Questa pagina descrive in che modo Vertex AI utilizza i set di addestramento, convalida e test dei dati per addestrare un modello AutoML e i modi in cui puoi controllare la suddivisione dei dati in 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 per immagini, testo e video. Per informazioni sulle suddivisioni dei dati tabulari, consulta Suddivisioni dei dati tabulari.
Immagine
Per i set di dati di 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 utilizza il set di test per fornire le metriche di valutazione finali.
Testo
Per i set di dati di testo, i set di addestramento e convalida vengono utilizzati per provare diverse combinazioni di opzioni di preelaborazione, architettura e iperparametri. Questi esperimenti generano modelli addestrati che vengono poi valutati sul set di convalida per verificarne la qualità e per guidare l'esplorazione di combinazioni di opzioni aggiuntive.
Quando ulteriori prove non portano più a miglioramenti della qualità, quella versione del modello è considerata il modello addestrato finale con il rendimento migliore. Successivamente, Vertex AI addestra altri due modelli utilizzando i parametri e l'architettura determinati nella fase di ottimizzazione parallela:
Un modello addestrato con i set di addestramento e convalida.
Vertex AI genera le metriche di valutazione del modello su questo modello utilizzando il set di test. È la prima volta nella procedura che viene utilizzato il set di test. Questo approccio garantisce che le metriche di valutazione finali riflettano in modo imparziale il rendimento 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 e poi utilizza 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 lasciare che sia Vertex AI a suddividere automaticamente i dati. I dati vengono suddivisi in modo casuale nei tre set in base alla percentuale. Questo è il modo più semplice per suddividere i dati e funziona bene nella maggior parte dei casi.
| Imposta | Testo | Immagine | Video |
|---|---|---|---|
| Formazione | 80 | 80 | 80 |
| Convalida | 10 | 10 | N/D |
| Test | 10 | 10 | 20 |
Per utilizzare la suddivisione dei dati predefinita, accetta il valore predefinito nella console Google Cloud o lascia vuoto il campo split per l'API.
Se vuoi controllare la modalità di suddivisione dei dati in set, hai a disposizione le seguenti opzioni:
Scegli una sola di queste opzioni; la scelta viene effettuata durante l'addestramento del
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 dei dati non
obbliga a utilizzare queste opzioni; puoi comunque scegliere un'altra opzione quando
addestri il modello.
Suddivisione manuale per i dati non strutturati
La suddivisione manuale è nota anche come "suddivisione predefinita".
Per utilizzare l'etichetta ml_use per controllare la suddivisione dei dati, devi aver impostato l'etichetta ml_use sui dati.
Imposta un valore per l'etichetta ml_use
Puoi impostare l'etichetta ml_use per i dati di visione, video e testo al momento dell'importazione dei dati (per elemento di dati o per l'intero file di importazione) o dopo l'importazione dei dati utilizzando la console Google Cloud.
Impostazione di ml_use su 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 dati delle righe JSON o impostando il valore della prima colonna del file CSV. Per maggiori dettagli, consulta le informazioni sulla preparazione dei dati per il tuo tipo di dati.
Se uno 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 che incontra e ignora eventuali valori ml_use successivi. Il primo elemento rilevato non è necessariamente quello più vicino all'inizio del file di caricamento.
Impostazione di ml_use per l'intero 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 ciascun file quando carichi i file utilizzando 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 utilizzo ML.
Se carichi di nuovo 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.
Utilizzare l'etichetta ml_use
Quando addestrini il modello, specifica Manuale (avanzato) per la suddivisione dei dati nella console Google Cloud. Se esegui l'addestramento utilizzando l'API Vertex AI, devi utilizzare 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 all'insieme specificato. Gli elementi di dati per i quali non è impostato ml_use vengono esclusi dal processo di addestramento.
Suddivisione del 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, puoi impostare trainingFilter su
labels.flower=rose, validationFilter su labels.flower=daisy e
testFilter su labels.flower=dahlia. Questa impostazione fa sì che tutti i dati etichettati come rose vengano aggiunti al set di addestramento, tutti i dati etichettati come daisy aggiunti al set di convalida e tutti i dati etichettati come dahlia aggiunti al set di test.
Se applichi un filtro su più campi, un elemento dati potrebbe corrispondere a più filtri. In questo caso, il set di addestramento ha la precedenza, seguito dal set di convalida e poi 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 di nessuno degli set, viene escluso dall'addestramento.
Non utilizzare categorie per la suddivisione dei dati correlate a ciò che il modello deve predire. Ogni set deve riflettere l'intervallo di dati utilizzato dal modello per fare previsioni. Ad esempio, non utilizzare i filtri descritti in precedenza per un modello che dovrebbe classificare le immagini in base al tipo di fiore.
Se non vuoi che un filtro corrisponda a nessun elemento, impostalo su "-" (il segno meno).
Suddivisione matematica
La suddivisione matematica è nota anche come "suddivisione in frazioni".
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 sommate diano 100 (per l'API Vertex AI, utilizzi frazioni che sommate danno 1,0).
Per modificare le percentuali (frazioni), utilizza l'oggetto FractionSplit per definire le frazioni. Per i tipi di dati di immagini, testo e video, puoi anche utilizzare la console Google Cloud per aggiornare le percentuali di suddivisione durante l'addestramento del modello.