Azure / Azure/MachineLearningNotebooks

ParallelRunStep with CSV input introduces duplicate rows

Abierto
#1,703 1 comentario 0 reacciones 0 asignados Ver en GitHub
Lenguaje dominante
Jupyter Notebook
Estrellas
4.4k
Forks
2.6k
Métricas de merge de PR
Sin PR fusionados en 30 d

Descripción

Using AzureML, ParallelRunStep with a CSV file input, I run Shapley explanations (SHAP package) in parallel on a cluster. I see the actual mini batches run are greater than expected, leading to extra rows in the output file.

The cluster is a 10 node Standard_D64_v3 created 2/28/2022 (I have destroyed and recreated the cluster and seen the same issue).

The metric Total Mini Batches is present by default. I also log the batch size in my script, and in this way I get one metric per mini batch.
Here are my observations:

* The input CSV has no duplicate row IDs
* The file produced by ParallelRunStep has duplicate IDs
* The run completes successfully
* The number of the batch size entries is greater than total mini batches expected. The difference between these 2 is usually the exact number of extra rows.

I work around this by forcing uniqueness in the output file; however this is not ideal for large datasets.

Guía de contribución

No hay ninguna guía de contribución indexada para este repositorio

Línea de trabajo

Comienza reproduciendo la ejecución de AzureML ParallelRunStep descrita, con una entrada CSV, la métrica de tamaño de lote registrada y el clúster de 10 nodos Standard_D64_v3. Compara el número esperado de mini-lotes con los ID de las filas de salida y determina cuándo se produce un procesamiento duplicado; se considera completado cuando la ejecución produce el número esperado de lotes y no hay ID duplicados.

Escrito por el modelo de indexación a partir del texto del issue.

Evaluación

Stack tecnológico
azure, python
Área
distributed-systems, machine-learning
Tipo de issue
Error
Dificultad
4/5
Tiempo estimado
3-5 días
Estado de actividad
Estancado
Claridad
Necesita aclaración
Aptitud para principiantes
30/100

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.