Melatih model dengan Wide & Deep

Halaman ini menunjukkan cara untuk melatih model klasifikasi atau regresi dari set data berbentuk tabulasi dengan Tabular Workflow for Wide & Deep.

Ada dua versi Tabular Workflow for Wide & Deep yang tersedia:

HyperparameterTuningJob menelusuri kumpulan nilai hyperparameter terbaik, yang akan digunakan untuk pelatihan model.
CustomJob memungkinkan Anda menentukan nilai hyperparameter yang akan digunakan untuk pelatihan model. Jika Anda tahu persis nilai hyperparameter mana yang dibutuhkan, Anda dapat menentukannya tanpa perlu mencarinya dan menghemat resource pelatihan.

Untuk mempelajari akun layanan yang digunakan oleh alur kerja ini, lihat Akun layanan untuk Tabular Workflows.

API Alur Kerja

Alur kerja ini menggunakan API berikut:

Vertex AI
Dataflow
Compute Engine
Cloud Storage

Melatih model dengan HyperparameterTuningJob

Kode contoh berikut ini menunjukkan cara untuk menjalankan pipeline HyperparameterTuningJob:

pipeline_job = aiplatform.PipelineJob(
    ...
    template_path=template_path,
    parameter_values=parameter_values,
    ...
)
pipeline_job.run(service_account=SERVICE_ACCOUNT)

Parameter service_account opsional di pipeline_job.run() memungkinkan Anda menetapkan akun layanan Vertex AI Pipelines ke akun pilihan Anda.

Pipeline dan nilai parameter ditentukan oleh fungsi berikut. Data pelatihan dapat berupa file CSV di dalam Cloud Storage atau tabel di dalam BigQuery.

template_path, parameter_values =  automl_tabular_utils.get_wide_and_deep_hyperparameter_tuning_job_pipeline_and_parameters(...)

Berikut adalah subset parameter get_wide_and_deep_hyperparameter_tuning_job_pipeline_and_parameters:

Nama parameter	Jenis	Definisi
`data_source_csv_filenames`	String	URI untuk CSV yang disimpan di Cloud Storage.
`data_source_bigquery_table_path`	String	URI untuk tabel BigQuery.
`dataflow_service_account`	String	(Opsional) Akun layanan kustom untuk menjalankan tugas Dataflow. Tugas Dataflow dapat dikonfigurasi untuk menggunakan IP pribadi dan subnet VPC tertentu. Parameter ini berfungsi sebagai pengganti untuk akun layanan worker Dataflow default.
`study_spec_parameters_override`	List[Dict[String, Any]]	(Opsional) Penggantian untuk penyesuaian hyperparameter. Parameter ini boleh kosong, atau berisi satu atau beberapa hyperparameter yang memungkinkan. Jika nilai hyperparameter tidak ditetapkan, Vertex AI akan menggunakan rentang penyesuaian default untuk hyperparameter tersebut.

Jika ingin mengonfigurasi hyperparameter menggunakan parameter study_spec_parameters_override, Anda dapat menggunakan fungsi bantuan get_wide_and_deep_study_spec_parameters_override milik Vertex AI. Fungsi ini menampilkan daftar hyperparameter dan rentang.

Berikut ini adalah contoh cara penggunaan fungsi get_wide_and_deep_study_spec_parameters_override:

study_spec_parameters_override = automl_tabular_utils.get_wide_and_deep_study_spec_parameters_override()

Melatih model dengan CustomJob

Kode contoh berikut ini menunjukkan cara menjalankan pipeline CustomJob:

pipeline_job = aiplatform.PipelineJob(
    ...
    template_path=template_path,
    parameter_values=parameter_values,
    ...
)
pipeline_job.run(service_account=SERVICE_ACCOUNT)

Parameter service_account opsional di pipeline_job.run() memungkinkan Anda menetapkan akun layanan Vertex AI Pipelines ke akun pilihan Anda.

Pipeline dan nilai parameter ditentukan oleh fungsi berikut. Data pelatihan dapat berupa file CSV di dalam Cloud Storage atau tabel di dalam BigQuery.

template_path, parameter_values = automl_tabular_utils.get_wide_and_deep_trainer_pipeline_and_parameters(...)

Berikut adalah subset parameter get_wide_and_deep_trainer_pipeline_and_parameters:

Nama parameter	Jenis	Definisi
`data_source_csv_filenames`	String	URI untuk CSV yang disimpan di Cloud Storage.
`data_source_bigquery_table_path`	String	URI untuk tabel BigQuery.
`dataflow_service_account`	String	(Opsional) Akun layanan kustom untuk menjalankan tugas Dataflow. Tugas Dataflow dapat dikonfigurasi untuk menggunakan IP pribadi dan subnet VPC tertentu. Parameter ini berfungsi sebagai pengganti untuk akun layanan worker Dataflow default.

Langkah selanjutnya

Setelah siap untuk membuat prediksi dengan model klasifikasi atau regresi, Anda memiliki dua opsi: