Dokumentation zu AI Platform Training

Mit AI Platform Training stehen Ihnen das Potential und die Flexibilität von TensorFlow, scikit-learn, XGBoost und benutzerdefinierten Containern in der Cloud zur Verfügung. Mithilfe von AI Platform Training können Sie Ihre Modelle für maschinelles Lernen mit den Ressourcen von Google Cloud trainieren.

Einstieg

• Einführung in AI Platform

  Eine Übersicht über AI Platform-Produkte

• Trainingsübersicht

  Eine Einführung in das Training von Modellen für maschinelles Lernen in AI Platform Training.

• Entwicklungsumgebung

  Anforderungen an Ihre lokale Entwicklungsumgebung

• Training mit TensorFlow 2

  Details zum Training mit TensorFlow 2

• Erste Schritte: Training und Vorhersage mit TensorFlow Keras

  Trainieren Sie in AI Platform Training ein TensorFlow Keras-Modell und stellen Sie das Modell für AI Platform Prediction bereit.

• Erste Schritte: Training und Vorhersage mit TensorFlow Estimator

  Trainieren Sie in AI Platform Training ein TensorFlow Estimator-Modell und stellen Sie das Modell für AI Platform Prediction bereit.

• Erste Schritte mit scikit-learn und XGBoost

  Trainieren Sie ein scikit-learn- oder XGBoost-Modell.

• Erste Schritte mit benutzerdefinierten Containern

  Trainieren Sie mithilfe eines benutzerdefinierten Containers ein PyTorch-Modell.

Trainingsworkflow

• Paket für eine Trainingsanwendung erstellen

  Verpacken Sie Ihren Python-Trainingscode, damit er mit AI Platform Training kompatibel ist.

• Trainingsjob ausführen

  Führen Sie einen Trainingsjob aus.

• Maschinentypen oder Skalierungsstufen angeben

  Konfigurieren Sie die Arten von virtuellen Maschinen, die Ihr Trainingsjob verwendet.

• Trainingsjobs überwachen

  Verfolgen Sie den Status Ihrer Trainingsjobs mit Logs und Messwerten zur Ressourcenauslastung.

Training bei umfangreichen Projekten

• TF_CONFIG für Details des verteilten Trainings verwenden

  Erstellen Sie einen verteilten Trainingsjob mit TensorFlow.

• Training im großen Maßstab mit scikit-learn

  Hinweise für das Training mit großen Datasets und Modellen.

Hyperparameter-Feinabstimmung

• Hyperparameter-Abstimmung

  Eine Einführung in die Abstimmung von Hyperparametern in AI Platform Training.

• Hyperparameter-Abstimmung verwenden

  Konfigurieren Sie die Hyperparameter-Abstimmung für Ihren Trainingsjob.

Beschleuniger

• GPUs verwenden

  Konfigurieren Sie Ihren Job so, dass GPUs genutzt werden, um das Training zu beschleunigen.

• TPUs verwenden

  Konfigurieren Sie Ihren TensorFlow-Job so, dass TPUs genutzt werden, um das Training zu beschleunigen.

Benutzerdefinierte Container

• Übersicht der Container

  Eine Einführung in die Anpassung Ihrer Trainingsjobs durch Bereitstellung Ihres eigenen Docker-Containers.

• Training mit Containern auf der AI Platform

  Erstellen Sie einen benutzerdefinierten Docker-Container und verwenden Sie ihn, um einen Trainingsjob auszuführen.

• Verteiltes Training mit Containern

  Konfigurieren Sie einen benutzerdefinierten Containerjob, um mehrere virtuelle Maschinen zu verwenden.

Integration in Tools und Dienste

• Python-Clientbibliothek verwenden

  Verwenden Sie die Google API-Clientbibliothek für Python, um Anfragen an die AI Platform Training and Prediction API zu senden.

• Mit Cloud Storage arbeiten

  Richten Sie Cloud Storage für AI Platform Training ein.

Monitoring und Sicherheit

• Audit-Logs ansehen

  Beobachten der Administratoraktivität und des Datenzugriffs mit Cloud-Audit-Logs

• Zugriffssteuerung mit IAM

  Eine Übersicht über die Berechtigungen, die zum Ausführen verschiedener Aktionen in der AI Platform Training and Prediction API erforderlich sind, sowie über die IAM-Rollen, die diese Berechtigungen enthalten

• Training mit einem benutzerdefinierten Dienstkonto

  Benutzerdefiniertes Dienstkonto für Ihre Trainingsanwendung verwenden

• VPC Service Controls beim Training verwenden

  Verringern Sie das Risiko der Daten-Exfiltration und verwenden Sie einen Dienstperimeter.

• Vom Kunden verwaltete Verschlüsselungsschlüssel verwenden (CMEK)

  Daten von Trainingsjobs mit vom Kunden verwalteten Verschlüsselungsschlüsseln verschlüsseln

• Monitoring und Debugging für Training mit einer interaktiven Shell

  Eine interaktive Shell verwenden, um Ihren Trainingscontainer während der Ausführung zu prüfen.

