Menyiapkan Vertex AI TensorBoard

Hal berikut diperlukan untuk menyiapkan Vertex AI TensorBoard:

1. Membuat akun layanan dengan izin yang diperlukan.
2. Buat bucket Cloud Storage untuk menyimpan log Vertex AI TensorBoard.
3. Buat instance Vertex AI TensorBoard.

Membuat akun layanan dengan izin yang diperlukan

Integrasi Vertex AI TensorBoard dengan pelatihan khusus memerlukan akun layanan.

Catatan: Jika sudah memiliki akun layanan yang digunakan untuk pelatihan khusus, Anda dapat melewati langkah ini. Pastikan akun layanan tersebut memiliki peran Storage Admin (roles/storage.admin) dan Vertex AI User. (roles/aiplatform.user) yang terkait dengannya.

1. Membuat akun layanan

   gcloud --project=PROJECT_ID iam service-accounts create USER_SA_NAME
   

   Ganti kode berikut:

   • PROJECT_ID: ID project tempat Anda membuat akun layanan.

   • USER_SA_NAME: nama unik untuk akun layanan yang Anda buat.

2. Akun layanan baru ini digunakan oleh Vertex AI Training Service untuk mengakses layanan dan resource Google Cloud. Gunakan perintah berikut untuk memberikan peran ini jika diperlukan:

   Catatan: Anda memerlukan setidaknya izin setIamPolicy level project untuk menjalankan perintah ini. Untuk mengetahui detailnya, lihat Izin yang Diperlukan.

   SA_EMAIL="USER_SA_NAME@PROJECT_ID.iam.gserviceaccount.com"
   
   gcloud projects add-iam-policy-binding PROJECT_ID \
      --member="serviceAccount:${SA_EMAIL}" \
      --role="roles/storage.admin"
   
   gcloud projects add-iam-policy-binding PROJECT_ID \
      --member="serviceAccount:${SA_EMAIL}" \
      --role="roles/aiplatform.user"
   

Membuat bucket Cloud Storage untuk menyimpan log Vertex AI TensorBoard

Bucket Cloud Storage diperlukan untuk menyimpan log Vertex AI TensorBoard yang dihasilkan oleh skrip pelatihan Anda. Bucket ini harus bersifat regional—bukan multi-region atau dual-region—dan resource berikut harus berada di region yang sama:

• Bucket Cloud Storage
• Tugas pelatihan Vertex AI
• Instance Vertex AI TensorBoard

Anda dapat menggunakan bucket yang sudah ada, bukan mengikuti langkah pembuatan bucket yang dijelaskan di sini. Jika menggunakan bucket yang sudah ada, lokasi bucket harus merupakan lokasi yang sama dengan tempat instance Vertex AI TensorBoard Anda dibuat.

GCS_BUCKET_NAME="PROJECT_ID-tensorboard-logs-LOCATION_ID"
gcloud storage buckets create "gs://${GCS_BUCKET_NAME}" --location=LOCATION_ID

Ganti LOCATION_ID dengan lokasi tempat instance Vertex AI TensorBoard Anda dibuat, misalnya us-central1.

Buat instance Vertex AI TensorBoard

Instance Vertex AI TensorBoard, yang merupakan resource regional yang menyimpan eksperimen Vertex AI TensorBoard, harus ada sebelum eksperimen dapat divisualisasikan. Ada dua opsi. Anda dapat menggunakan instance default, atau membuatnya secara manual. Anda dapat membuat beberapa instance dalam project dan region, tetapi sebagian besar pengguna hanya memerlukan satu instance.

Menggunakan instance Vertex AI TensorBoard default

Instance TensorBoard default dibuat secara otomatis saat melakukan inisialisasi eksperimen Vertex AI. TensorBoard pendukung ini dikaitkan dengan eksperimen Vertex AI dan digunakan dengan semua operasi Vertex AI Experiment berikutnya. tensorboard_resource_name dapat diambil langsung dari eksperimen. Ini adalah cara termudah untuk memulai Vertex AI TensorBoard dan akan memenuhi sebagian besar kebutuhan pengguna.

Vertex AI SDK untuk Python

Buat eksperimen Vertex AI TensorBoard dengan instance default menggunakan Vertex AI SDK untuk Python. Ambil tensorboard_resource_name dari eksperimen. Lihat init dan Experiment dalam dokumentasi referensi Vertex AI SDK.

