Monitorare le esecuzioni e gli elementi

Vertex AI Experiments supporta il monitoraggio sia delle esecuzioni sia degli elementi. Le esecuzioni sono passaggi di un flusso di lavoro ML che includono, a titolo esemplificativo, la preelaborazione dei dati, l'addestramento e la valutazione del modello. Le esecuzioni possono consumare elementi come set di dati e produrre elementi come modelli.

Crea artefatto

L'esempio seguente utilizza il metodo create della classe Artifact.

Python

from typing import Dict, Optional

from google.cloud import aiplatform


def create_artifact_sample(
    schema_title: str,
    project: str,
    location: str,
    uri: Optional[str] = None,
    resource_id: Optional[str] = None,
    display_name: Optional[str] = None,
    schema_version: Optional[str] = None,
    description: Optional[str] = None,
    metadata: Optional[Dict] = None,
):
    artifact = aiplatform.Artifact.create(
        schema_title=schema_title,
        uri=uri,
        resource_id=resource_id,
        display_name=display_name,
        schema_version=schema_version,
        description=description,
        metadata=metadata,
        project=project,
        location=location,
    )
    return artifact
  • schema_title: obbligatorio. Identifica il titolo dello schema utilizzato dalla risorsa.
  • project: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.
  • location: consulta l'elenco delle località disponibili.
  • uri: facoltativo. URI della posizione dell'elemento.
  • resource_id: facoltativo. La parte resource_id del nome dell'elemento con il formato. Questo valore è univoco a livello globale in un metadataStore:
    projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>.
  • display_name: facoltativo. Il nome definito dall'utente della risorsa.
  • schema_version: facoltativo. Specifica la versione utilizzata dalla risorsa. Se non viene impostato, viene utilizzata per impostazione predefinita la versione più recente.
  • description: facoltativo. Descrive lo scopo della risorsa da creare.
  • metadata: facoltativo. Contiene le informazioni sui metadati che verranno memorizzate nella risorsa.

Avvia esecuzione

L'esempio seguente utilizza il metodo start_execution.

Python

from typing import Any, Dict, List, Optional

from google.cloud import aiplatform


def start_execution_sample(
    schema_title: str,
    display_name: str,
    input_artifacts: List[aiplatform.Artifact],
    output_artifacts: List[aiplatform.Artifact],
    project: str,
    location: str,
    resource_id: Optional[str] = None,
    metadata: Optional[Dict[str, Any]] = None,
    schema_version: Optional[str] = None,
    resume: bool = False,
):
    aiplatform.init(project=project, location=location)

    with aiplatform.start_execution(
        schema_title=schema_title,
        display_name=display_name,
        resource_id=resource_id,
        metadata=metadata,
        schema_version=schema_version,
        resume=resume,
    ) as execution:
        execution.assign_input_artifacts(input_artifacts)
        execution.assign_output_artifacts(output_artifacts)
        return execution
  • schema_title: identifica il titolo dello schema utilizzato dalla risorsa.
  • display_name: il nome definito dall'utente della risorsa.
  • input_artifacts: elementi da assegnare come input.
  • output_artifacts: gli elementi come output di questa Esecuzione.
  • project: l'ID del tuo progetto. Puoi trovarli nella pagina di benvenuto della console Google Cloud.
  • location: consulta l'elenco delle località disponibili.
  • resource_id: facoltativo. La parte resource_id del nome dell'elemento con il formato. È univoco a livello globale in un metadataStore: projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>.
  • schema_version: facoltativo. Specifica la versione utilizzata dalla risorsa. Se non viene impostato, viene utilizzata per impostazione predefinita la versione più recente.
  • metadata: facoltativo. Contiene le informazioni sui metadati che verranno memorizzate nella risorsa.
  • resume: bool.

    Nota: quando il parametro facoltativo resume è specificato come TRUE, la corsa avviata in precedenza viene ripresa. Se non specificato, il valore predefinito di resume è FALSE e viene creata una nuova esecuzione.

Esempi di notebook