Pelacakan class

Vertex AI SDK untuk Python menyertakan class untuk membantu visualisasi, pengukuran, dan pelacakan. Class ini dapat dikelompokkan ke dalam tiga jenis:

  • Class yang menggunakan metadata untuk melacak resource dalam alur kerja machine learning (ML)
  • Class yang digunakan untuk Vertex AI Experiments
  • Class yang digunakan untuk Vertex AI TensorBoard

Topik berikut memberikan ringkasan class terkait pelacakan dan pemantauan alur kerja ML di Vertex AI SDK untuk Python.

Class metadata

Anda dapat menggunakan Vertex AI SDK untuk Python guna membuat Vertex ML Metadata guna membantu Anda melacak dan menganalisis metadata dalam alur kerja ML Anda. Untuk mengetahui informasi selengkapnya, baca Pengantar Vertex ML Metadata.

Artifact

Class Artifact merepresentasikan metadata dalam artefak di Vertex AI. Artefak adalah entity atau bagian data terpisah yang dihasilkan oleh alur kerja ML. Contoh artefak adalah set data, model, dan file input. Untuk mengetahui informasi selengkapnya, lihat Melacak eksekusi dan artefak.

Saat membuat resource Artifact, Anda perlu menentukan skemanya. Setiap jenis artefak memiliki skema unik. Misalnya, skema system.Dataset mewakili set data dan skema system.Metrics mewakili metrik evaluasi. Untuk mengetahui informasi selengkapnya, lihat Cara menggunakan skema sistem.

Kode contoh berikut menunjukkan cara membuat resource Artifact yang mewakili model:

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

Execution

Class Execution merepresentasikan metadata dalam eksekusi di Vertex AI. Eksekusi adalah langkah dalam alur kerja ML. Contoh eksekusi adalah pemrosesan data, pelatihan, dan evaluasi model. Eksekusi dapat menggunakan artefak, seperti set data, dan menghasilkan artefak, seperti model.

Gunakan aiplatform.start_execution untuk membuat resource Execution. Setelah Anda membuat resource Execution, gunakan metode aiplatform.start_execution yang sama dengan parameter resume-nya yang ditetapkan ke True untuk melanjutkannya.

Kode contoh berikut menunjukkan cara membuat resource 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])

Class Vertex AI Experiments

Anda dapat menggunakan Vertex AI SDK untuk Python guna membuat dan menjalankan Vertex AI Experiments. Gunakan Vertex AI Experiments untuk melacak metrik dan parameter yang dicatat ke dalam log untuk membantu Anda menganalisis serta mengoptimalkan alur kerja ML. Untuk mengetahui informasi selengkapnya, lihat Pengantar Vertex AI Experiments.

Untuk mempelajari lebih lanjut cara menggunakan class Experiment dan ExperimentRun, coba salah satu tutorial berikut:

Experiment

Class Experiment merepresentasikan eksperimen di Vertex AI. Gunakan eksperimen untuk menganalisis eksperimen yang dijalankan dan pipeline yang dijalankan dengan berbagai konfigurasi, seperti beberapa artefak input dan hyperparameter.

Ada dua cara untuk membuat resource Experiment:

  1. Cara yang direkomendasikan untuk membuat Experiment adalah dengan menentukan nama untuk eksperimen sebagai parameter saat Anda memanggil 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. Anda juga dapat membuat Experiment dengan memanggil aiplatform.Experiment.create. aiplatform.Experiment.create membuat resource Experiment, tetapi tidak menetapkannya ke lingkungan global. Oleh karena itu, Anda tidak dapat menjalankan eksperimen dengan aiplatform.start_run. Kode contoh berikut menunjukkan cara menggunakan aiplatform.Experiment.create untuk membuat eksperimen, lalu menjalankan eksperimen tersebut:

    # 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

Class ExperimentRun mewakili jalannya eksperimen.

Kode contoh berikut menunjukkan cara membuat dan memulai eksperimen yang dijalankan, lalu menggunakannya untuk mendapatkan informasi tentang eksperimen Anda. Untuk menghapus eksperimen yang berjalan, dapatkan referensi ke instance ExperimentRun dan panggil metode delete singkat ini.

# 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()

Class Vertex AI TensorBoard

Vertex AI SDK untuk Python menyertakan class untuk digunakan dengan versi open source Vertex AI TensorBoard yang terkelola. Vertex AI TensorBoard adalah alat yang digunakan untuk memantau pengukuran dan visualisasi selama alur kerja ML Anda. Untuk mengetahui informasi selengkapnya, lihat Mulai menggunakan Vertex AI TensorBoard.

Untuk mempelajari lebih lanjut cara menggunakan Vertex AI SDK untuk Python agar dapat bekerja dengan Vertex AI TensorBoard, coba salah satu tutorial notebook berikut:

Tensorboard

Class Tensorboard mewakili resource terkelola yang menyimpan eksperimen Vertex AI TensorBoard. Anda perlu membuat instance Tensorboard sebelum eksperimen dapat divisualisasikan. Anda dapat membuat lebih dari satu instance Tensorboard di project Google Cloud.

Kode contoh berikut menunjukkan cara membuat instance 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

TensorboardExperiment mewakili grup objek TensorboardRun. Instance TensorboardRun mewakili hasil tugas pelatihan yang dijalankan di Tensorboard.

TensorboardRun

Instance class TensorboardRun memetakan ke tugas pelatihan yang dijalankan di Tensorboard dengan kumpulan hyperparameter tertentu, definisi model, set data, dan lainnya.

TensorboardTimeSeries

Class TensorboardTimeSeries merepresentasikan rangkaian yang dihasilkan dalam sesi pelatihan.

Langkah selanjutnya