Prova i modelli Gemini 1.5, i più recenti modelli multimodali in Vertex AI, e scopri cosa puoi creare con una finestra contestuale fino a 2 milioni di token. Prova i modelli Gemini 1.5, i più recenti modelli multimodali in Vertex AI, e scopri cosa puoi creare con una finestra contestuale fino a 2 milioni di token.

Questa pagina è stata tradotta dall'API Cloud Translation.

Registrare manualmente i dati nell'esecuzione di un esperimento

Ai fini del logging, utilizza l'SDK Vertex AI per Python.

Metriche e parametri supportati:

metriche di riepilogo
metriche delle serie temporali
parametri
metriche di classificazione

SDK Vertex AI per Python

Nota: quando il parametro facoltativo resume è specificato come TRUE, l'esecuzione avviata in precedenza riprende. Se non specificato, il valore predefinito di resume è FALSE e viene creata una nuova esecuzione.

Il seguente esempio utilizza la classe init dalle funzioni iplatform.

Metriche di riepilogo

Le metriche di riepilogo sono metriche scalari a valore singolo archiviate accanto alle serie temporali e rappresentano il riepilogo finale dell'esecuzione di un esperimento.

Un esempio di caso d'uso è l'interruzione anticipata quando una configurazione della pazienza consente ha continuato l'addestramento, ma il modello candidato viene ripristinato da un passaggio precedente e le metriche calcolate per il modello in quel passaggio sarebbero rappresentate come una metrica di riepilogo perché l'ultima metrica della serie temporale non è rappresentativa del modello ripristinato. L'API log_metrics per le metriche di riepilogo viene utilizzato a questo scopo.

Python

from typing import Dict

from google.cloud import aiplatform


def log_metrics_sample(
    experiment_name: str,
    run_name: str,
    metrics: Dict[str, float],
    project: str,
    location: str,
):
    aiplatform.init(experiment=experiment_name, project=project, location=location)

    aiplatform.start_run(run=run_name)

    aiplatform.log_metrics(metrics)

experiment_name: assegna un nome all'esperimento. Puoi trovare le di esperimenti nella console Google Cloud selezionando Esperimenti nel menu di navigazione della sezione.
run_name: specifica un nome per l'esecuzione (vedi start_run).
metric: coppie chiave-valore delle metriche. Ad esempio: {'learning_rate': 0.1}
project: il tuo ID progetto. Puoi trovare queste informazioni nella console Google Cloud pagina di benvenuto.
location: consulta l'elenco delle località disponibili

Metriche delle serie temporali

Per registrare le metriche delle serie temporali, Vertex AI Experiments richiede un supporto Vertex AI TensorBoard.

Assegna la risorsa di supporto Vertex AI TensorBoard per la metrica delle serie temporali Logging.

Tutte le metriche hanno eseguito l'accesso log_time_series_metrics vengono archiviati metriche delle serie temporali. Vertex AI TensorBoard è l'archivio delle metriche delle serie temporali di supporto.

Il valore experiment_tensorboard può essere impostato sia a livello di esperimento che di esecuzione dell'esperimento. Impostazione experiment_tensorboard in fuga sostituisce l'impostazione a livello di esperimento. Una volta experiment_tensorboard è impostato in un'esecuzione; il valore experiment_tensorboard dell'esecuzione non può essere modificato.

Imposta experiment_tensorboard a livello di esperimento:

  aiplatform.init(experiment='my-experiment',
               experiment_tensorboard='projects/.../tensorboard/my-tb-resource')

Imposta experiment_tensorboard a livello di esecuzione: Nota: sostituisce l'impostazione a livello di esperimento.

  aiplatform.start_run(run_name='my-other-run',
                    tensorboard='projects/.../.../other-resource')
aiplatform.log_time_series_metrics(...)

Python

from typing import Dict, Optional

from google.cloud import aiplatform
from google.protobuf import timestamp_pb2


def log_time_series_metrics_sample(
    experiment_name: str,
    run_name: str,
    metrics: Dict[str, float],
    step: Optional[int],
    wall_time: Optional[timestamp_pb2.Timestamp],
    project: str,
    location: str,
):
    aiplatform.init(experiment=experiment_name, project=project, location=location)

    aiplatform.start_run(run=run_name, resume=True)

    aiplatform.log_time_series_metrics(metrics=metrics, step=step, wall_time=wall_time)

experiment_name: indica il nome dell'esperimento. Puoi trovare l'elenco degli esperimenti nella Console Google Cloud selezionando Esperimenti nella sezione di navigazione.
run_name: specifica un nome per l'esecuzione (vedi start_run).
metrics: dizionario di dove le chiavi sono nomi e valori delle metriche sono valori delle metriche.
step: facoltativo. Indice dei passaggi di questo punto dati nell'esecuzione.
wall_time: facoltativo. Timestamp dell'ora di addestramento quando questo punto dati è generate dall'utente finale. Se non viene specificato, viene generato il valore wall_time in base al valore di time.time()
project: il tuo ID progetto. Puoi trovare queste informazioni nella console Google Cloud pagina di benvenuto.
location: consulta l'elenco delle località disponibili

