Agar model mudah dilacak, dibagikan, dan dianalisis, Vertex AI SDK untuk Python menyediakan API yang menserialisasi model machine learning ke dalam class ExperimentModel
dan mencatat model ke Vertex AI Experiment.
Setelah memilih model terbaik untuk digunakan, Anda dapat mendaftarkan model tersebut dari Vertex AI Experiment ke Vertex AI Model Registry.
Framework yang didukung adalah scikit-learn, XGBoost, dan Tensorflow.
Menyimpan dan mencatat model ML ke dalam log
Menyimpan model
Vertex AI SDK menyediakan metode save_model
untuk menserialisasi model ML, mengupload model tersebut ke Cloud Storage, dan merepresentasikannya sebagai artefak Vertex ML Metadata.
Python
project
: Project ID Anda. Anda dapat menemukan ID ini di halaman sambutan Konsol Google Cloud.location
: Lihat Daftar lokasi yang tersediamodel
: (Harus ada). Model machine learning.(Union["sklearn.base.BaseEstimator", "xgb.Booster", "tf.Module"])
artifact_id
: Opsional. ID resource artefak. ID ini harus unik secara global di metadataStore. ID dapat terdiri atas maksimal 63 karakter, dan karakter yang valid adalah[a-z0-9_-]
. Karakter pertama tidak boleh berupa angka atau tanda hubung.uri
: Opsional. Direktori gcs tempat menyimpan file model. Jika URI tidak disediakan,gs://default-bucket/timestamp-uuid-frameworkName-model
akan digunakan. Jika bucket staging default tidak ditetapkan, bucket baru akan dibuat.input_example
: Opsional. Setiap model mengambil data input, lalu menghasilkan prediksi. Setiap model menerima satu format input tertentu (misalnya angka, string, array 2d) dan disimpan sebagai file yaml di uri gcs. Menerima list, dict, pd.DataFrame, dan np.ndarray. Nilai di dalam list harus berupa skalar atau daftar. Nilai di dalam dict harus berupa skalar, daftar, atau np.ndarray.(Union[list, dict, pd.DataFrame, np.ndarray])
.display_name
: Nama tampilan artefak.
Mencatat model ke dalam log
Vertex AI SDK menyediakan metode log_model
, yang mengorkestrasi save_model
, dan langkah tambahan untuk mencatat artefak Vertex ML Metadata ke operasi eksperimen saat ini. Metode log_model
mengelola dan menganalisis berbagai model ML di Vertex AI Experiment.
Python
experiment_name
: Masukkan nama eksperimen Anda. Anda dapat menemukan daftar eksperimen di Konsol Google Cloud dengan memilih "Eksperimen" di navigasi bagian.run_name
: Tentukan nama operasi.project
: Project ID Anda. Anda dapat menemukan ID ini di halaman sambutan Konsol Google Cloud.location
: Lihat Daftar lokasi yang tersedia.model
: Wajib diisi. Model machine learning.(Union["sklearn.base.BaseEstimator", "xgb.Booster", "tf.Module"])
uri
: Opsional. Direktori gcs tempat menyimpan file model. Jika URI tidak disediakan,gs://default-bucket/timestamp-uuid-frameworkName-model
akan digunakan. Jika bucket staging default tidak ditetapkan, bucket baru akan dibuat.input_example
: Opsional. Setiap model mengambil data input, lalu menghasilkan prediksi. Setiap model menerima satu format input tertentu (misalnya angka, string, array 2d) dan disimpan sebagai file yaml di uri gcs. Menerima list, dict, pd.DataFrame, dan np.ndarray. Nilai di dalam list harus berupa skalar atau daftar. Nilai di dalam dict harus berupa skalar, daftar, atau np.ndarray.(Union[list, dict, pd.DataFrame, np.ndarray])
.display_name
: Opsional. Nama tampilan artefak.
Melacak ExperimentModel
Mendapatkan model eksperimen
Untuk menggunakan get_experiment_model
agar dapat menampilkan model tersimpan, teruskan ID artefak model tersimpan ke sana.
Python
project
: Project ID Anda. Anda dapat menemukan ID ini di halaman sambutan Konsol Google Cloud.location
: Lihat Daftar lokasi yang tersedia.artifact_id
: Harus ada. ID resource dari model yang sudah ada.
Mendapatkan model eksperimen
Metode get_experiment_models
mendapatkan daftar semua ExperimentModel
yang dicatat ke operasi eksperimen tertentu.
Python
run_name
: Tentukan nama operasi.experiment
: Masukkan nama eksperimen Anda. Anda dapat menemukan daftar eksperimen di Konsol Google Cloud dengan memilih "Experiments" di navigasi bagian.project
: Project ID Anda. Anda dapat menemukan ID ini di halaman sambutan Konsol Google Cloud.location
: Lihat Daftar lokasi yang tersedia.
Mendapatkan informasi model
Metode get_model_info
menampilkan metadata model dari instance ExperimentModel
tertentu, misalnya kelas, framework, dan jenis model.
Python
artifact_id
: Harus ada. ID resource dariExperimentModel
yang sudah ada.project
: Project ID Anda. Anda dapat menemukan ID ini di halaman sambutan Konsol Google Cloud.location
: Lihat Daftar lokasi yang tersedia.
Memuat ExperimentModel
Memuat model
Metode load_experiment_model
membantu Anda men-deserialisasi instance ExperimentModel
kembali ke model ML asalnya.
Python
artifact_id
: (Harus ada). ID resource dariExperimentModel
yang sudah ada. Contoh:artifact_id="my-sklearn-model"
project
: Project ID Anda. Anda dapat menemukan ID ini di halaman sambutan Konsol Google Cloud.location
: Lihat Daftar lokasi yang tersedia.
Mendaftarkan ExperimentModel
Mendaftarkan model tersimpan
register_experiment_model
API memungkinkan Anda mendaftarkan model yang dianggap terbaik ke Vertex AI Model Registry dengan konfigurasi yang minimum. API ini otomatis memilih container prediksi bawaan berdasarkan framework dan versi model.
Python
artifact_id
: (Harus ada). ID resource dariExperimentModel
yang sudah ada.project
: Project ID Anda. Anda dapat menemukan ID ini di halaman sambutan Konsol Google Cloud.location
: Lihat Daftar lokasi yang tersedia.display_name
: Opsional. Nama yang ditentukan pengguna untuk model terdaftar.
Melihat daftar eksperimen di Konsol Google Cloud
- Di Konsol Google Cloud, buka halaman Experiments.
Buka Eksperimen
Daftar eksperimen akan muncul. - Pilih eksperimen yang ingin diperiksa.
Daftar operasi akan ditampilkan.