بازدان بۆ ناوەڕۆکی سەرەکی
بەشەکانی ڕێنمایی ڕاهێنان هەموو بەڵگەنامەکان

چارەسەری کێشەی ڕاهێنان و گەڕاندنەوەی هەڵە

شکستی دەستگەیشتن، داتا، GPU، checkpoint، ڕاپۆرت، هەناردە و کوالێتی چارەسەر بکە بێ دووبارەکردنەوەی کوێرانەی کاری گران.

بەشەکانی ڕێنمایی ڕاهێنان

فەرمان و کۆد لە هەموو زمانێکدا بە ئینگلیزی دەمێننەوە. جێگرەوە گەورەنووسەکان بە بەهای هەژمار و کاری پارەدراوی خۆت بگۆڕە؛ کلیلی ڕاستەقینە لە نۆتبووکی هاوبەش یان تۆمارەکاندا مەنووسە.

پێش دووبارەکردنەوە دیباگ بکە

پێش دەستپێکردنەوە دۆخی ئێستا بخوێنەوە و کاری دروست بپارێزە.
  1. دۆزینەوە دەستگەیشتن، داتا، ژمێریار یان دەرچوون
  2. پشکنین دۆخ و diagnosticsی بێ‌نهێنی
  3. چاککردن شکستی ڕاستەقینە چارەسەر بکە
  4. گەڕاندنەوە Resumeی پارێزراو یان ڕاکردنی نوێی پێداچوونەوەکراو

شکستی دەستگەیشتن لە شکستی runtime جیا بکەرەوە

دۆخی HTTP، job یان ناسنامەی ڕاکردنی خاوەنداریکراو، مەودای هەژمار و دەستگەیشتنی پارەدراوی سەرچاوە بپشکنە. بۆ جێبەجێکردنی ناوخۆ، پێش دەستپێکردن گونجانی ئادا‌پتەر و پلانی پێداچوونەوەکراو بپشکنە. کلیل بیرگەی GPU دابین ناکات و مافی بەکارهێنانی سەرچاوەی هەژمارێکی تر نادات. لە کاتی داوای پشتگیری تەنها diagnosticsی بێ‌نهێنی هاوبەش بکە.

  • وەشانی پاکێج، runtime، ناسنامەی session/run، کۆدی هەڵە و دواترین کردارە سەرکەوتووەکە تۆمار بکە.
  • دوای پچڕانی پەیوەندی هەر POSTێک دووبارە مەکەوە؛ لەوانەیە سێرڤەر پێشتر وەریگرتبێت.
  • فەرمانی diagnostics تەنها metadataی ناوخۆیی دەپشکنێت و ناسنامەنهێنی نیشان نادات.
شکستەکانی HTTP
خانە یان ڕووکارجۆر یان ئەنجامبنەڕەت یان کۆدی دەرچوونهەڵسوکەوت و پشتڕاستکردنەوە
401 HTTP پێویست / بەبێ بنەڕەت بێ پیشاندانی کلیل دروستییەکەی بپشکنە؛ ڕەوتی پەسەندکراوی هەژمار بۆ ناسنامە بەکاربهێنە.
403 HTTP پێویست / بەبێ بنەڕەت مەودای ai:training، دەستگەیشتنی پارەدراو، خاوەندارێتی و شایستەیی بپشکنە؛ کۆنترۆڵی دەستگەیشتن مەگوزەرەوە.
404 HTTP پێویست / بەبێ بنەڕەت UUID و خاڵی کۆتاییی خاوەنداریکراو پشتڕاست بکەرەوە؛ سەرچاوەی هەژمارێکی تر دەبێت نەبینراو بمێنێتەوە.
409 HTTP پێویست / بەبێ بنەڕەت پێش نووسینی نوێ دۆخی sessionی ئێستا بخوێنەوە. لەوانەیە ئامادەکاری سەرچاوەکەی قفڵ کردبێت.
422 HTTP پێویست / بەبێ بنەڕەت هەڵەی پشتڕاستکردنەوەی خانەی گەڕێندراو چاک بکە؛ نرخ یان ڕێکخستنی پەسەندنەکراو مەبنێرە.
429 HTTP پێویست / بەبێ بنەڕەت سنووری داواکاری ڕەچاو بکە و دواخستنی دووبارەکردنەوەی خوێندنەوەی پارێزراو جێبەجێ بکە؛ throttling مەگۆڕە بۆ retryی بێ‌کۆتایی.
5xx / timeout HTTP پێویست / بەبێ بنەڕەت پێش دووبارەکردنەوەی نووسین دۆخی ئێستا بخوێنەوە. retryی سنوورداری GET مۆڵەتی دووبارەکردنەوەی ئامادەکاری یان ڕاهێنان نییە.
نموونە · bash 
# Inspect package metadata, not credentials or private dataset contents.
python -m pip show fusionpointai-training
python -m pip check
# On NVIDIA hosts where nvidia-smi is installed:
nvidia-smi
# Keep the local report; never dump env, auth headers or provider responses.
# The documentation does not launch these commands for you.

ژمێریار، داتا و ڕاپۆرت بگەڕێنەوە

دیاری بکە کێشە پێش باشترکردن، لە کاتی ڕاهێنان یان دوای دروستبوونی بەرهەمێکی دروست ڕوویداوە. TrainingProject لە checkpointی پشتڕاستکراوی پڕۆژەوە resume دەکات؛ ڕەوتی sessionی کۆن جیاوازە و دۆخی گەڕاندنەوەی پڕۆژە هاوردە ناکات. پێش دووبارەکردنەوەی نووسین یان دروستکردنی بوخچەی دەرچوونی نوێ، وێنەی دۆخی ڕاکردن و ڕاپۆرتەکان بخوێنەوە.

