Esegui il job di addestramento con il monitoraggio degli esperimenti

Vertex AI fornisce un servizio di addestramento gestito che ti consente di implementare l'addestramento di modelli su larga scala. Puoi attivare il monitoraggio degli esperimenti utilizzando l'SDK Vertex AI per Python per acquisire parametri e metriche sul rendimento quando invii il job di addestramento personalizzato.

Questa funzionalità non è disponibile se:

  • invia un job di addestramento tramite la console Google Cloud o Google Cloud CLI,
  • utilizzare una TPU nel job di addestramento.
  • utilizzare l'addestramento distribuito nel job di addestramento.

Sono supportati sia i container di addestramento predefiniti sia i container personalizzati. Obbligatorio: è installata una versione dell'SDK Vertex AI per Python superiore a 1.24.1 per google-cloud-aiplatform. Se esegui l'addestramento con TensorFlow, assicurati di installare la versione di protobuf precedente alla 4.0 per evitare conflitti.

Esistono due opzioni per registrare i dati in Vertex AI Experiments: il logging automatico e quello manuale.

Il logging automatico è consigliato se utilizzi uno di questi framework supportati: Fastai, Gluon, Keras, LightGBM, Pytorch Lightning, Scikit-learn, Spark, Statsmodels, XGBoost. Se il tuo framework non è supportato o se ci sono metriche personalizzate che vuoi registrare nell'esecuzione dell'esperimento, puoi adattare manualmente lo script di addestramento per registrare parametri, metriche e elementi.

Dati di AutoLog

Per attivare il logging automatico, imposta enable_autolog=True, consulta from_local_script. Puoi scegliere se eseguire o meno un'esecuzione dell'esperimento. Se non viene specificato un nome per l'esperimento, ne viene creato uno per te.

L'SDK Vertex AI per Python gestisce la creazione delle risorse ExperimentRun.

Python

def create_custom_job_with_experiment_autologging_sample(
    project: str,
    location: str,
    staging_bucket: str,
    display_name: str,
    script_path: str,
    container_uri: str,
    service_account: str,
    experiment: str,
    experiment_run: Optional[str] = None,
) -> None:
    aiplatform.init(project=project, location=location, staging_bucket=staging_bucket, experiment=experiment)

    job = aiplatform.CustomJob.from_local_script(
        display_name=display_name,
        script_path=script_path,
        container_uri=container_uri,
        enable_autolog=True,
    )

    job.run(
        service_account=service_account,
        experiment=experiment,
        experiment_run=experiment_run,
    )
  • project: il tuo ID progetto. Puoi trovare questi ID progetto nella pagina di benvenuto della console Google Cloud.
  • location: consulta l'elenco delle località disponibili.
  • staging_bucket: il nome assegnato al bucket, ad esempio my_bucket.
  • display_name: il nome definito dall'utente del CustomJob.
  • script_path: il percorso relativo alla directory di lavoro nel file system locale e in cui si trova lo script che funge da punto di ingresso per il codice di addestramento.
  • container_uri: l'URI dell'immagine del contenitore di addestramento può essere un contenitore di addestramento predefinito di Vertex AI o un contenitore personalizzato
  • service_account: consulta Creare un account di servizio con le autorizzazioni richieste.
  • experiment: fornisci un nome per l'esperimento. L'esperimento deve avere un'istanza TensorBoard. Puoi trovare l'elenco degli esperimenti nella console Google Cloud selezionando Esperimenti nel riquadro di navigazione della sezione.
  • experiment_run: (facoltativo) specifica un nome per l'esecuzione. Se non specificato, viene creata automaticamente una corsa.

Registrare manualmente i dati

Utilizza l'opzione di registrazione manuale dei dati per incorporare lo script di addestramento.

Ecco come modificare lo script di addestramento:

import os
import pickle
import pandas as pd
from sklearn.linear_model import LinearRegression
# To use manual logging APIs, import aiplatform
from google.cloud import aiplatform

# Create Dataset
data = {'A': [1.1,2.2,4.1,5.2],
        'B': [200, 212.12, 22, 123],
        'Y': [1,0,1,0]}
df = pd.DataFrame(data)
X = df[['A', 'B']]
Y = df['Y']

# Train model
model = LinearRegression().fit(X, Y)

# Save the model to gcs
model_dir = os.getenv('AIP_MODEL_DIR')
model_gcs = model_dir.replace('gs://', '/gcs/')
model_name = 'model.pkl'
os.mkdir(model_gcs)
f = open(os.path.join(model_gcs, model_name), 'wb')
pickle.dump(model, f)

f = open(os.path.join(model_gcs, model_name), 'wb')
    pickle.dump(model, f)

# Call aiplatform's logging APIs to save data to Vertex AI Experiments.
params = model.get_params()
aiplatform.log_params(params)
metrics = {"training_accuracy": model.score(X,Y)}
aiplatform.log_metrics(metrics)

Puoi scegliere se creare o meno un'esecuzione dell'esperimento. Se non viene specificato un nome per l'esperimento, ne viene creato uno.

Scopri di più, consulta Registrare manualmente i dati in un'esecuzione dell'esperimento.

Python

def create_custom_job_with_experiment_sample(
    project: str,
    location: str,
    staging_bucket: str,
    display_name: str,
    script_path: str,
    container_uri: str,
    service_account: str,
    experiment: str,
    experiment_run: Optional[str] = None,
) -> None:
    aiplatform.init(
        project=project,
        location=location,
        staging_bucket=staging_bucket,
        experiment=experiment
    )

    job = aiplatform.CustomJob.from_local_script(
        display_name=display_name,
        script_path=script_path,
        container_uri=container_uri,
    )

    job.run(
        service_account=service_account,
        experiment=experiment,
        experiment_run=experiment_run,
    )
  • project: il tuo ID progetto. Puoi trovare questi ID progetto nella pagina di benvenuto della console Google Cloud.
  • location: consulta l'elenco delle località disponibili
  • staging_bucket: il nome assegnato al bucket, ad esempio my_bucket.
  • display_name: il nome definito dall'utente del CustomJob.
  • script_path: il percorso relativo alla directory di lavoro nel file system locale e in cui si trova lo script che funge da punto di ingresso per il codice di addestramento.
  • container_uri: l'URI dell'immagine del contenitore di addestramento può essere un contenitore di addestramento predefinito di Vertex AI o un contenitore personalizzato. Se utilizzi un contenitore personalizzato, assicurati che google-cloud-aiplatform>=1.24.0 sia installato.
  • service_account: consulta Creare un account di servizio con le autorizzazioni richieste.
  • experiment: fornisci un nome per l'esperimento. Puoi trovare il tuo elenco di esperimenti nella console Google Cloud selezionando Esperimenti nel riquadro di navigazione della sezione.
  • experiment_run: specifica un nome per l'esecuzione. Se non specificato, verrà creata automaticamente una corsa.

Visualizzare i parametri e le metriche registrati automaticamente

Utilizza l'SDK Vertex AI per Python per confrontare le esecuzioni e recuperare i dati delle esecuzioni. La console Google Cloud offre un modo semplice per confrontare queste esecuzioni.

Passaggi successivi

Esempio di notebook pertinente