Auf dieser Seite sind die Schnittstellen aufgeführt, mit denen Sie ML-Pipelines in Vertex AI Pipelines definieren und ausführen können.
Schnittstellen zum Definieren einer Pipeline
Vertex AI Pipelines unterstützt ML-Pipelines, die mit dem Kubeflow Pipelines (KFP) SDK oder dem TensorFlow Extended (TFX) SDK definiert wurden.
Kubeflow Pipelines (KFP) SDK
Verwenden Sie KFP für alle Anwendungsfälle, in denen Sie TensorFlow Extended nicht zur Verarbeitung großer Mengen strukturierter oder Textdaten benötigen.
Vertex AI Pipelines unterstützt das KFP SDK v1.8 oder höher. Wenn Sie jedoch die Codebeispiele in der Vertex AI Pipelines-Dokumentation verwenden möchten, verwenden Sie das KFP SDK v2.
Wenn Sie das KFP SDK verwenden, können Sie Ihren ML-Workflow definieren, indem Sie benutzerdefinierte Komponenten erstellen und vordefinierte Komponenten wie dieGoogle Cloud Pipeline-Komponenten Google Cloud wiederverwenden.Mit Pipeline-Komponenten können Sie Vertex AI-Dienste wie AutoML ganz einfach in Ihrer ML-Pipeline verwenden. Vertex AI Pipelines unterstützt das Google Cloud Pipeline Components SDK Version 2 oder höher. Weitere Informationen zuGoogle Cloud Pipeline-Komponenten finden Sie unter Einführung in Google Cloud Pipeline-Komponenten.
Informationen zum Erstellen einer Pipeline mit Kubeflow Pipelines finden Sie unter Pipeline erstellen. Weitere Informationen zu Kubeflow Pipelines finden Sie in der Kubeflow Pipelines-Dokumentation.
TFX-SDK (TensorFlow Extended)
Verwenden Sie TFX, wenn Sie TensorFlow Extended in Ihrem ML-Workflow verwenden, um Terabyte an strukturierten oder Textdaten zu verarbeiten. Vertex AI Pipelines unterstützt das TFX SDK v0.30.0 oder höher.
Informationen zum Erstellen von ML-Pipelines mit TFX finden Sie im Abschnitt Erste Schritte der Anleitungen zu TensorFlow Extended in der Produktion.
Schnittstellen zum Ausführen einer Pipeline
Nachdem Sie Ihre ML-Pipeline definiert haben, können Sie eine ML-Pipelineausführung mit einer der folgenden Schnittstellen erstellen:
REST API
SDK-Clients
Google Cloud Console
Weitere Informationen zu den Schnittstellen, mit denen Sie mit Vertex AI interagieren können, finden Sie unter Schnittstellen für Vertex AI.
REST API
Verwenden Sie die Pipelines
-Dienst-API, um eine Pipeline-Ausführung mit REST zu erstellen. Diese API verwendet die REST-Ressource projects.locations.pipelineJobs
.
SDK-Clients
Mit Vertex AI Pipelines können Sie Pipelineausführungen mit dem Vertex AI SDK für Python oder Clientbibliotheken erstellen.
Vertex AI SDK für Python
Das Vertex AI SDK für Python (aiplatform
) ist das empfohlene SDK für die programmatische Arbeit mit der Pipelines
-Dienst-API. Weitere Informationen zu diesem SDK finden Sie in der API-Dokumentation für google.cloud.aiplatform.PipelineJob
.
Clientbibliotheken
Clientbibliotheken sind programmatisch generierte API-Clients (GAPIC) SDKs. Vertex AI Pipelines unterstützt die folgenden Clientbibliotheken:
Python (
aiplatform
v1
undv1beta1
)Java
Node.js
Weitere Informationen finden Sie unter Vertex AI-Clientbibliotheken installieren.
Google Cloud Console (GUI)
Die Google Cloud Console ist die empfohlene Methode, um Pipelineausführungen zu überprüfen und zu überwachen. Sie können mit der Google Cloud Console auch andere Aufgaben ausführen, z. B. Pipelineausführungen erstellen, löschen und klonen, auf die Vorlagengalerie zugreifen und das Abrechnungslabel für eine Pipelineausführung abrufen.
Pipelines in der Google Cloud Console aufrufen
Nächste Schritte
Weitere Informationen zum Definieren einer Pipeline mit dem Kubeflow Pipelines SDK
Best Practices für die Implementierung benutzerdefinierter ML-Modelle in Vertex AI