  • هەرگیز لە hashی کۆمەڵەداتا، fingerprintی مۆدێل یان پشکنینی خاوەندارێتی دەرباز مەبە.
  • گۆڕینی قەبارەی batch، وردی یان بودجە پلان دەگۆڕێت؛ بۆ گەڕاندنەوەی ناگونجاو ڕاکردنی نوێ بەکاربهێنە.
  • دەرچوونی دروستی بەسوود بپارێزە و تەنها پەڕگەی کاتیی خاوەنداریکراوی ڕاکردن بسڕەوە.
ڕاهێنان و diagnosticsی گەیاندن
خانە یان ڕووکارجۆر یان ئەنجامبنەڕەت یان کۆدی دەرچوونهەڵسوکەوت و پشتڕاستکردنەوە
out_of_memory runtime پێویست / بەبێ بنەڕەت قەبارەی مۆدێل، وردی و batchی هەر ئامێر بپشکنە. پلانی نوێی گونجاو پێداچوونەوە بکە؛ ڕاکردنی resumeکراو بە بێدەنگی مەگۆڕە.
dataset_integrity data پێویست / بەبێ بنەڕەت بایت، ڕیز و SHA-256ی چاوەڕوانکراو بەراورد بکە. لە ناهاوتاییدا بوەستە و کۆمەڵەداتای دروستی خاوەنداریکراو وەربگرە.
checkpoint_mismatch recovery پێویست / بەبێ بنەڕەت تێخستنی pinکراوی ورد بگەڕێنەوە یان ڕاکردنی نوێی پڕۆژە دەست پێبکە. هەرگیز checkpointی ناهاوتا بە زۆر مەکە و checkpointی session هاوردە مەکە.
budget_exhausted budget پێویست / بەبێ بنەڕەت دۆخی دروستی دواهەمین checkpoint بپارێزە. بودجەی گەورەتر پلانی جیاوازی پێداچوونەوەکراو دەوێت.
no_progress quality پێویست / بەبێ بنەڕەت کوالێتیی داتا و توانای ون بپشکنە و لە سنووری بازنەدا بوەستە؛ بێ‌کۆتایی دووبارەی مەکەوە.
regression quality پێویست / بەبێ بنەڕەت توانای بنەمای پارێزراو و پێوەری شکست‌هێناو بەراورد بکە. دواگەڕانی زیانبەخش بە ناوەندی مەشارەوە.
report_failed service پێویست / بەبێ بنەڕەت بەرهەمی ناوخۆییی دروست بپارێزە. دۆخی خزمەتگوزاری بخوێنەوە و کاتێک ڕێگەپێدراوە ڕاپۆرتکردن هاوتا بکەرەوە، نەک ڕاهێنان دووبارە بکەوە.
export_invalid artifact پێویست / بەبێ بنەڕەت بەستەری مۆدێلی بنەڕەت/tokenizer، ڕێڕەوی پەڕگە و checksum بپشکنە؛ تا بارکردنەوە سەرکەوتوو نەبوو بڵاوی مەکەرەوە.
نموونە · bash 
# Recover an interrupted run without starting it twice.
fpai-training status --run ./german-project/runs/german-001
# paused + valid atomic checkpoint -> resume the same pinned plan.
fpai-training resume --run ./german-project/runs/german-001
# fingerprint mismatch -> restore matching data/config; NEVER force resume.
# budget change -> create a NEW run and reviewed plan, retaining prior reports.
# no valid checkpoint -> start a NEW output directory, not a fake resume.

ئامانجی جێبەجێنەکراو بە ڕاستگۆیی مامەڵەی لەگەڵ بکە

کەمبوونی validation loss بە تەنها توانای داواکراو نایسەلمێنێت. ئەرکی لادراو، بنەما، کاراییی هەر بابەت، توانای پارێزراو و دەرچوونی داتا بپشکنە. کاتێک باشترکردن وەستاوە یان دواگەڕان دەرکەوت، بوەستە. ئامانج یان داتا لە پلانی نوێی پێداچوونەوەکراودا بگۆڕە، نەک بەردەوام سەرچاوە بۆ هەمان ڕێکخستنی شکست‌هێناو بەکاربهێنە.

  • پۆششی بابەتی ون، labelی هەڵە، توخمە تاقیکردنەوەی دووبارە و ناهاوتایی tokenizer بپشکنە.
  • پێوەری شکست‌هێناو و بڕی بودجەی پەسەندکراوی بەکارهاتوو تۆمار بکە.
  • مۆدێلی تێپەڕنەبووی قبوڵکردنیش لەوانەیە بەرهەمێکی پارێزراوی هەبێت؛ نابێت وەک مۆدێلی بەرهەمهێنانی پەسەندکراو پیشان بدرێت.
نموونە · text 
SDK 0.2.0 QUALITY DIAGNOSTICS
1. Compare untouched baseline and final model on identical held-out tasks.
2. Examine each criterion and retained capability, not an average alone.
3. Reject data overlap and examples leaked to the teacher.
4. Check label quality, topic coverage, class balance and tokenizer compatibility.
5. Use remaining approved cycles only; stop for no_progress or regression.
6. Preserve unmet_criteria and the latest valid artifact after a failed target.
7. Revise data/objective/budget in a NEW reviewed plan before a new run.
Never report accepted merely because loss decreased or a script exited normally.