Python 使用Azure机器学习服务培训大型模型时，如何克服培训异常？

我正在训练一个大型ish模型，试图在Azure笔记本中使用它

因此，我创建了一个

估计器

，用于本地培训：

from azureml.train.estimator import Estimator

estimator = Estimator(source_directory='./source_dir',
                      compute_target='local',
                      entry_script='train.py')

（my

train.py

应该从一个大的字向量文件开始加载和训练）

当与

run = experiment.submit(config=estimator)

我明白了

培训例外：

====================================================================

在尝试拍摄快照时 /数据/主页/用户名/笔记本/源目录您的总数 快照大小超过300.0 MB的限制。请看 关于如何处理大文件

====================================================================

错误中提供的链接很可能存在。 我的

/source\u目录中的内容确实超过了300 MB。

如何解决这个问题？
您可以将培训文件放在
源目录
之外，这样它们就不会在提交实验时被上传，然后分别上传到数据存储（基本上使用与您的工作区相关联的Azure存储）。然后，您只需从
train.py
中引用培训文件即可

有关如何将数据上载到数据存储，然后从培训文件访问数据的示例，请参见。
在我阅读GitHub问题和Azure ML服务的官方文档后，我认为这是一个未知问题，需要等待Azure修复

同时，我建议您可以尝试将当前工作迁移到其他服务，上载数据集和代码，然后在HDInsight Spark Cluster上的Azure DataRicks笔记本中运行，而无需担心内存或存储限制。您可以在Azure Databricks上参考Azure ML。
谢谢！虽然这可能是错误的行为，但公认的答案让我避免了问题中的错误。虽然Databricks是一个很酷的选择，但我想探索Azure ML服务。嗨，Vlad，我正在尝试从数据存储注册一个大型模型，而不是将其上载到locallt-你对此有什么建议吗？-看见