojít, když se pip pokusí během instalace balíčku provést interaktivní ověřování.

Možné příčiny:

• Uvedli jste balíček, který vyžaduje ověření, ale nezadali jste přihlašovací údaje.
• Během sestavení image se pip pokusil zobrazit výzvu k ověření, které sestavení selhalo, protože během sestavení nemůžete poskytnout interaktivní ověřování.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Poskytnutí ověřování prostřednictvím připojení pracovních prostorů

from azureml.core import Workspace
ws = Workspace.from_config()
ws.set_connection("connection1", "PythonFeed", "<URL>", "Basic", "{'Username': '<username>', 'Password': '<password>'}")

az ml connection create --file connection.yml --resource-group my-resource-group --workspace-name my-workspace

Materiály

Zakázaný objekt blob

K tomuto problému může dojít, když se odmítne pokus o přístup k objektu blob v účtu úložiště.

Možné příčiny:

• Metoda autorizace, kterou používáte pro přístup k účtu úložiště, je neplatná.
• Pokoušíte se autorizovat prostřednictvím sdíleného přístupového podpisu (SAS), ale platnost tokenu SAS vypršela nebo je neplatná.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Přečtěte si následující informace, abyste pochopili, jak autorizovat přístup k datům objektů blob na webu Azure Portal.

Přečtěte si následující informace, abyste pochopili , jak autorizovat přístup k datům ve službě Azure Storage.

Pokud vás zajímá přístup k prostředkům úložiště Azure, přečtěte si následující informace.

Horovod build

K tomuto problému může dojít v případě, že se prostředí Conda nepodaří vytvořit nebo aktualizovat, protože se nepodařilo sestavit horovod.

Možné příčiny:

• Instalace Horovod vyžaduje další moduly, které jste nenainstalovali.
• Instalace Horovod vyžaduje určité knihovny, které jste nezahrnuli.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Mnoho problémů může způsobit selhání horovodu a v dokumentaci k horovodu existuje úplný seznam těchto problémů.

• Projděte si průvodce odstraňováním potíží s horovodem.
• Zkontrolujte protokol sestavení a zjistěte, jestli se zobrazila chybová zpráva, která se zobrazila, když se horovod nepodařilo sestavit.
• Je možné, že průvodce odstraňováním potíží s horovodem vysvětluje problém, se kterým se setkáváte, spolu s řešením.

Materiály

• horovod instalace

Příkaz Conda nebyl nalezen.

K tomuto problému může dojít, když se příkaz conda při vytváření nebo aktualizaci prostředí Conda nerozpozná.

Možné příčiny:

• Nenainstalovali jste conda v základní imagi, kterou používáte.
• Ještě než se pokusíte spustit příkaz conda přes soubor Dockerfile, nenainstalovali jste conda.
• Nezahrnuli jste do cesty conda nebo jste ho do cesty nepřidali.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Než se pokusíte spustit všechny příkazy conda, ujistěte se, že máte v souboru Dockerfile krok instalace conda.

• Projděte si tento seznam instalačních programů conda a zjistěte, co potřebujete pro váš scénář.

Pokud jste se pokusili nainstalovat conda a dochází k tomuto problému, ujistěte se, že jste do cesty přidali conda.

• Pokyny najdete v tomto příkladu .
• Přečtěte si, jak nastavit proměnné prostředí v souboru Dockerfile.

Materiály

• Všechna dostupná distribuce conda se nacházejí v úložišti conda.

Nekompatibilní verze Pythonu

K tomuto problému může dojít v případě, že je v prostředí conda zadaný balíček, který není kompatibilní se zadanou verzí Pythonu.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Použijte jinou verzi balíčku, která je kompatibilní se zadanou verzí Pythonu.

Případně použijte jinou verzi Pythonu, která je kompatibilní s vámi zadaným balíčkem.

