Classi di monitoraggio

L'SDK Vertex AI per Python include classi per aiutare a visualizzare, misurazioni e monitoraggio. Queste classi possono essere raggruppate in tre tipi:

  • Classi che utilizzano i metadati per monitorare le risorse nel tuo machine learning (ML) flusso di lavoro
  • Classi utilizzate per gli esperimenti di Vertex AI
  • Classi utilizzate per una Vertex AI TensorBoard

I seguenti argomenti forniscono una panoramica dei corsi correlati al monitoraggio e il monitoraggio di un flusso di lavoro ML nell'SDK Vertex AI per Python.

Classi di metadati

Puoi utilizzare l'SDK Vertex AI per Python per creare Vertex ML Metadata per aiutarti puoi tenere traccia e analizzare i metadati nel tuo flusso di lavoro ML. Per ulteriori informazioni, vedi Introduzione a Vertex ML Metadata.

Artifact

La classe Artifact rappresenta i metadati in una l'artefatto in Vertex AI. Un artefatto è un'entità discreta o un dato generate da un flusso di lavoro ML. Gli esempi di un artefatto sono set di dati, un model e un file di input. Per ulteriori informazioni, vedi Tieni traccia di esecuzioni e artefatti.

Quando crei una risorsa Artifact, devi e specificarne lo schema. Ogni tipo di artefatto ha uno schema univoco. Ad esempio: lo schema system.Dataset rappresenta un set di dati, mentre lo schema system.Metrics rappresenta le metriche di valutazione. Per ulteriori informazioni, vedi Come utilizzare gli schemi di sistema.

Il seguente codice campione mostra come creare un Artifact risorsa che rappresenta un modello:

model_artifact = aiplatform.Artifact.create(
        schema_title="system.Model",
        display_name=PREPROCESSED_DATASET_NAME,
        uri=PREPROCESSED_DATASET_URI,

Execution

La classe Execution rappresenta i metadati in una l'esecuzione in Vertex AI. L'esecuzione è un passaggio di un flusso di lavoro ML. Alcuni esempi di esecuzione sono l'elaborazione dei dati, l'addestramento e la valutazione del modello. Un l'esecuzione può consumare artefatti, ad esempio un set di dati, e produrre un artefatto, come un modello.

Utilizza le funzionalità di aiplatform.start_execution per creare una risorsa Execution. Dopo aver creato Execution, utilizza la stessa risorsa aiplatform.start_execution con il parametro resume impostato su True per ripristinarlo.

Il seguente codice campione mostra come creare un Risorsa di Execution:

with aiplatform.start_execution(schema_title='system.ContainerExecution',
                                display_name='trainer') as execution:
    execution.assign_input_artifacts([my_artifact])
    model = aiplatform.Artifact.create(uri='gs://my-uri', schema_title='system.Model')
    execution.assign_output_artifacts([model])

Classi di Vertex AI Experiments

Puoi utilizzare l'SDK Vertex AI per Python per creare ed eseguire Vertex AI Experiments. Utilizzare Vertex AI Experiments tenere traccia di metriche e parametri registrati per facilitare l'analisi e l'ottimizzazione del machine learning nel tuo flusso di lavoro. Per ulteriori informazioni, consulta la sezione Introduzione a Vertex AI Experiments.

Per scoprire di più su come utilizzare le Experiment e ExperimentRun, prova una delle seguenti opzioni tutorial:

Experiment

La classe Experiment rappresenta un esperimento in Vertex AI. Utilizza un esperimento per analizzarne esperimenti dell'esperimento eseguenze della pipeline con diverse configurazioni, come più artefatti e iperparametri di input.

Esistono due modi per creare una risorsa Experiment:

  1. Il modo migliore per creare una Experiment è specificando un nome per l'esperimento come parametro quando chiami aiplatform.init:

    # In a real world scenario it's likely you would specify more parameters
# when you call aiplatform.init. This sample shows only how to use the
# parameter used to create an Experiment.

