Affinché un modello possa essere facilmente monitorato, condiviso e analizzato, l'SDK Vertex AI per Python fornisce un'API che esegue la serializzazione di un modello di machine learning in una classe ExperimentModel
e lo registra in Vertex AI Experiments.
Dopo aver selezionato il modello migliore da utilizzare, puoi registrarlo da Vertex AI Experiments a Vertex AI Model Registry.
I framework supportati sono scikit-learn, XGBoost e Tensorflow.
Salvare e registrare il modello ML
Salvare i modelli
L'SDK Vertex AI fornisce il metodo
save_model
per serializzare un modello ML, caricarlo su Cloud Storage e rappresentarlo come elemento
Vertex ML Metadata.
Python
project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibilimodel
: (obbligatorio). Un modello di machine learning.(Union["sklearn.base.BaseEstimator", "xgb.Booster", "tf.Module"])
artifact_id
: facoltativo. L'ID risorsa dell'elemento. Questo ID deve essere univoco a livello globale in un metadataStore. Può contenere fino a 63 caratteri e i caratteri validi sono[a-z0-9_-]
. Il primo carattere non può essere un numero o un trattino.uri
: facoltativo. Una directory GCS in cui salvare il file del modello. Se non viene fornito un uri, viene utilizzatogs://default-bucket/timestamp-uuid-frameworkName-model
. Se non è impostato un bucket di staging predefinito, ne viene creato uno nuovo.input_example
: facoltativo. Ogni modello prende i dati di input e poi produce una previsione. Ogni modello accetta un determinato formato di input (ad esempio un numero, una stringa, un array 2D) e viene archiviato come file yaml nell'URI GCS. Accetta list, dict, pd.DataFrame e np.ndarray. Il valore all'interno di un elenco deve essere un scalare o un elenco. Il valore all'interno di un dizionario deve essere scalare, elenco o np.ndarray.(Union[list, dict, pd.DataFrame, np.ndarray])
.display_name
: il nome visualizzato dell'elemento.
Modelli di log
L'SDK Vertex AI fornisce un metodo
log_model
che orchestra
save_model
e un passaggio aggiuntivo per registrare l'artefatto Vertex ML Metadata
nell'esecuzione dell'esperimento corrente. Il metodo log_model
per gestire e analizzare più modelli ML in Vertex AI Experiments.
Python
experiment_name
: fornisci il nome dell'esperimento. Puoi trovare il tuo elenco di esperimenti nella console Google Cloud selezionando "Esperimenti" nel riquadro di navigazione della sezione.run_name
: specifica un nome per l'esecuzione.project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.model
: obbligatorio. Un modello di machine learning.(Union["sklearn.base.BaseEstimator", "xgb.Booster", "tf.Module"])
uri
: facoltativo. Una directory GCS in cui salvare il file del modello. Se non viene fornito un URI,viene utilizzatogs://default-bucket/timestamp-uuid-frameworkName-model
. Se non è impostato un bucket di staging predefinito, ne viene creato uno nuovo.input_example
: facoltativo. Ogni modello prende i dati di input e poi genera una previsione. Ogni modello accetta un determinato formato di input (ad esempio un numero, una stringa, un array 2D) e viene archiviato come file yaml nell'URI GCS. Accetta list, dict, pd.DataFrame e np.ndarray. Il valore all'interno di un elenco deve essere un valore scalare o un elenco. Il valore all'interno di un dizionario deve essere scalare, elenco o np.ndarray.(Union[list, dict, pd.DataFrame, np.ndarray])
.display_name
: facoltativo. Il nome visualizzato dell'elemento.
Traccia ExperimentModel
Recupera il modello dell'esperimento
Per utilizzare get_experiment_model
per restituire un modello salvato, passa l'ID dell'artefatto del modello salvato.
Python
project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.artifact_id
: obbligatorio. L'ID risorsa del modello esistente.
Recupera i modelli dell'esperimento
Il metodo get_experiment_models
recupera un elenco di tutti i ExperimentModel
registrati per una determinata esecuzione dell'esperimento.
Python
run_name
: specifica un nome per l'esecuzione.experiment
: fornisci il nome dell'esperimento. Puoi trovare l'elenco degli esperimenti nella console Google Cloud selezionando "Esperimenti" nel riquadro di navigazione della sezione.project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.
Recuperare le informazioni sul modello
Il metodo get_model_info
restituisce i metadati del modello di una determinata istanza ExperimentModel
, ad esempio la classe del modello, il tipo di framework.
Python
artifact_id
: obbligatorio. L'ID risorsa delExperimentModel
esistente.project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.
Carica ExperimentModel
Carica modello
Il metodo load_experiment_model
consente di deserializzare un'istanza ExperimentModel
per ripristinare il modello ML originale.
Python
artifact_id
: (obbligatorio). L'ID risorsa delExperimentModel
esistente. Esempio:artifact_id="my-sklearn-model"
project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.
Registra ExperimentModel
Registra il modello salvato
L'API register_experiment_model
consente di registrare il modello ritenuto migliore nel registro dei modelli di Vertex AI con una quantità minima di configurazione. L'API sceglie automaticamente un
container di previsione predefinito in base
al framework e alla versione del modello.
Python
artifact_id
: (obbligatorio). L'ID risorsa delExperimentModel
esistente.project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.display_name
: facoltativo. Il nome definito dall'utente del modello registrato.
Visualizzare 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.
Viene visualizzato un elenco di esecuzioni.