from azureml.core.runconfig import RunConfiguration
from azureml.core.conda_dependencies import CondaDependencies
run_config = RunConfiguration()
run_config.environment.python.conda_dependencies = CondaDependencies.create(conda_packages=['tensorflow==1.12.0'])
Numpy 失败
import numpy 在 Windows 中失败：在某些 Windows 环境中，最新的 Python 3.6.8 版本加载 numpy 时会出现错误。 如果出现此问题，请尝试使用 Python 3.6.7 版本。
import numpy 失败：在自动化 ML conda 环境中检查 TensorFlow 版本。 支持的版本为低于 1.13 的版本。 如果版本不低于 1.13，请从环境中卸载 TensorFlow。
可以按下面的方式检查 TensorFlow 的版本并卸载：
启动命令 shell，激活安装了自动化 ML 包的 conda 环境。
输入 pip freeze 并查找 tensorflow，如果找到，则列出的版本应低于 1.13
如果列出的版本不受支持，请在命令行界面中使用 pip uninstall tensorflow，并输入 y 进行确认。
jwt.exceptions.DecodeError
确切的错误消息：jwt.exceptions.DecodeError: It is required that you pass in a value for the "algorithms" argument when calling decode()。
对于不高于 1.17.0 的 SDK 版本，安装可能会导致 PyJWT 的版本不受支持。 检查自动 ml conda 环境中的 PyJWT 版本是否是受支持的版本。 即 PyJWT 版本低于 2.0.0。
可以按下面的方式检查 PyJWT 的版本：
启动命令 shell，并激活安装了自动化 ML 包的 conda 环境。
输入 pip freeze 并查找 PyJWT，如果找到，则列出的版本应低于 2.0.0
如果列出的版本不是受支持的版本：
请考虑升级到 AutoML SDK 的最新版本：pip install -U azureml-sdk[automl]
如果这不可行，请从环境中卸载 PyJWT，并安装正确的版本，如下所示：
在命令行界面中输入 pip uninstall PyJWT，然后输入 y 进行确认。
使用 pip install 'PyJWT<2.0.0' 进行安装。
对于自动化 ML 作业，需要确保连接到 AzureFile 存储的文件数据存储具有适当的身份验证凭据。 否则，将显示以下消息。 了解如何更新数据访问身份验证凭据。
错误消息：Could not create a connection to the AzureFileService due to missing credentials. Either an Account Key or SAS token needs to be linked the default workspace blob store.
尝试使用 Azure 机器学习工作室中的“编辑并提交”按钮新建自动化 ML 试验时，新试验的数据架构必须与初始试验中所用的数据架构相匹配。 否则将显示与以下内容类似的错误消息。 详细了解如何从工作室 UI 编辑并提交试验。
错误消息非视觉试验： Schema mismatch error: (an) additional column(s): "Column1: String, Column2: String, Column3: String", (a) missing column(s)
视觉数据集的错误消息：Schema mismatch error: (an) additional column(s): "dataType: String, dataSubtype: String, dateTime: Date, category: String, subcategory: String, status: String, address: String, latitude: Decimal, longitude: Decimal, source: String, extendedProperties: String", (a) missing column(s): "image_url: Stream, image_details: DataRow, label: List" Vision dataset error(s): Vision dataset should have a target column with name 'label'. Vision dataset should have labelingProjectType tag with value as 'Object Identification (Bounding Box)'.
Databricks
请参阅如何使用 Databricks（Azure 机器学习 SDK v1）配置自动化 ML 试验。
预测 R2 评分始终为零
如果提供的训练数据的时间序列包含的值与上一个 n_cv_splits + forecasting_horizon 数据点相同，则会出现此问题。
如果该模式在你的时序中是预期的，可将主要指标切换为“规范化均方根误差”。
对于版本早于 1.18.0 的 SDK，为部署创建的基本映像可能会失败，并出现以下错误：ImportError: cannot import name cached_property from werkzeug。
以下步骤可解决此问题：
下载模型包
将包解压缩
使用解压缩资产进行部署
Azure Functions 应用程序
自动化 ML 当前不支持 Azure Functions 应用程序。
示例笔记本失败
如果示例笔记本失败，并出现属性、方法或库不存在的错误：
确保在 Jupyter Notebook 中选择了正确的内核。 内核显示在笔记本页面的右上方。 默认值为 azure_automl。 内核作为笔记本的一部分进行保存。 如果切换到新的 conda 环境，则需要在笔记本中选择新内核。
对于 Azure Notebooks，它应为 Python 3.6。
对于本地 conda 环境，它应为在 automl_setup 中指定的 conda 环境名称。
确保笔记本适用于正在使用的 SDK 版本，
通过在 Jupyter Notebook 单元中执行 azureml.core.VERSION 来检查 SDK 版本。
可以通过以下步骤从 GitHub 下载示例笔记本的早期版本：
- 选择
Branch 按钮
- 导航到“扩展”选项卡
如果自动化 ML 试验超过 100 次，这可能会导致新的自动化 ML 试验的运行时间较长。
VNet 防火墙设置下载失败
如果在虚拟网络 (VNet) 下，则在使用 AutoML NLP 时可能会遇到模型下载失败。 这是因为网络流量被阻止从 Azure CDN 下载模型和 tokenizer。 若要取消阻止，请在 VNet 防火墙策略的“应用程序规则”设置中允许列出以下 URL：
aka.ms https://automlresources-prod.azureedge.net 请按照此处的说明配置防火墙设置。
此处提供了有关在 vnet 下配置工作区的说明。
详细了解如何使用自动化机器学习训练回归模型或如何使用自动化机器学习对远程资源进行训练。
详细了解如何以及在何处部署模型。