Python

from google.cloud import aiplatform


def create_experiment_default_tensorboard_sample(
    experiment_name: str,
    experiment_description: str,
    project: str,
    location: str,
):
    aiplatform.init(
        experiment=experiment_name,
        experiment_description=experiment_description,
        project=project,
        location=location,
    )

    tensorboard = aiplatform.Experiment(experiment_name).get_backing_tensorboard_resource()
    print(f"Tensorboard resource name: {tensorboard.name}")

experiment_name: str, experiment_description: str, project: str, location: str,

• experiment_name: Nama eksperimen Anda.
• experiment_description: Deskripsi eksperimen Anda.
• project: PROJECT_ID project tempat Anda ingin membuat instance TensorBoard.
• location: Lokasi untuk membuat instance TensorBoard. Lokasi Vertex AI TensorBoard bersifat regional. Pastikan untuk memilih region yang mendukung Vertex AI TensorBoard.

Membuat instance Vertex AI TensorBoard secara manual

Anda dapat membuat Vertex AI TensorBoard secara manual. Hal ini berguna bagi pengguna yang lebih nyaman dengan konsol Google Cloud, pengguna yang memerlukan TensorBoard yang mengaktifkan CMEK (lihat CMEK), atau pengguna yang ingin menggunakan beberapa TensorBoard. Instance ini kemudian dapat ditentukan secara langsung saat melakukan inisialisasi eksperimen Vertex AI, memulai Run Eksperimen, atau mengonfigurasi kode pelatihan.

Vertex AI SDK untuk Python

Membuat instance Vertex AI TensorBoard menggunakan Vertex AI SDK untuk Python.

Python

def create_tensorboard_sample(
    project: str,
    location: str,
    display_name: Optional[str] = None,
):
    aiplatform.init(project=project, location=location)

    tensorboard = aiplatform.Tensorboard.create(
        display_name=display_name,
        project=project,
        location=location,
    )

    aiplatform.init(
        project=project,
        location=location,
        experiment_tensorboard=tensorboard
    )

    return tensorboard

• project: PROJECT_ID project tempat Anda ingin membuat instance TensorBoard.
• display_name: Nama deskriptif untuk instance Vertex AI TensorBoard.
• location: Lokasi untuk membuat instance TensorBoard. Lokasi Vertex AI TensorBoard bersifat regional. Pastikan untuk memilih region yang mendukung Vertex AI TensorBoard

Google Cloud CLI

Gunakan Google Cloud CLI untuk membuat instance Vertex AI TensorBoard.

1. Menginstal gcloud CLI
2. Melakukan inisialisasi Google Cloud CLI dengan menjalankan gcloud init.
3. Untuk mengonfirmasi penginstalan, pelajari perintahnya.
   

    gcloud ai tensorboards --help 

   
   Perintah tersebut mencakup create, describe, list, update, dan delete. Jika perlu, Anda dapat mengikuti langkah-langkah ini guna menetapkan nilai default untuk project dan lokasi Anda sebelum melanjutkan.
   
4. Melakukan autentikasi ke gcloud CLI.
   

   gcloud auth application-default login

5. Buat instance Vertex AI TensorBoard dengan memberikan nama project dan nama tampilan. Langkah ini mungkin memerlukan waktu beberapa menit untuk diselesaikan untuk pertama kalinya dalam sebuah project. Catat nama instance Vertex AI TensorBoard (misalnya: projects/123/locations/us-central1/tensorboards/456) yang dicetak di akhir perintah berikut. Anda akan membutuhkannya pada langkah berikutnya.
   

   gcloud ai tensorboards create --display-name DISPLAY_NAME \
          --project PROJECT_NAME
        

   
   Ganti kode berikut:
   
   • PROJECT_NAME: Project tempat Anda ingin membuat instance TensorBoard.
   • DISPLAY_NAME: Nama deskriptif untuk instance TensorBoard.

Konsol Google Cloud

Jika ingin data Vertex AI TensorBoard dienkripsi, Anda harus mengaktifkan kunci CMEK saat membuat instance.

Ikuti langkah-langkah berikut untuk membuat instance Vertex AI TensorBoard yang mengaktifkan CMEK menggunakan konsol Google Cloud.

