Configura Vertex AI TensorBoard

Per configurare Vertex AI TensorBoard, è necessario quanto segue:

1. Crea un account di servizio con le autorizzazioni richieste.
2. Crea un bucket Cloud Storage per archiviare i log di Vertex AI TensorBoard.
3. Crea un'istanza di Vertex AI TensorBoard.

Crea un account di servizio con le autorizzazioni richieste

L'integrazione di Vertex AI TensorBoard con l'addestramento personalizzato richiede collegamento di un account di servizio.

Nota: se hai già un account di servizio che utilizzi per l'addestramento personalizzato, puoi saltare questo passaggio. Assicurati che l'account di servizio abbia Ruolo Storage Admin (roles/storage.admin) e Ruolo Utente Vertex AI. (roles/aiplatform.user) associati.

1. Crea un account di servizio:

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

   Sostituisci quanto segue:

   • PROJECT_ID: l'ID del progetto in cui ti trovi la creazione di un account di servizio.

   • USER_SA_NAME: un nome univoco del servizio account che stai creando.

2. Il nuovo account di servizio viene utilizzato dal servizio Vertex AI Training per per accedere ai servizi e alle risorse di Google Cloud. Se necessario, utilizza i comandi seguenti per concedere questi ruoli:

   Nota: per l'esecuzione devi disporre almeno dell'autorizzazione setIamPolicy a livello di progetto questi comandi. Per informazioni dettagliate, consulta Autorizzazioni obbligatorie.

   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"
   

Crea un bucket Cloud Storage per archiviare i log di Vertex AI TensorBoard

Per archiviare Vertex AI TensorBoard è necessario un bucket Cloud Storage i log generati dallo script di addestramento. Il bucket deve essere regionale ovvero non multiregionale o doppia, e le seguenti risorse devono essere nella stessa regione:

• Bucket Cloud Storage
• Job di addestramento Vertex AI
• Istanza Vertex AI TensorBoard

Puoi utilizzare un bucket esistente anziché seguire il passaggio di creazione del bucket descritti qui. Quando utilizzi un bucket esistente, la località del bucket nella stessa posizione L'istanza Vertex AI TensorBoard è stata creata in.

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

Sostituisci LOCATION_ID con la posizione in cui È stata creata l'istanza Vertex AI TensorBoard, ad esempio us-central1.

crea un'istanza Vertex AI TensorBoard

Un'istanza Vertex AI TensorBoard, una risorsa regionalizzata di archiviazione degli esperimenti Vertex AI TensorBoard, deve essere presente prima di poter visualizzare gli esperimenti. Ci sono due opzioni. Puoi usa un'istanza predefinita o creane una manualmente. Puoi creare più combinazioni all'interno di un progetto e di una regione, ma alla maggior parte degli utenti serve in esecuzione in un'istanza Compute Engine.

Utilizza l'istanza Vertex AI TensorBoard predefinita

Viene creata automaticamente un'istanza TensorBoard predefinita durante l'inizializzazione Vertex AI dell'esperimento. Questo TensorBoard di supporto è associato all'esperimento Vertex AI e viene utilizzato le successive esecuzioni di Vertex AI Experiments. È il modo più semplice per iniziare Vertex AI TensorBoard e dovrebbe soddisfare le esigenze della maggior parte degli utenti.

SDK Vertex AI per Python

Crea un esperimento Vertex AI TensorBoard con un'istanza predefinita utilizzando l'SDK Vertex AI per Python. Vedi init nella documentazione di riferimento dell'SDK Vertex AI.

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,
    )

nome_esperimento: str, experiment_description: str, progetto: str, località: str,

.
• experiment_name: il nome dell'esperimento.
• experiment_description: una descrizione dell'esperimento.
• project: il PROJECT_ID del progetto che vuoi in cui creare l'istanza TensorBoard.
• location: la posizione in cui creare la tua istanza TensorBoard. La località di Vertex AI TensorBoard è a livello di regione. Assicurati di selezionare una regione che supporti Vertex AI TensorBoard.

Crea manualmente un'istanza Vertex AI TensorBoard

Puoi creare manualmente una Vertex AI TensorBoard. Questa funzionalità è utile per gli utenti a proprio agio con la console Google Cloud, gli utenti che hanno bisogno di una TensorBoard abilitata per CMEK (vedi CMEK) o gli utenti che vuoi utilizzare più TensorBoard. Questa istanza può quindi essere specificata direttamente inizializzare un esperimento Vertex AI, avviare un esperimento o configurare di addestramento personalizzato.

SDK Vertex AI per Python

crea un'istanza Vertex AI TensorBoard utilizzando l'SDK Vertex AI per 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: il PROJECT_ID del progetto a cui vuoi assegnare per creare l'istanza TensorBoard.
• display_name: un nome descrittivo per Vertex AI TensorBoard.
• location: la posizione in cui creare la tua istanza TensorBoard. La località di Vertex AI TensorBoard è a livello di regione. Assicurati di selezionare una regione che supporti TensorBoard di Vertex AI

Google Cloud CLI

Utilizza Google Cloud CLI per creare un'istanza Vertex AI TensorBoard.

