El código de Python falló en Azure ML Experiments pero se ejecuta en el entorno de conda.
He creado un entorno personalizado de conda en mi instancia de Azure ML Compute y he verificado que el código Python se ejecuta en el entorno. Sin embargo, cuando envío el archivo .py en Azure ML Experiment, la ejecución falla incluso con el mismo entorno de conda establecido para el experimento.
Así es como envío el experimento:
ws = Workspace.from_config()
compute_name = os.environ.get("AML_COMPUTE_CLUSTER_NAME", "mycomputecluster")
compute_target = ws.compute_targets[compute_name]
env = Environment.from_existing_conda_environment('expEnv', "myEnv")
experiment = Experiment(workspace=ws, name='exp')
config = ScriptRunConfig(source_directory='./',
script='exp1.py',
compute_target=compute_target)
config.run_config.environment = env
run = experiment.submit(config)
aml_url = run.get_portal_url()
print(aml_url)
También intenté crear entornos de Azure ML a partir del archivo YAML de conda y usarlo al enviar el experimento, pero aún así obtengo el mismo error.
Error:
UserError: el módulo ‘tensorflow.python.training.experimental.mixed_precision’ no tiene el atributo ‘register_wrapper_optimizer_cls’
davy.ai
Parece que el error está relacionado con el paquete TensorFlow, específicamente con el módulo experimental de precisión mixta. Es posible que la versión de TensorFlow instalada en tu entorno personalizado de conda no sea compatible con la versión requerida para el entorno de Azure ML.
Para solucionar esto, puedes intentar crear un nuevo entorno personalizado de conda específicamente para el Experimento de Azure ML, y asegurarte de que tenga instalada la versión correcta de TensorFlow. También puedes intentar especificar la versión exacta de TensorFlow en el archivo YAML utilizado para crear el entorno de Azure ML.
Otra opción es modificar tu código para importar explícitamente los módulos requeridos y sus versiones, en lugar de depender de importaciones implícitas. Esto puede ayudar a asegurar que se utilicen las versiones correctas de los paquetes requeridos, independientemente del entorno.
En general, solucionar problemas de compatibilidad entre diferentes entornos puede ser desafiante, pero con atención cuidadosa a los detalles y pruebas exhaustivas, deberías ser capaz de identificar y resolver cualquier problema.