• Pokud měníte verzi Pythonu, použijte podporovanou verzi, která se brzy nedokončí.
• Zobrazení dat ukončení životnosti Pythonu

Materiály

• Dokumentace k Pythonu podle verze

Conda – úplné přesměrování

K tomuto problému může dojít, když jste na příkazovém řádku zadali balíček pomocí "<" nebo ">" bez použití uvozovek. Tato syntaxe může způsobit selhání vytváření nebo aktualizace prostředí Conda.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Přidání uvozovek kolem specifikace balíčku

• Můžete třeba změnit conda install -y pip<=20.1.1 na conda install -y "pip<=20.1.1".

Chyba dekódování UTF-8

K tomuto problému může dojít, když ve specifikaci conda dojde k dekódování znaku. 

Možné příčiny:

• Váš soubor conda YAML obsahuje znaky, které nejsou kompatibilní s UTF-8.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Problémy s pipem během sestavování

Instalace balíčků se nezdařila.

K tomuto problému může dojít v případě, že sestavení image selže během instalace balíčku Pythonu.

Možné příčiny:

• Existuje mnoho problémů, které by mohly způsobit tuto chybu.
• Tato zpráva je obecná a zobrazuje se, když analýza služby Azure Machine Learning zatím nepokrývá chybu, se kterou se setkáváte.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Další informace o selhání sestavení image najdete v protokolu sestavení.

Pokud chcete analyzovat chybu, ke které dochází, nechte zpětnou vazbu pro tým Služby Azure Machine Learning.

• Vytvoření problému nebo návrhu

Balíček nejde odinstalovat

K tomuto problému může dojít v případě, že pip neodinstaluje balíček Pythonu, který nainstaloval správce balíčků operačního systému.

Možné příčiny:

• Existující problém s pipem nebo problematická verze pipu
• Problém způsobený tím, že nepoužíváte izolované prostředí

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Přečtěte si následující informace a zjistěte, jestli existující problém s pipem způsobil vaši chybu.

• Při vytváření image Dockeru se nedá odinstalovat
• Problém s částečnou odinstalací pip 10 disutils
• Pip 10 už neodinstaluje balíčky disutils

Vyzkoušejte následující:

pip install --ignore-installed [package]

Zkuste vytvořit samostatné prostředí pomocí conda.

Neplatný operátor

K tomuto problému může dojít v případě, že pip nenainstaluje balíček Pythonu kvůli neplatnému operátoru nalezeného v požadavku.

Možné příčiny:

• V požadavku balíčku Pythonu byl nalezen neplatný operátor.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

• Ujistěte se, že jste balíček zadali správně a že zadaná verze existuje.
• Ujistěte se, že je specifikátor verze balíčku správně naformátovaný a že používáte platné relační operátory. Viz specifikátory verzí
• Nahraďte neplatný operátor operátorem doporučeným v chybové zprávě.

Žádná odpovídající distribuce

K tomuto problému může dojít, když se nenajde žádný balíček, který odpovídá zadané verzi.

Možné příčiny:

• Nesprávně jste napsali název balíčku.
• Balíček a verze se nedají najít v kanálech nebo kanálech, které jste zadali.
• Zadaná verze neexistuje.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

• Ujistěte se, že jste balíček zadali správně a že existuje.
• Ujistěte se, že verze, kterou jste zadali pro balíček, existuje.
• Spusťte pip install --upgrade pip a znovu spusťte původní příkaz.
• Ujistěte se, že pip, který používáte, může instalovat balíčky pro požadovanou verzi Pythonu. Podívejte se, jestli mám používat pip nebo pip3?

Materiály

• Spuštění pipu
• pypi
• Instalace modulů Pythonu

Neplatný název souboru kolečka

K tomuto problému může dojít, když jste nesprávně zadali soubor kola.

Možné příčiny:

• Název souboru kola jste napsali nesprávně nebo jste použili nesprávné formátování.
• Zadaný soubor kola nebyl nalezen.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

• Ujistěte se, že jste správně zadali název souboru a že existuje.
• Ujistěte se, že sledujete formát názvů souborů kol.

