Vertex AI Experiments 支持跟踪执行和工件。 执行是机器学习工作流中的步骤,包括但不限于数据预处理、训练和模型评估。执行可以使用数据集等工件并生成模型等工件。
创建工件
以下示例使用 Artifact 类的 create
方法。
Python
schema_title
:必填。标识资源使用的架构标题。project
:您的项目 ID。 您可以在 Google Cloud 控制台的欢迎页面中找到这些 ID。location
:请参阅可用位置列表。uri
:可选。工件位置的 URI。resource_id
:可选。工件名称的resource_id
部分,具有格式。这在 metadataStore 中全局唯一:
projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>
。display_name
:可选。用户定义的资源名称。schema_version
:可选。指定资源使用的版本。如果未设置,则默认为使用最新版本。description
:可选。说明要创建的资源的用途。metadata
:可选。包含将存储在资源中的元数据信息。
开始执行
以下示例使用 start_execution
方法。
Python
schema_title
:标识资源使用的架构标题。display_name
:用户定义的资源名称。input_artifacts
:要作为输入分配的工件。output_artifacts
:工件作为此 Execution 的输出。project
:您的项目 ID。 您可以在 Google Cloud 控制台的欢迎页面中找到这些 ID。location
:请参阅可用位置列表。resource_id
:可选。工件名称的resource_id
部分,具有格式。这在 metadataStore 中全局唯一: projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>。schema_version
:可选。指定资源使用的版本。如果未设置,则默认为使用最新版本。metadata
:可选。包含将存储在资源中的元数据信息。resume
:布尔值。注意:将可选的
resume
参数指定为TRUE
时,先前启动的运行会继续。如果未指定,则resume
默认为FALSE
,并创建一个新的运行。