Questa pagina descrive in che modo Vertex AI utilizza i set di addestramento, convalida e test dei tuoi dati per addestrare un modello AutoML e come è possibile controllare la suddivisione dei dati tra questi tre set. AutoML utilizza le suddivisioni dei dati in modo diverso a seconda del tipo di dati di addestramento.
Questa pagina descrive le suddivisioni dei dati di immagini, testo e video. Per informazioni sulle suddivisioni per i dati tabulari, consulta Suddivisione dei dati per i dati tabulari.
Immagine
Per i set di dati delle immagini, AutoML utilizza il set di addestramento per addestrare il modello e il set di convalida per convalidare i risultati restituiti dal modello durante l'addestramento. Al termine dell'addestramento, AutoML usa il set di test per fornire le metriche di valutazione finale.
Testo
Per i set di dati di testo, i set di addestramento e convalida vengono utilizzati per provare diverse combinazioni di pre-elaborazione, architettura e iperparametri. Queste prove portano a modelli addestrati che vengono poi valutati in base al set di convalida per la qualità e per guidare l'esplorazione di ulteriori combinazioni di opzioni.
Quando un numero maggiore di prove non porta più a miglioramenti della qualità, quella versione del modello viene considerata il modello addestrato finale, con le migliori prestazioni. Poi, Vertex AI addestra altri due modelli, utilizzando i parametri e l'architettura determinati nella fase di ottimizzazione parallela:
Un modello addestrato con i tuoi set di addestramento e convalida.
Vertex AI genera le metriche di valutazione del modello su questo modello utilizzando il tuo set di test. Questa è la prima volta nel processo che viene utilizzato il set di test. Questo approccio garantisce che le metriche di valutazione finale riflettano in modo imparziale le prestazioni del modello addestrato finale in produzione.
Un modello addestrato con i set di addestramento, convalida e test.
Questo è il modello che utilizzi per richiedere le previsioni.
Video
Per i set di dati video, AutoML utilizza il set di addestramento per addestrare il modello, quindi usa il set di test per fornire le metriche di valutazione finale. Il set di convalida non viene utilizzato per i set di dati video.
Puoi consentire a Vertex AI di dividere automaticamente i dati. I dati vengono suddivisi in modo casuale nei tre set per percentuale. È il modo più semplice per suddividere i dati e nella maggior parte dei casi funziona bene.
| Imposta | Testo | Immagine | Video |
|---|---|---|---|
| Addestramento | 80 | 80 | 80 |
| Convalida | 10 | 10 | N/A |
| Testa | 10 | 10 | 20 |
Per utilizzare la suddivisione dati predefinita, accetta il valore predefinito nella console Google Cloud o lascia vuoto il campo split per l'API.
Se vuoi controllare in che modo i dati vengono suddivisi in set, hai a disposizione le seguenti opzioni:
Scegli solo una di queste opzioni e scegli quando addestrerai il modello. Alcune di queste opzioni richiedono modifiche ai dati di addestramento (ad esempio
l'etichetta ml_use). L'inclusione di dati o etichette per le opzioni di suddivisione dati
non richiede l'utilizzo di queste opzioni; puoi comunque sceglierne un'altra quando
addestra il modello.
Suddivisione manuale per dati non strutturati
La suddivisione manuale è anche nota come "suddivisione predefinita".
Per utilizzare l'etichetta ml_use per controllare la suddivisione dati, devi aver impostato
l'etichetta ml_use sui tuoi dati.
Imposta un valore per l'etichetta ml_use
Puoi impostare l'etichetta ml_use per i dati di visione artificiale, video e testo al momento dell'importazione dei dati (per elemento di dati o per l'intero file di importazione) oppure dopo l'importazione dei dati utilizzando la console Google Cloud.
Impostazione di ML_use per singoli elementi di dati al momento dell'importazione
Puoi impostare l'etichetta ml_use su ogni elemento di dati includendo un valore per il campo aiplatform.googleapis.com/ml_use nei tuoi dati delle Righe JSON oppure impostando il valore della prima colonna del file CSV. Per ulteriori dettagli, consulta le informazioni sulla preparazione dei dati per il tuo tipo di dati.
Se uno qualsiasi degli elementi di dati viene ripetuto nei dati (se lo stesso video, immagine o snippet di testo viene visualizzato più volte nel file di importazione), Vertex AI utilizza il valore ml_use per il primo elemento di dati rilevato e ignora i valori ml_use successivi. Il primo elemento trovato non è necessariamente quello più vicino all'inizio del file di caricamento.