Problémy

Nebyly zadány žádné cíle a nebyl nalezen žádný soubor pravidel.

K tomuto problému může dojít, pokud jste nezadali žádné cíle a při spuštění makenebyl nalezen žádný soubor pravidel .

Možné příčiny:

• Soubor pravidel v aktuálním adresáři neexistuje.
• Nejsou zadány žádné cíle.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

• Ujistěte se, že jste správně zadali soubor pravidel.
• Ujistěte se, že soubor pravidel existuje v aktuálním adresáři.
• Pokud máte vlastní soubor pravidel, zadejte ho pomocí make -f custommakefile
• Určení cílů v souboru pravidel nebo v příkazovém řádku
• Konfigurace sestavení a vygenerování souboru pravidel
• Ujistěte se, že jste soubor pravidel naformátovali správně a že jste pro odsazení použili tabulátory.

Materiály

• GNU Make

Problémy s kopírováním

Soubor nenalezen

K tomuto problému může dojít, když Docker nenajde a zkopíruje soubor.

Možné příčiny:

• Zdrojový soubor nebyl v kontextu sestavení Dockeru nalezen.
• Zdrojový soubor vyloučený .dockerignore

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Došlo k selhání, protože se při spouštění úloh implicitně v prvním kroku sestavuje prostředí.

Postup při řešení potíží

• Ujistěte se, že zdrojový soubor existuje v kontextu sestavení Dockeru.
• Ujistěte se, že zdrojové a cílové cesty existují a jsou správně napsané.
• Ujistěte se, že zdrojový soubor není uvedený v .dockerignore aktuálních a nadřazených adresářích.
• Odeberte všechny koncové komentáře ze stejného řádku jako COPY příkaz.

Materiály

• Docker COPY
• Kontext sestavení Dockeru

Problémy s apt-get

Spuštění příkazu apt-get se nezdařilo.

K tomuto problému může dojít, když se apt-get nepodaří spustit.

Možné příčiny:

• Problém s připojením k síti, který může být dočasný
• Poškozené závislosti související s balíčkem, na kterém spouštíte apt-get
• Nemáte správná oprávnění k použití příkazu apt-get.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Došlo k selhání, protože se při spouštění úloh implicitně v prvním kroku sestavuje prostředí.

Postup při řešení potíží

• Kontrola síťového připojení a nastavení DNS
• Spuštěním zkontrolujte apt-get check poškozené závislosti.
• Spusťte apt-get update a znovu spusťte původní příkaz.
• Spusťte příkaz s příznakem -f , který se pokusí vyřešit problém pocházející z poškozených závislostí.
• Spusťte příkaz s oprávněními sudo , například sudo apt-get install <package-name>

Materiály

• Správa balíčků pomocí APT
• Ubuntu Apt-Get
• Co dělat, když se apt-get nezdaří
• příkaz apt-get v Linuxu s příklady

Problémy s nabízenými oznámeními Dockeru

Uložení image Dockeru se nezdařilo.

K tomuto problému může dojít, když dojde k chybě při nahrání image Dockeru do registru kontejneru.

Možné příčiny:

• Došlo k přechodnému problému s ACR přidruženým k pracovnímu prostoru.
• Registr kontejneru za virtuální sítí používá privátní koncový bod v nepodporované oblasti.

Ovlivněné oblasti (příznaky):

• Selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Pokud se domníváte, že selhání je přechodným problémem se službou Azure Container Registry (ACR) pracovního prostoru, zkuste sestavení prostředí zopakovat.

Pokud je registr kontejneru za virtuální sítí nebo používá privátní koncový bod v nepodporované oblasti

• Nakonfigurujte registr kontejneru pomocí koncového bodu služby (veřejný přístup) z portálu a zkuste to znovu.
• Po umístění registru kontejneru za virtuální síť spusťte šablonu Azure Resource Manageru, aby pracovní prostor mohl komunikovat s instancí registru kontejneru.

