Menyiapkan Vertex AI TensorBoard

Berikut ini yang diperlukan untuk menyiapkan Vertex AI TensorBoard:

1. Buat akun layanan dengan izin yang diperlukan.
2. Membuat bucket Cloud Storage untuk menyimpan log Vertex AI TensorBoard.
3. Membuat 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 memiliki peran Storage Admin (roles/storage.admin) dan peran 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, dan tidak perlu mengikuti langkah pembuatan bucket yang dijelaskan di sini. Jika menggunakan bucket yang sudah ada, REGION bucket harus berada di region yang sama dengan tempat instance Vertex AI TensorBoard Anda dibuat.

LOCATION=LOCATION_ID
GCS_BUCKET_NAME="PROJECT_ID-tensorboard-logs-${LOCATION_ID}"
gsutil mb -l ${LOCATION_ID} "gs://${GCS_BUCKET_NAME}"

Ganti LOCATION_ID dengan region 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 sebuah project dan region, tetapi sebagian besar pengguna hanya memerlukan satu instance.

Menggunakan instance Vertex AI TensorBoard default

Instance TensorBoard default otomatis dibuat saat menginisialisasi eksperimen Vertex AI. TensorBoard pendukung ini dikaitkan dengan eksperimen Vertex AI dan digunakan dengan semua Eksperimen Vertex AI berikutnya yang berjalan. Ini adalah cara termudah untuk mulai menggunakan Vertex AI TensorBoard dan dapat memenuhi sebagian besar kebutuhan pengguna.

Vertex AI SDK untuk Python

Buat eksperimen Vertex AI TensorBoard dengan instance default menggunakan Vertex AI SDK untuk Python. Lihat init dalam dokumentasi referensi Vertex AI SDK.

Python

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,
    )

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: Region tempat Anda ingin membuat instance TensorBoard. Lihat Daftar lokasi yang tersedia. Pastikan untuk menggunakan region yang mendukung TensorBoard.

Membuat instance Vertex AI TensorBoard secara manual

Anda dapat membuat Vertex AI TensorBoard secara manual. Hal ini berguna bagi pengguna yang lebih memahami konsol Google Cloud, pengguna yang memerlukan TensorBoard yang mendukung CMEK (lihat CMEK), atau pengguna yang ingin menggunakan beberapa TensorBoard. Instance ini kemudian dapat ditentukan secara langsung saat menginisialisasi eksperimen Vertex AI, memulai Uji Coba, 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: Region tempat Anda ingin membuat instance TensorBoard. Lihat Daftar lokasi yang tersedia Pastikan untuk menggunakan region yang mendukung 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 ini mencakup create, describe, list, update, dan delete. Jika perlu, Anda dapat mengikuti langkah-langkah ini guna menetapkan nilai default untuk project dan region 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. Mungkin perlu waktu beberapa menit untuk menyelesaikan langkah ini 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 mendukung 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 region dari menu drop-down Region.
6. (Opsional) Tambahkan deskripsi.
7. (Opsional) Di bagian Enkripsi, pilih Kunci enkripsi yang dikelola pelanggan (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 serta semua eksperimen TensorBoard terkait dan pengoperasian TensorBoard. Eksperimen Vertex AI yang terkait dengan instance tidak dihapus.

Untuk menghapus Eksperimen Vertex AI 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: Masukkan nama Resource TensorBoard.
• project: PROJECT_ID instance TensorBoard Anda berada.
• location: Region tempat instance TensorBoard Anda berada.

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" disebut dalam banyak contoh.

Nama resource TensorBoard

Nama Resource TensorBoard digunakan untuk sepenuhnya mengidentifikasi 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.

ID instance TensorBoard

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