L'SDK Vertex AI include la classe Model
lavorare con un modello addestrato e poi utilizzato per le previsioni. L'SDK inoltre
include la classe ModelEvaluation
da valutare
su modelli AutoML addestrati. Per ulteriori informazioni sui modelli, consulta Addestramento
e utilizzare i tuoi modelli.
Model
La classe Model
rappresenta un modello addestrato registrato in Vertex AI Model Registry. Utilizzi un modello addestrato per
generare previsioni.
Utilizza il metodo aiplatform.Model()
per trovare e
e restituire un riferimento a un modello. Puoi specificare un modello utilizzando il nome o l'ID.
Poiché più modelli in un progetto possono condividere lo stesso nome, consigliamo
e specificare un modello con il relativo ID. Il seguente esempio di codice mostra come
utilizza un ID modello per trovare e restituire un riferimento a un modello esistente:
MODEL_ID="my-sample-model-ID"
model = aiplatform.Model(model_name=MODEL_ID)
Dopo aver ottenuto un riferimento a un modello addestrato, puoi utilizzare
proprietà e
metodi di Model
per
lavorare con quest'ultimo e ottenere previsioni.
Crea un modello registrato
Per creare una risorsa del modello registrata nel
Vertex AI Model Registry, chiama il metodo run
su una classe di job di addestramento.
I seguenti metodi creano un modello, lo addestrano, lo registrano in Vertex AI Model Registry e poi restituiscono un riferimento al modello.
AutoMLForecastingTrainingJob.run
AutoMLImageTrainingJob.run
AutoMLTabularTrainingJob.run
AutoMLTextTrainingJob.run
AutoMLVideoTrainingJob.run
CustomContainerTrainingJob.run
CustomPythonPackageTrainingJob.run
CustomTrainingJob.run
Il seguente codice di esempio mostra come creare una risorsa CustomTrainingJob
e poi utilizzare il relativo metodo run
per creare un modello, addestrarlo, registrarlo nel Model Registry di Vertex AI e restituire un riferimento al modello:
# Create a custom training job using a script
job = aiplatform.CustomTrainingJob(
display_name="my-training-job",
script_path="task.py",
container_uri="us-docker.pkg.dev/vertex-ai/training/tf-cpu.2-8:latest",
requirements=["google-cloud-bigquery>=2.20.0", "db-dtypes", "protobuf<3.20.0"],
model_serving_container_image_uri="us-docker.pkg.dev/vertex-ai/prediction/tf2-cpu.2-8:latest",
)
# Create and train your model using a BigQuery dataset. The method
# returns a reference to the trained model.
model = job.run(
dataset=dataset,
model_display_name="my-model-name",
bigquery_destination=f"bq://{project_id}",
args=CMDARGS,
)
Crea un modello non registrato
Per creare un modello non registrato in Vertex AI Model Registry,
utilizza la classe CustomJob
e il relativo metodo run
. La
CustomJob.run
addestra un modello, ma non lo registra
Vertex AI Model Registry e non restituisce alcun riferimento al modello.
Se utilizzi la classe CustomJob
, devi utilizzare uno script per scrivere
in una località, ad esempio un bucket Cloud Storage. Per ulteriori informazioni, vedi
Esporta un modello ML addestrato.
Registra un modello
Se il tuo modello non è registrato con Vertex AI Model Registry, devi registrarlo per poter per gestire il ciclo di vita del modello. Vertex AI Model Registry è una piattaforma che offre una panoramica dei tuoi modelli per consentirti di gestirli. Per ulteriori informazioni, vedi Introduzione a Vertex AI Model Registry.
L'SDK Vertex AI include i seguenti metodi per importare un modello al Vertex AI Model Registry. Fai clic su uno dei metodi per scoprire di più nella guida di riferimento dell'SDK Vertex AI.
Model.upload
Model.upload_scikit_learn_model_file
Model.upload_tensorflow_saved_model
Model.upload_xgboost_model_file
Esegui il deployment di un modello
Dopo aver registrato un modello, devi eseguirne il deployment su un endpoint prima
per fare previsioni. Utilizza il metodo
Model.deploy
per eseguire il deployment del modello in un
Endpoint
. Per maggiori informazioni, consulta Eseguire il deployment di un modello in un endpoint.
ModelEvaluation
Utilizza il corso ModelEvaluation
per ricevere
metriche di valutazione per i modelli AutoML, come precisione e richiamo, per
a determinare le prestazioni dei tuoi modelli. Per ulteriori informazioni, consulta la sezione Valutazione del
modello in Vertex AI.
Il seguente esempio di codice mostra come elencare tutte le valutazioni per un modello con ID modello model-id
che si trova in un progetto con ID progetto my-project
e nella regione us-central1
:
model = aiplatform.Model('projects/my-project/locations/us-central1/models/{model-id}')
evaluations = model.list_model_evaluations()
Il seguente esempio di codice mostra come ottenere la valutazione di un modello con
ID modello model-id
che si trova in un progetto con un ID progetto di my-project
e
nella regione us-central1
:
model = aiplatform.Model('projects/my-project/locations/us-central1/models/{model-id}')
# Return the first evaluation with no arguments. You can also specify a model
# using its model ID.
evaluation = model.get_model_evaluation()
eval_metrics = evaluation.metrics
Per creare un riferimento a una valutazione del modello, utilizza il nome risorsa o l'ID modello e l'ID valutazione. Il seguente esempio di codice mostra come creare un riferimento a una valutazione del modello utilizzando il nome della risorsa:
evaluation = aiplatform.ModelEvaluation(
evaluation_name='projects/my-project/locations/us-central1/
models/{model-id}/evaluations/{evaluation-id}')
eval_metrics = evaluation.metrics
Il seguente esempio di codice mostra come creare un riferimento a una valutazione di modello utilizzando l'ID modello e l'ID valutazione:
evaluation.metrics = aiplatform.ModelEvaluation(
evaluation_name={evaluation-id},
model_id={model-id})
eval_metrics = evaluation.metrics
Passaggi successivi
- Scopri di più sulla SDK Vertex AI.