Impostazione di ml_use per interi file di caricamento
Se i dati possono essere ordinati in diversi file di caricamento in base al valore ml_use, puoi impostare il valore ml_use per l'intero file di caricamento utilizzando il menu a discesa per file quando carichi i file mediante la console Google Cloud oppure utilizzando il campo mappa dataItemLabels nel metodo datasets.import.
Se imposti ml_use per un file di caricamento e il file contiene anche valori ml_use, i valori ml_use nel file hanno la precedenza sul valore a livello di file.
Impostazione di ml_use dopo l'importazione
Dopo aver caricato i dati, puoi impostare o aggiornare il valore ml_use per elementi di dati specifici nella console Google Cloud selezionando uno o più elementi nella visualizzazione elenco e utilizzando il menu a discesa Assegna l'utilizzo del machine learning.
Se ricarichi un file di dati, anche se i valori ml_use sono cambiati, il valore ml_use non viene aggiornato. Non puoi aggiornare i valori ml_use dopo l'importazione
utilizzando l'API Vertex AI.
Utilizza l'etichetta ml_use
Quando addestri il modello, specifichi Manuale (avanzato) per la suddivisione dei dati nella console Google Cloud. Se l'addestramento avviene con l'API Vertex AI,
utilizzi l'oggetto FilterSplit,
specificando labels.aiplatform.googleapis.com/ml_use=training per il filtro di addestramento, labels.aiplatform.googleapis.com/ml_use=validation per il filtro di convalida e labels.aiplatform.googleapis.com/ml_use=test per il filtro di test.
Ad esempio:
model = job.run(
dataset=dataset,
model_display_name=_name,
training_filter_split="labels.aiplatform.googleapis.com/ml_use=training",
validation_filter_split="labels.aiplatform.googleapis.com/ml_use=validation",
test_filter_split="labels.aiplatform.googleapis.com/ml_use=test")
Tutti gli elementi di dati con un valore ml_use vengono assegnati al set specificato. Gli elementi
di dati in cui non è impostato ml_use vengono esclusi dal processo di addestramento.
Suddivisione filtro dati
Puoi utilizzare altre etichette (oltre a ML-use) e altri campi per suddividere i dati utilizzando l'oggetto FilterSplit nell'API Vertex AI. Ad esempio, potresti impostare trainingFilter su
labels.flower=rose, validationFilter su labels.flower=daisy e
testFilter su labels.flower=dahlia. Con questa impostazione, tutti i dati etichettati come rose verranno aggiunti al set di addestramento, tutti i dati etichettati come daisy al set di convalida e tutti i dati etichettati come dahlia verranno aggiunti al set di test.
Se applichi filtri in base a più campi, un elemento di dati potrebbe corrispondere a più di un filtro. In questo caso, il set di addestramento ha la precedenza, seguito dal set di convalida, seguito dal set di test. In altre parole, un elemento viene inserito nel set di test solo se corrisponde al filtro per il set di test, ma non corrisponde ai filtri di addestramento o convalida. Se un elemento non corrisponde ai filtri per nessuno dei set, viene escluso dall'addestramento.
Per la suddivisione dei dati, non utilizzare categorie correlate a ciò che il modello prevederà; ciascuno dei tuoi set deve riflettere l'intervallo di dati che il modello utilizza per fare previsioni. Ad esempio, non usare i filtri descritti in precedenza per un modello che deve classificare le immagini per tipo di fiore.
Se non vuoi che un filtro corrisponda ad alcun elemento, impostalo su "-" (il segno meno).
Suddivisione matematica
La suddivisione matematica è nota anche come "suddivisione a frazione".
Per impostazione predefinita, i dati vengono suddivisi in modo casuale nei set in base alle percentuali predefinite per il tipo di dati. Puoi modificare le percentuali in qualsiasi valore che sommati fino a 100 (per l'API Vertex AI si utilizzano frazioni che sommano 1, 0).
Per modificare le percentuali (frazioni), utilizza l'oggetto FractionSplit per definire le frazioni. Per i tipi di dati immagine, testo e video, puoi anche utilizzare la console Google Cloud per aggiornare le percentuali di suddivisione quando addestri il modello.