AI Platform Training-Ressourcen

• Projekte, Modelle, Versionen und Jobs

  Ein Überblick über die Ressourcen, die Sie in AI Platform erstellen und mit denen Sie interagieren.

• Modelle und Jobs verwalten

  Verwalten Sie die von Ihnen erstellten AI Platform-Ressourcen.

• Ressourcen mit Labels versehen

  Organisieren Sie Ihre Trainingsjobs mit benutzerdefinierten Labels.

Tutorials

• Training mit XGBoost in AI Platform

  Trainieren Sie ein XGBoost-Modell.

• Training mit scikit-learn in AI Platform

  Trainieren Sie ein scikit-learn-Modell.

Laufzeitversionen

• Laufzeitversionsliste

  Informationen über die Verfügbarkeit und die Abhängigkeiten der Laufzeitversionen, die Sie für das Training verwenden können.

• Laufzeitversionen verwalten

  Konfigurieren Sie die Abhängigkeitsversionen für Ihren Trainingsjob.

Regionen

• Regionen

  Informationen dazu, welche Google Cloud-Regionen welche Features unterstützen.

Integrierte Algorithmen der AI Platform

• Einführung in integrierte Algorithmen

  Eine Übersicht über die integrierten Algorithmen.

• Daten für integrierte tabellarische Algorithmen vorverarbeiten

  Verwenden Sie die automatische Vorverarbeitung, um Ihre Daten für das Training vorzubereiten.

• Erste Schritte mit dem Linear-Learner-Algorithmus

  Trainieren Sie ein Modell mit dem integrierten Linear-Learner-Algorithmus von TensorFlow.

• Training mit dem integrierten Linear-Learner-Algorithmus

  Nehmen Sie Anpassungen für die Verwendung des integrierten Linear-Learner-Algorithmus für das Training vor.

• Referenz zum Linear-Learner-Algorithmus

  Konfigurationsoptionen für den integrierten Linear-Learner-Algorithmus.

• Erste Schritte mit dem Wide-and-Deep-Algorithmus

  Trainieren Sie ein Modell mit dem integrierten Wide-and-Deep-Algorithmus von TensorFlow.

• Training mit dem integrierten Wide-and-Deep-Algorithmus

  Nehmen Sie Anpassungen für die Verwendung des integrierten Wide-and-Deep-Algorithmus für das Training vor.

• Referenz zum Wide-and-Deep-Algorithmus

  Konfigurationsoptionen für den integrierten Wide-and-Deep-Algorithmus.

• Erste Schritte mit dem XGBoost-Algorithmus

  Trainieren Sie ein Modell mit dem integrierten XGBoost-Algorithmus.

• Training mit dem integrierten XGBoost-Algorithmus

  Nehmen Sie Anpassungen für die Verwendung des integrierten XGBoost-Algorithmus für das Training vor.

• Training mit dem integrierten verteilten XGBoost-Algorithmus

  Nehmen Sie Anpassungen für die Verwendung der verteilten Version des integrierten XGBoost-Algorithmus vor.

• Referenz zum XGBoost-Algorithmus

  Konfigurationsoptionen für den integrierten XGBoost-Algorithmus.

• Erste Schritte mit dem Algorithmus zur Bildklassifizierung

  Trainieren Sie ein Modell mit dem integrierten Algorithmus zur Bildklassifizierung.

• Training mit dem integrierten Algorithmus zur Bildklassifizierung

  Nehmen Sie Anpassungen für die Verwendung des integrierten Algorithmus zur Bildklassifizierung für das Training vor.

• Referenz zum Algorithmus zur Bildklassifizierung

  Konfigurationsoptionen für den integrierten Algorithmus zur Bildklassifizierung.

• Erste Schritte mit dem Algorithmus zur Bildobjekterkennung

  Trainieren Sie ein Modell mit dem integrierten Algorithmus zur Bildobjekterkennung.

• Training mit dem integrierten Algorithmus zur Bildobjekterkennung

  Nehmen Sie Anpassungen für die Verwendung des integrierten Algorithmus zur Bildobjekterkennung für das Training vor.

• Referenz zum Algorithmus zur Bildobjekterkennung

  Konfigurationsoptionen für den integrierten Algorithmus zur Bildobjekterkennung.

APIs und Referenzen

• Referenz zur AI Platform Training and Prediction API

  Detaillierte Informationen zur REST API.

Support

• Fehlerbehebung

  Hier finden Sie Informationen über die Ursachen gängiger Probleme.

• Support

  Hier finden Sie Support bei Problemen.

• Fragen zur Abrechnung

  Ressourcen mit Antworten auf häufig gestellte Fragen zur Abrechnung.

Ressourcen

• Preise

  Ausführliche Preisinformationen

• Kontingente und Limits

  Nutzungsrichtlinien für AI Platform Training-Ressourcen.

• Versionshinweise

  Details zu Aktualisierungen

• Archivierte Versionshinweise

  Versionshinweise vor dem 10. April 2019.