1. Installa l'interfaccia a riga di comando gcloud
2. Inizializza Google Cloud CLI eseguendo gcloud init.
3. Per confermare l'installazione, esplora i comandi.
   

    gcloud ai tensorboards --help 

   
   I comandi includono create, describe, list, update e delete. Se necessario, puoi segui questi passaggi per impostare i valori predefiniti per il progetto e la località prima di procedere.
   
4. Esegui l'autenticazione nell'interfaccia alla gcloud CLI.
   

   gcloud auth application-default login

5. Crea un'istanza Vertex AI TensorBoard fornendo un nome progetto e un nome visualizzato. Per il primo passaggio potrebbero essere necessari alcuni minuti in un progetto. Prendi nota dell'istanza di Vertex AI TensorBoard nome (ad esempio: projects/123/locations/us-central1/tensorboards/456), ovvero stampato alla fine di questo comando. Ti servirà nei passaggi successivi.
   

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

   
   Sostituisci quanto segue:
   
   .
   • PROJECT_NAME: il progetto in cui vuoi creare nell'istanza TensorBoard.
   • DISPLAY_NAME: un nome descrittivo per TensorBoard.

Console Google Cloud

Se vuoi che i dati di Vertex AI TensorBoard vengano criptati, devi abilitare il metodo chiave CMEK durante la creazione dell'istanza.

Segui questi passaggi per creare un'istanza abilitata per CMEK Vertex AI TensorBoard utilizzando il metodo nella console Google Cloud.

1. Se non hai mai utilizzato Vertex AI o stai iniziando un nuovo progetto, configurare il progetto e l'ambiente di sviluppo.
2. Nella sezione Vertex AI della console Google Cloud, vai alla pagina Esperimenti.
   
   Vai alla pagina Esperimenti
3. Vai alla scheda Istanze TensorBoard.
4. Fai clic su Crea nella parte superiore della pagina.
5. Seleziona una località dall'elenco a discesa Regione.
6. (Facoltativo) Aggiungi una descrizione.
7. (Facoltativo) In Crittografia, seleziona Chiave di crittografia gestita dal cliente (CMEK) e seleziona una chiave gestita dal cliente.
8. Fai clic su Crea per creare la tua istanza TensorBoard.

Terraform

L'esempio seguente utilizza la risorsa Terraform google_vertex_ai_tensorboard per creare un'istanza Vertex AI TensorBoard non criptata.

Per scoprire come applicare o rimuovere una configurazione Terraform, consulta: Comandi Terraform di base.

Terraform

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

Elimina un'istanza TensorBoard

L'eliminazione di un'istanza TensorBoard comporta l'eliminazione di TensorBoard e di tutti i servizi associati Esperimenti TensorBoard ed esecuzioni di TensorBoard. La Gli esperimenti Vertex AI a cui è associata l'istanza non vengono eliminati.

Per eliminare un esperimento Vertex AI e il relativo associato per gli esperimenti Vertex AI TensorBoard, vedi Elimina un esperimento.

SDK Vertex AI per Python

Elimina un'istanza Vertex AI TensorBoard utilizzando l'SDK Vertex AI per 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: fornisci il valore Nome della risorsa TensorFlow.
• project: il PROJECT_ID in cui si trova la tua istanza TensorBoard.
• location: la posizione in cui si trova l'istanza TensorBoard.

Console Google Cloud

Segui questi passaggi per eliminare un'istanza Vertex AI TensorBoard utilizzando nella console Google Cloud.

1. Nella sezione Vertex AI della console Google Cloud, vai alla pagina Esperimenti.
   
   Vai alla pagina Esperimenti
2. Seleziona la scheda Istanze TensorBoard. Viene visualizzato un elenco di istanze TensorBoard.
3. Seleziona e fai clic su Elimina

Termini pertinenti

I termini "Nome risorsa TensorFlow" e "ID istanza TensorFlow" sono a cui si fa riferimento in numerosi esempi.

Nome risorsa TensorBoard

Il nome della risorsa TensorBoard viene utilizzato per identificare Vertex AI TensorBoard. Il formato è il seguente:

projects/PROJECT_ID_OR_NUMBER/locations/REGION/tensorboards/TENSORBOARD_INSTANCE_ID

Il nome della risorsa TensorBoard viene stampato nei messaggi di log al momento della creazione utilizzando gcloud CLI o l'SDK Vertex AI oppure possono essere creati fornendo i valori appropriati per i segnaposto.

ID istanza TensorBoard

L'ID istanza TensorBoard è un valore ID generato associato a un TensorBoard. Per trovare TENSORBOARD_INSTANCE_ID, vai a sezione Vertex AI della pagina Esperimenti della console Google Cloud e seleziona la scheda Istanze TensorBoard.