Vertex AI SDK menyertakan kelas Model
agar dapat digunakan dengan model yang Anda latih, lalu digunakan untuk prediksi. SDK juga menyertakan kelas ModelEvaluation
untuk mengevaluasi metrik pada model AutoML yang telah dilatih. Untuk mengetahui informasi selengkapnya tentang model, lihat Melatih dan menggunakan model Anda sendiri.
Model
Kelas Model
mewakili model terlatih yang
terdaftar di Vertex AI Model Registry. Anda menggunakan model yang telah dilatih untuk menghasilkan prediksi.
Gunakan metode aiplatform.Model()
untuk menemukan dan menampilkan referensi ke model. Anda dapat menentukan model menggunakan nama atau ID-nya.
Karena lebih dari satu model dalam satu project dapat memiliki nama yang sama, sebaiknya tentukan model dengan ID modelnya. Contoh kode berikut menunjukkan cara menggunakan ID model untuk menemukan dan menampilkan referensi ke model yang ada:
MODEL_ID="my-sample-model-ID"
model = aiplatform.Model(model_name=MODEL_ID)
Setelah memiliki referensi ke model terlatih, Anda dapat menggunakan
properti dan
metode dari Model
untuk mengerjakannya
dan mendapatkan prediksi.
Membuat model terdaftar
Untuk membuat resource model yang terdaftar di
Vertex AI Model Registry, panggil metode run
di kelas tugas pelatihan.
Metode berikut akan membuat model, melatih model, mendaftarkan model di
Vertex AI Model Registry, lalu menampilkan referensi ke model tersebut.
AutoMLForecastingTrainingJob.run
AutoMLImageTrainingJob.run
AutoMLTabularTrainingJob.run
AutoMLTextTrainingJob.run
AutoMLVideoTrainingJob.run
CustomContainerTrainingJob.run
CustomPythonPackageTrainingJob.run
CustomTrainingJob.run
Kode contoh berikut menunjukkan cara membuat resource CustomTrainingJob
,
lalu menggunakan metode run
untuk membuat model, melatih model, mendaftarkan
model di Vertex AI Model Registry, dan menampilkan referensi ke model:
# 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,
)
Membuat model yang tidak terdaftar
Untuk membuat model yang tidak terdaftar di Vertex AI Model Registry,
gunakan kelas CustomJob
dan metode run
. Metode
CustomJob.run
melatih model, tetapi tidak mendaftarkan model tersebut di
Vertex AI Model Registry dan tidak menampilkan referensi ke model tersebut.
Jika menggunakan kelas CustomJob
, Anda harus menggunakan skrip untuk menulis model ke lokasi seperti bucket Cloud Storage. Untuk informasi lebih lanjut, lihat Mengekspor model ML terlatih.
Mendaftarkan model
Jika memiliki model yang belum terdaftar di Vertex AI Model Registry, Anda harus mendaftarkannya agar dapat mengelola siklus proses model. Vertex AI Model Registry adalah repositori pusat yang menyediakan ringkasan model sehingga Anda dapat mengelolanya. Untuk mengetahui informasi selengkapnya, lihat Pengantar Vertex AI Model Registry.
Vertex AI SDK menyertakan metode berikut untuk mengimpor model ke Vertex AI Model Registry. Klik salah satu metode untuk mempelajarinya lebih lanjut dalam panduan referensi Vertex AI SDK.
Model.upload
Model.upload_scikit_learn_model_file
Model.upload_tensorflow_saved_model
Model.upload_xgboost_model_file
Men-deploy model
Setelah mendaftarkan model, Anda harus men-deploy model tersebut ke endpoint sebelum dapat menggunakannya untuk prediksi. Gunakan metode Model.deploy
untuk men-deploy model Anda ke Endpoint
. Untuk
mengetahui informasi selengkapnya, lihat
Men-deploy model ke endpoint.
ModelEvaluation
Gunakan class ModelEvaluation
untuk mendapatkan metrik evaluasi untuk model AutoML, seperti presisi dan perolehan, untuk membantu menentukan performa model Anda. Untuk mengetahui informasi selengkapnya, lihat Evaluasi
model di Vertex AI.
Contoh kode berikut menunjukkan cara mencantumkan semua evaluasi untuk model dengan ID model model-id
yang ada dalam project dengan project ID my-project
dan yang ada di region us-central1
:
model = aiplatform.Model('projects/my-project/locations/us-central1/models/{model-id}')
evaluations = model.list_model_evaluations()
Contoh kode berikut menunjukkan cara mendapatkan evaluasi model untuk model dengan ID model model-id
yang ada dalam project dengan project ID my-project
dan yang ada di region 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
Untuk membuat referensi ke evaluasi model, gunakan nama resource atau ID model dan ID evaluasinya. Contoh kode berikut menunjukkan cara membuat referensi ke evaluasi model menggunakan nama resource-nya:
evaluation = aiplatform.ModelEvaluation(
evaluation_name='projects/my-project/locations/us-central1/
models/{model-id}/evaluations/{evaluation-id}')
eval_metrics = evaluation.metrics
Contoh kode berikut menunjukkan cara membuat referensi ke evaluasi model menggunakan ID model dan ID evaluasi:
evaluation.metrics = aiplatform.ModelEvaluation(
evaluation_name={evaluation-id},
model_id={model-id})
eval_metrics = evaluation.metrics
Langkah selanjutnya
- Pelajari Vertex AI SDK.