# Specify a name for the experiment
EXPERIMENT_NAME = "your-experiment-name"

# Create the experiment
aiplatform.init(experiment=EXPERIMENT_NAME)

  2. Puoi anche creare una Experiment chiamando aiplatform.Experiment.create. aiplatform.Experiment.create crea la risorsa Experiment, ma non imposta in un ambiente globale. Per questo motivo, non puoi eseguire l'esperimento con aiplatform.start_run La il seguente codice campione illustra come utilizzare aiplatform.Experiment.create per creare un esperimento ed eseguirlo:

    # Specify a name for the experiment
EXPERIMENT_NAME = "your-experiment-name"
EXPERIMENT_RUN_NAME = "your-run"

# Create the experiment
experiment = aiplatform.Experiment.create(experiment_name=EXPERIMENT_NAME)
experiment_run = aiplatform.ExperimentRun.create(EXPERIMENT_RUN_NAME, experiment=EXPERIMENT_NAME)

ExperimentRun

La classe ExperimentRun rappresenta un'esecuzione di dell'esperimento.

Il seguente codice campione mostra come creare e avviare l'esecuzione di un esperimento, per ottenere informazioni sull'esperimento. Per eliminare l'esecuzione dell'esperimento: ottenere un riferimento all'istanza ExperimentRun e chiamare la sua delete .

# Specify your project name, location, experiment name, and run name
PROJECT_NAME = "my-project"
LOCATION = "us-central1"
EXPERIMENT_NAME = "experiment-1"
RUN_NAME = "run-1"

# Create the experiment to run
aiplatform.init(experiment_name=EXPERIMENT_NAME,
                project=PROJECT_NAME,
                location=LOCATION)

# Create and run an ExperimentRun resource. Next, you can use it to get
# information about your experiment. For example, you can log parameters and
# metrics with specified key-value pairs.
with aiplatform.start_run(RUN_NAME):
     aiplatform.log_params({'learning_rate': 0.1, 'dropout_rate': 0.2})
     aiplatform.log_metrics({'accuracy': 0.9, 'recall': 0.8})

# Get a reference to the ExperimentRun resource, get the parameters logged to 
# the run, get the summary metrics logged to the run, then delete it.
with aiplatform.start_run(RUN_NAME, resume=True) as run:
     run.get_params()
     run.get_metrics()
     run.delete()

Classi Vertex AI TensorBoard

L'SDK Vertex AI per Python include classi che funzionano con una versione gestita del open source Vertex AI TensorBoard Vertex AI TensorBoard è uno strumento utilizzato per monitorare misurazioni e visualizzazioni durante il flusso di lavoro ML. Per ulteriori informazioni, consulta la guida introduttiva all'utilizzo di Vertex AI TensorBoard.

Per saperne di più sull'utilizzo dell'SDK Vertex AI per Python per lavorare con Vertex AI TensorBoard, prova uno dei seguenti tutorial di blocchi note:

Tensorboard

La classe Tensorboard rappresenta una classe gestita per archiviare gli esperimenti Vertex AI TensorBoard. Devi creare un'istanza Tensorboard prima di poter eseguire gli esperimenti visualizzato. Puoi creare più di una Tensorboard in un progetto Google Cloud.

Il codice campione seguente mostra come creare un Istanza Tensorboard:

# Specify your project name, location, and the name of your Tensorboard
PROJECT_NAME = "my-project"
LOCATION = "us-central1"
TENSORBOARD_NAME = "my-tensorboard"

aiplatform.init(project=PROJECT_NAME, location=LOCATION)

tensorboard = aiplatform.Tensorboard.create(
    display_name=TENSORBOARD_NAME,
    project=PROJECT_NAME,
    location=LOCATION,
)

TensorboardExperiment

L'elemento TensorboardExperiment rappresenta un gruppo di oggetti TensorboardRun. R L'istanza TensorboardRun rappresenta i risultati di un job di addestramento in una TensorBoard.

TensorboardRun

Un'istanza della classe TensorboardRun viene mappata di un job di addestramento in una TensorBoard con un set specifico di iperparametri, definizione del modello, un set di dati e altro ancora.

TensorboardTimeSeries

Il corso TensorboardTimeSeries rappresenta una serie prodotta nelle esecuzioni di addestramento.

Passaggi successivi