Pokud nepoužíváte virtuální síť nebo pokud jste ji nakonfigurovali správně, otestujte správnost přihlašovacích údajů pro službu ACR pokusem o jednoduché místní sestavení.

• Získání přihlašovacích údajů pro ACR pracovního prostoru z webu Azure Portal
• Přihlaste se k ACR pomocí docker login <myregistry.azurecr.io> -u "username" -p "password"
• V případě image "helloworld" otestujte nasdílením změn do služby ACR spuštěním příkazu docker push helloworld
• Viz Rychlý start: Sestavení a spuštění image kontejneru pomocí úloh služby Azure Container Registry

Neznámý příkaz Dockeru

Neznámá instrukce Dockeru

K tomuto problému může dojít, když Docker nerozpozná instrukce v souboru Dockerfile.

Možné příčiny:

• Neznámá instrukce Dockeru používaná v souboru Dockerfile
• Váš soubor Dockerfile obsahuje neplatnou syntaxi.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Došlo k selhání, protože se při spouštění úloh implicitně v prvním kroku sestavuje prostředí.

Postup při řešení potíží

• Ujistěte se, že je příkaz Dockeru platný a správně napsaný.
• Ujistěte se, že je mezi příkazem Dockeru a argumenty mezera.
• Ujistěte se, že v souboru Dockerfile nejsou žádné nepotřebné prázdné znaky.
• Ujistěte se, že je soubor Dockerfile správně naformátovaný a je kódovaný v UTF-8.

Materiály

• Referenční informace k souboru Dockerfile

Příkaz nebyl nalezen.

Příkaz se nerozpoznal

K tomuto problému může dojít, když se nerozpozná spuštění příkazu.

Možné příčiny:

• Před pokusem o spuštění příkazu jste příkaz nenainstalovali přes soubor Dockerfile.
• Nezahrnuli jste příkaz do cesty nebo jste ho do cesty nepřidali.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Došlo k selhání, protože se při spouštění úloh implicitně v prvním kroku sestavuje prostředí.

Kroky pro řešení potíží – Před pokusem o spuštění příkazu se ujistěte, že máte krok instalace pro příkaz v souboru Dockerfile.

• Zkontrolovat tento příklad

Pokud jste se pokusili nainstalovat příkaz a dochází k tomuto problému, ujistěte se, že jste do cesty přidali příkaz.

• Zkontrolovat tento příklad
• Přečtěte si, jak nastavit proměnné prostředí v souboru Dockerfile.

Různé problémy se sestavením

Protokol sestavení není k dispozici.

Možné příčiny:

• Azure Machine Learning nemá oprávnění k ukládání protokolů sestavení do účtu úložiště
• Při ukládání protokolů sestavení došlo k přechodné chybě.
• Před aktivací sestavení image došlo k systémové chybě.

Ovlivněné oblasti (příznaky):

• Úspěšné sestavení, ale žádné dostupné protokoly.
• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Selhání při spouštění úloh, protože Azure Machine Learning implicitně sestavuje prostředí v prvním kroku.

Postup při řešení potíží

Opětovné sestavení může problém vyřešit, pokud je přechodný.

Obrázek nebyl nalezen.

K tomuto problému může dojít v případě, že zadaná základní image nebyla nalezena.

Možné příčiny:

• Obrázek jste zadali nesprávně.
• Zadaná image v registru, který jste zadali, neexistuje.

Ovlivněné oblasti (příznaky):

• Došlo k selhání při sestavování prostředí z uživatelského rozhraní, sady SDK a rozhraní příkazového řádku.
• Došlo k selhání, protože se při spouštění úloh implicitně v prvním kroku sestavuje prostředí.

Postup při řešení potíží

• Ujistěte se, že je základní obrázek napsaný a správně naformátovaný.
• Ujistěte se, že základní image, kterou používáte, existuje v registru, který jste zadali.

Materiály

• Základní image služby Azure Machine Learning