1. Jika Anda baru mengenal Vertex AI atau memulai project baru, siapkan project dan lingkungan pengembangan Anda.
2. Di bagian Vertex AI pada Google Cloud Console, buka halaman Eksperimen.
   
   Buka halaman Eksperimen
3. Buka tab TensorBoard Instances.
4. Klik Create di bagian atas halaman.
5. Pilih lokasi dari menu drop-down Region.
6. (Opsional) Tambahkan deskripsi.
7. (Opsional) Di bagian Encryption, pilih Customer-managed encryption key (CMEK), lalu pilih kunci yang dikelola pelanggan.
8. Klik Create untuk membuat instance TensorBoard.

Terraform

Contoh berikut menggunakan resource Terraform google_vertex_ai_tensorboard untuk membuat instance Vertex AI TensorBoard yang tidak dienkripsi.

Untuk mempelajari cara menerapkan atau menghapus konfigurasi Terraform, lihat Perintah dasar Terraform.

Terraform

resource "google_vertex_ai_tensorboard" "default" {
  display_name = "vertex-ai-tensorboard-sample-name"
  region       = "us-central1"
}

Menghapus instance TensorBoard

Menghapus instance TensorBoard akan menghapus TensorBoard tersebut dan semua eksperimen TensorBoard dan operasi TensorBoard terkait. Eksperimen Vertex AI yang dikaitkan dengan instance tidak dihapus.

Untuk menghapus Vertex AI Experiments dan eksperimen Vertex AI TensorBoard terkait, lihat Menghapus eksperimen.

Vertex AI SDK untuk Python

Menghapus instance Vertex AI TensorBoard menggunakan Vertex AI SDK untuk Python.

Python

def delete_tensorboard_instance_sample(
    tensorboard_resource_name: str,
    project: str,
    location: str,
):
    aiplatform.init(project=project, location=location)

    tensorboard = aiplatform.Tensorboard(
        tensorboard_name=tensorboard_resource_name
    )

    tensorboard.delete()

• tensorboard_resource_name: Berikan Nama Resource TensorBoard.
• project: PROJECT_ID tempat instance TensorBoard Anda berada.
• location: Lokasi instance TensorBoard Anda.

Konsol Google Cloud

Ikuti langkah-langkah berikut untuk menghapus instance Vertex AI TensorBoard menggunakan Konsol Google Cloud.

1. Di bagian Vertex AI pada Konsol Google Cloud, buka halaman Experiments.
   
   Buka halaman Eksperimen
2. Pilih tab TensorBoard Instances. Daftar instance TensorBoard akan muncul.
3. Pilih , lalu klik Hapus

Istilah yang relevan

Istilah ini, "nama resource TensorBoard", dan "ID instance TensorBoard" direferensikan dalam banyak contoh.

Nama resource TensorBoard

Nama Resource TensorBoard digunakan untuk mengidentifikasi sepenuhnya instance Vertex AI TensorBoard. Formatnya adalah sebagai berikut:

projects/PROJECT_ID_OR_NUMBER/locations/REGION/tensorboards/TENSORBOARD_INSTANCE_ID

Nama resource TensorBoard dicetak dalam pesan log saat dibuat menggunakan gcloud CLI atau Vertex AI SDK, atau dapat dibuat dengan memberikan nilai yang sesuai untuk placeholder.

Vertex AI SDK untuk Python

Nama resource TensorBoard dapat diambil dari Eksperimen Vertex AI menggunakan Vertex AI SDK.

Python

from google.cloud import aiplatform


def get_experiment_backing_tensorboard_sample(
    experiment_name: str,
    project: str,
    location: str,
):
    backing_tensorboard = aiplatform.Experiment(
        project=project,
        location=location,
        experiment_name=experiment_name
    ).get_backing_tensorboard_resource()

    return backing_tensorboard.name

• experiment_name: Nama eksperimen Anda.
• project: PROJECT_ID eksperimen Anda.
• location: Lokasi eksperimen Anda.

ID instance TensorBoard

ID instance TensorBoard adalah nilai ID yang dihasilkan dan dikaitkan dengan instance TensorBoard. Untuk menemukan TENSORBOARD_INSTANCE_ID, buka bagian Vertex AI halaman Eksperimen di Konsol Google Cloud, lalu pilih tab TensorBoard Instances.

Anda juga dapat mengambil ID instance dari nama resource TensorBoard.