Os comandos e o código permanecem em inglês em todos os idiomas. Substitua os marcadores em maiúsculas pelos valores da sua conta e da sua tarefa paga; não cole chaves reais em cadernos partilhados nem em registos.
Diagnosticar antes de tentar novamente
- Localizar Acesso, dados, computação ou resultados
- Inspecionar Estado e diagnósticos expurgados
- Corrigir Resolver a falha real
- Recuperar Retoma segura ou nova execução revista
Localizar: Acesso, dados, computação ou resultados. Inspecionar: Estado e diagnósticos expurgados. Corrigir: Resolver a falha real. Recuperar: Retoma segura ou nova execução revista
Distinguir problemas de acesso de problemas do ambiente
Para a API, consulte o estado HTTP, o ID da tarefa ou sessão pertencente à conta, o âmbito da conta e o período de acesso pago. Antes de executar TrainingProject, confirme a compatibilidade e reveja o plano. Uma chave não fornece memória GPU nem acesso a recursos de outra conta. Ao pedir ajuda ao suporte, partilhe apenas diagnósticos expurgados.
- Registe a versão do pacote, o ambiente, o ID da sessão/execução, o código de erro e a última operação concluída com êxito.
- Não repita todos os pedidos POST após uma falha de ligação; o servidor pode já os ter aceite.
- Os comandos de diagnóstico permitem investigar sem iniciar um treino nem revelar credenciais.
| Campo ou interface | Tipo ou resultado | Predefinição ou código de saída | Comportamento e validação |
|---|---|---|---|
401 |
HTTP |
Obrigatório / sem predefinição | Verifique a validade da chave sem a apresentar; utilize o processo de credenciais aprovado da conta. |
403 |
HTTP |
Obrigatório / sem predefinição | Verifique o âmbito ai:training, o acesso pago, a titularidade e a elegibilidade; não contorne os controlos de acesso. |
404 |
HTTP |
Obrigatório / sem predefinição | Verifique o UUID próprio exato e o endpoint; os recursos de outra conta têm de continuar inacessíveis. |
409 |
HTTP |
Obrigatório / sem predefinição | Leia o estado atual da sessão antes de outra escrita. A preparação pode já ter bloqueado a referência. |
422 |
HTTP |
Obrigatório / sem predefinição | Corrija os erros de validação por campo devolvidos; não envie preços nem configurações não aprovadas. |
429 |
HTTP |
Obrigatório / sem predefinição | Respeite os limites de pedidos e o intervalo de espera para novas tentativas de leituras seguras; nunca transforme a limitação num ciclo de tentativas sem fim. |
5xx / timeout |
HTTP |
Obrigatório / sem predefinição | Leia o estado atual antes de repetir uma escrita. Tentativas GET limitadas não autorizam a duplicação da preparação ou do treino. |
# 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.Recuperar a computação, os dados e os relatórios
Identifique se o problema ocorreu antes da otimização, durante o treino ou depois da criação de um artefacto válido. TrainingProject retoma uma execução a partir de pontos de controlo validados do projeto; o fluxo legado de sessões é independente e não importa esse estado. Consulte o instantâneo e os relatórios antes de repetir uma gravação ou criar outro diretório de saída.
- Não contorne as impressões digitais dos dados ou do modelo nem as verificações de propriedade para fazer passar uma nova tentativa.
- Reduzir o lote, alterar a precisão ou aumentar o orçamento modifica o plano; reveja um novo plano e inicie outra execução em vez de forçar uma recuperação incompatível.
- Mantenha os resultados válidos e remova apenas os ficheiros temporários pertencentes à execução que falhou.
| Campo ou interface | Tipo ou resultado | Predefinição ou código de saída | Comportamento e validação |
|---|---|---|---|
out_of_memory |
runtime |
Obrigatório / sem predefinição | Inspecione o tamanho do modelo, a precisão e o lote por dispositivo. Reveja um novo plano compatível; não altere silenciosamente uma execução retomada. |
dataset_integrity |
data |
Obrigatório / sem predefinição | Compare os bytes, as linhas e o SHA-256 esperados. Pare se não corresponderem e obtenha o conjunto de dados próprio correto. |
checkpoint_mismatch |
recovery |
Obrigatório / sem predefinição | Restaure exatamente as entradas fixadas ou inicie uma nova execução. A retoma rejeita qualquer diferença nas impressões digitais do modelo, dos dados, da configuração, do avaliador ou da topologia. |
budget_exhausted |
budget |
Obrigatório / sem predefinição | Preserve o estado válido mais recente. Um orçamento superior exige um plano revisto em separado. |
no_progress |
quality |
Obrigatório / sem predefinição | Inspecione a qualidade dos dados e as competências em falta; depois pare dentro do limite de ciclos. Não repita indefinidamente. |
regression |
quality |
Obrigatório / sem predefinição | Compare as competências da linha de base retidas e os critérios falhados. Não esconda uma regressão prejudicial através de médias. |
report_failed |
service |
Obrigatório / sem predefinição | Mantenha o artefacto local válido. Consulte o estado do serviço e concilie o relatório quando autorizado, em vez de repetir o treino. |
export_invalid |
artifact |
Obrigatório / sem predefinição | Inspecione a ligação entre o modelo-base e o tokenizador, os caminhos dos ficheiros e as somas de verificação; não publique até o recarregamento ser bem-sucedido. |
# 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.Descrever honestamente um objetivo não cumprido
Uma perda de validação mais baixa não demonstra, por si só, a capacidade pedida. Analise as tarefas reservadas, a linha de base, o desempenho por tema, as competências retidas e as fugas de dados. Pare quando a melhoria estagnar ou surgir uma regressão. Ajuste o objetivo ou os dados num novo plano revisto, em vez de consumir recursos repetidamente com a mesma configuração falhada.
- Procure temas em falta, etiquetas incorretas, itens de teste duplicados e incompatibilidades do tokenizador.
- Registe os critérios que falharam e a parte do orçamento aprovado que foi utilizada.
- Um modelo que não cumpre os critérios pode ainda ter um artefacto que se pode conservar, mas não deve ser apresentado como um modelo aceite para produção.
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.