Passi e tempo reale

L'API log_time_series_metrics accetta facoltativamente step e walltime.

step: facoltativo. Indice dei passaggi di questo punto dati all'interno della vengono eseguiti tutti i test delle unità. Se non viene specificato, un incremento nel passaggio più recente tra tutti i valori vengono utilizzate metriche della serie già registrate. Se il passaggio esiste per una qualsiasi delle chiavi delle metriche fornite, il passaggio viene sovrascritto.
wall_time: facoltativo. I secondi dopo l'epoca metrica registrata. Se non viene fornito, l'impostazione predefinita è il linguaggio time.time.

Ad esempio:

aiplatform.log_time_series_metrics({"mse": 2500.00, "rmse": 50.00})

Accedi a un passaggio specifico

aiplatform.log_time_series_metrics({"mse": 2500.00, "rmse": 50.00}, step=8)

Includi `wall_time`

aiplatform.log_time_series_metrics({"mse": 2500.00, "rmse": 50.00}, step=10)

Parametri

I parametri sono valori di input con chiave che configurano un'esecuzione, regolano il comportamento dell'esecuzione e influire sui risultati dell'esecuzione. Alcuni esempi sono il tasso di apprendimento, il tasso di abbandono e il numero passaggi di addestramento. Registra i parametri utilizzando il metodo log_params.

Python

from typing import Dict, Union

from google.cloud import aiplatform


def log_params_sample(
    experiment_name: str,
    run_name: str,
    params: Dict[str, Union[float, int, str]],
    project: str,
    location: str,
):
    aiplatform.init(experiment=experiment_name, project=project, location=location)

    aiplatform.start_run(run=run_name, resume=True)

    aiplatform.log_params(params)

aiplatform.log_params({"learning_rate": 0.01, "n_estimators": 10})

experiment_name: assegna un nome all'esperimento. Puoi trovare l'elenco degli esperimenti nella Console Google Cloud selezionando Esperimenti nella sezione di navigazione.
run_name: specifica un nome per l'esecuzione (vedi start_run).
params: coppie chiave-valore dei parametri Ad esempio: {'accuracy': 0.9} (vedi log_params). pagina di benvenuto.
location: consulta l'elenco delle località disponibili

Metriche di classificazione

Oltre alle metriche di riepilogo e alle metriche delle serie temporali, sono disponibili anche matrici di confusione e curve ROC metriche di uso comune. Possono essere registrate in Vertex AI Experiments utilizzando log_classification_metrics tramite Google Cloud CLI o tramite l'API Compute Engine.

Python

from typing import List, Optional

from google.cloud import aiplatform


def log_classification_metrics_sample(
    experiment_name: str,
    run_name: str,
    project: str,
    location: str,
    labels: Optional[List[str]] = None,
    matrix: Optional[List[List[int]]] = None,
    fpr: Optional[List[float]] = None,
    tpr: Optional[List[float]] = None,
    threshold: Optional[List[float]] = None,
    display_name: Optional[str] = None,
) -> None:
    aiplatform.init(experiment=experiment_name, project=project, location=location)

    aiplatform.start_run(run=run_name, resume=True)

    aiplatform.log_classification_metrics(
        labels=labels,
        matrix=matrix,
        fpr=fpr,
        tpr=tpr,
        threshold=threshold,
        display_name=display_name,
    )

experiment_name: assegna un nome all'esperimento. Puoi trovare l'elenco degli esperimenti nella console Google Cloud selezionando Esperimenti nella sezione di navigazione.
run_name: specifica un nome esecuzione (vedi start_run).
project: il tuo ID progetto. Puoi trovare queste informazioni nella console Google Cloud pagina di benvenuto.
location: consulta l'elenco delle località disponibili.
labels: elenco dei nomi delle etichette per la matrice di confusione. Deve essere impostato se "matrix" è impostata.
matrix: valori della matrice di confusione. Deve essere impostato se "etichette" è impostata.
fpr: elenco dei tassi di falsi positivi per la curva ROC. Deve essere impostato se "tpr" o "soglie" è impostata.
tpr: elenco dei tassi di veri positivi per la curva ROC. Deve essere impostato se "fpr" o "soglie" è impostata.
threshold: elenco delle soglie per la curva ROC. Deve essere impostato se "fpr" o "tpr" è impostata.
display_name: il nome definito dall'utente per l'artefatto della metrica di classificazione.

Visualizza l'elenco delle esecuzioni dell'esperimento nella console Google Cloud

Nella console Google Cloud, vai alla pagina Esperimenti.
Vai a Esperimenti
Viene visualizzato un elenco di esperimenti.
Seleziona l'esperimento che vuoi controllare.
elenco A il numero di esecuzioni.

Pagina dell'elenco di esperimenti Vertex AI
Per maggiori dettagli, consulta Confrontare e analizzare le esecuzioni.