Vertex AI for AI Platform 用户

Vertex AI 将 AI Platform 和 AutoML 整合到一个界面中。本页面为熟悉 AI Platform 的用户比较 Vertex AI 和 AI Platform。

自定义训练

借助 Vertex AI,您可以使用 AutoML 训练模型,也可以执行自定义训练(这是与 AI Platform Training 更类似的工作流)。

任务 AI Platform Training Vertex AI
选择要使用的机器学习框架版本 Google Cloud Console 用户设置框架名称和框架版本。
运行时版本 - 提交训练作业时,请指定包含所需框架和框架版本的运行时版本数。 容器 - 提交自定义训练作业时,指定预构建的容器
设置要使用的 Google Cloud 区域 将训练作业提交到全局端点 (ml.googleapis.com) 时指定区域的名称。 将自定义训练作业提交到区域性端点,例如 us-central1-aiplatform.googleapis.com。没有全局端点。AI Platform 中可用的某些区域在 Vertex AI 中不可用。请参阅“位置”页面上的受支持区域列表
为分布式训练指定机器配置 指定在指定训练集群角色masterConfigworkerConfigparameterServerConfigevaluatorConfig)后命名的配置。 该配置更通用且更灵活 - 将机器配置指定为列表(在 CustomJobSpec.workerPoolSpecs[] 中)。
使用 Python 软件包提交训练作业 与 Python 软件包相关的字段在 TrainingInput 中是顶级。 与 Python 软件包相关的字段在 pythonPackageSpec 中进行组织。
使用自定义容器提交训练作业 构建您自己的自定义容器,将其托管在 Artifact Registry 上,并用它来运行您的训练应用。
提交超参数调节作业 提交具有 hyperparameters 配置的训练作业。无论训练作业是否进行超参数调节,它都会创建 TrainingJob API 资源。 提交使用 studySpec 配置的超参数调节作业。这会创建一个顶级 API 资源 (HyperparameterTuningJob)。提交未进行超参数调节的自定义训练作业会创建顶层 CustomJob API 资源。
创建训练流水线,以通过其他操作编排训练作业 没有用于编排的内置 API 资源;使用 AI Platform Pipelines、Kubeflow 或其他编排工具。 创建 TrainingPipeline 资源,以通过模型部署来编排训练作业。

用于训练的机器类型

Vertex AI 并不支持 AI Platform 支持的所有机器类型。

预测

任务/概念 AI Platform Prediction Vertex AI
选择要使用的机器学习框架版本 Google Cloud Console 用户设置框架名称和框架版本。
运行时版本 - 部署模型时,请指定包含所需框架和框架版本的运行时版本数。 容器 - 部署模型时,请指定与您的框架和框架版本相对应的预构建容器的 Artifact Registry URI。使用与您的区域端点匹配的多区域选项 - 例如,对于 us-central1 端点,请使用 us-docker.pkg.dev
设置要使用的 Google Cloud 区域 在全局 API 端点 (ml.googleapis.com) 上创建模型时,指定区域的名称。 在区域端点上创建模型,例如 us-central1-aiplatform.googleapis.com。没有全局端点。AI Platform 中可用的某些区域在 Vertex AI 中不可用。请参阅“位置”页面上的受支持区域列表
存储模型工件 模型工件存储在 Cloud Storage 中。模型工件没有关联的 API 资源。 模型工件有托管式模型存储空间,并与 Model 资源相关联。
模型部署 直接部署模型使其可用于在线预测。 您可以创建一个端点对象,以提供用于提供在线预测的资源。然后,将模型部署到端点。调用 predict() 方法来请求预测。
请求批量预测 您可以请求对存储在 Cloud Storage 中的模型进行批量预测,并在请求中指定运行时版本。或者,您也可以对已部署的模型请求批量预测,并使用您在模型部署期间指定的运行时版本。 您将模型上传到 Vertex AI,然后指定预构建容器或自定义容器以执行预测。
在线预测请求数 JSON 结构包含一个实例列表。 JSON 结构包含实例列表和参数字段。
指定机器类型 创建版本时,请指定任何可用机器类型 不支持来自 AI Platform 的旧版在线预测机器类型 (MLS1)。只有 Compute Engine 机器类型 (N1) 可用。
部署模型 创建模型资源,然后创建版本资源。 创建模型资源,创建端点资源,然后将模型部署到端点。在端点中指定流量拆分。
运行带有预测的自定义代码 使用自定义预测例程。 不支持自定义预测例程。

为数据加标签

只需对 API 进行一些更改,即可使用 AI Platform 数据标签服务:

任务/概念 AI Platform Data Labeling Service 在 Vertex AI 中为数据加标签
为数据标记者提交说明 您的指令(PDF 文件)存储在 Cloud Storage 中并与 Instruction API 资源关联。 说明(PDF 文件)存储在 Cloud Storage 中,但没有 API 资源的说明。创建 DataLabelingJob API 资源时,指定说明文件的 Cloud Storage URI。
已添加注释的数据集 AnnotatedDataset API 资源。 没有 AnnotatedDataset API 资源。
AnnotationSpec 的组织结构 AnnotationSpecAnnotationSpecSet API 资源组织。 没有 AnnotationSpecSet。所有 AnnotationSpec 都按 Dataset 进行组织。

此外,Vertex AI 中新增了一项为数据加标签功能:

数据标签任务通常由 Google 的专家标签添加者完成。作为替代方案,您可以创建一个特殊池,通过使用自己的工作器来管理数据标签任务,而无需使用 Google 专家来完成。此功能目前仅通过 API 请求提供。Google Cloud Console 不支持此功能。