Vertex AI 将 AI Platform 和 AutoML 服务整合到一个统一的界面和 API 下，从而简化了构建、训练和部署机器学习模型的过程。借助 Vertex AI，您可以更快地从实验阶段进入生产阶段，高效地发现模式和异常情况，做出更好的预测和决策，并在面对不断变化的优先级和市场状况时保持敏捷性。本页面提供了建议的步骤和其他信息，可帮助您计划和实现向 Vertex AI 的迁移。
Vertex AI 支持 AutoML 和 AI Platform 中提供的所有功能和模型。但是，客户端库不支持客户端集成的向后兼容性。换句话说，您必须计划迁移资源，才能从 Vertex AI 功能受益。
如果您正在计划新项目，则应使用 Vertex AI 构建代码、作业、数据集或模型。这样，您就可以在新功能和服务推出后的第一时间利用。AutoML 和 AI Platform 仍然可用，但未来的改进将在 Vertex AI 中实现。
迁移到 Vertex AI 的推荐步骤
使用以下建议的步骤，将 AutoML 和 AI Platform 中的现有代码、作业、数据集和模型更新为 Vertex AI。
从 AutoML 迁移
如需将您的实现从 AutoML 更新为 Vertex AI，请完成以下步骤：
如需了解 AutoML 和 Vertex AI 之间的主要区别，请参阅 Vertex AI for AutoML 用户。
查看价格可能发生的任何变化（请参阅 Vertex AI 迁移价格）。
清点您的 Google Cloud 项目、代码、作业、数据集、模型和有权访问 AutoML 的用户。使用此信息来确定要迁移的资源，并确保正确的用户可以访问已迁移资源。
查看 IAM 角色的更改，然后更新资源的服务账号和身份验证。
使用以下两种方法之一迁移资源：
了解 Vertex AI 如何使用区域端点。
确定 AutoML API 的使用情况，以帮助确定哪个应用使用了 API 并确定并确定要迁移的方法调用。
规划请求配额监控。请参阅配额和限制。
从 AI Platform 迁移
如需将您的实现从 AI Platform 更新为 Vertex AI，请完成以下步骤：
如需了解 AI Platform 与 Vertex AI 之间的主要区别，请参阅 Vertex AI for AI Platform 用户。
查看价格可能发生的任何变化（请参阅 Vertex AI 迁移价格）。
清点您的 Google Cloud 项目、代码、作业、数据集、模型和有权访问 AI Platform 的用户。使用此信息来确定要迁移的资源，并确保正确的用户可以访问已迁移资源。
查看 IAM 角色的更改，然后更新资源的服务账号和身份验证。
使用以下两种方法之一迁移资源：
了解 Vertex AI 如何使用区域端点。
确定 AI Platform API 的使用情况，以帮助确定哪个应用使用了 API 并确定并确定要迁移的方法调用。
规划请求配额监控。请参阅配额和限制。
Vertex AI 迁移价格
迁移是免费的。因迁移而创建的资源会产生标准费用（请参阅 Vertex AI 价格）从 AI Platform 数据标签服务、AutoML Vision、AutoML Video Intelligence 和 AutoML Natural Language 迁移的数据集迁移到 Cloud Storage 存储桶，这会产生存储费用（请参阅 Cloud Storage 价格）。
迁移后，AutoML 和 AI Platform 仍可使用旧资源。为避免不必要的费用，请在验证对象已成功迁移后关闭或删除旧资源。
迁移操作是一项复制操作。迁移资源后，对旧资源所做的更改不会影响迁移的资源。
Vertex AI 价格与旧版产品价格的对比
Vertex AI 的费用与被其取代的旧版 AI Platform 和 AutoML 产品的费用相同，但以下情况除外：
旧版 AI Platform Prediction 和 AutoML Tables 预测支持一些费用和性能都更低的机器类型，而 Vertex AI Prediction 和 AutoML 表格不支持。
旧版 AI Platform Prediction 支持缩减至零，而 Vertex AI Prediction 不支持。
Vertex AI 还提供了更多优化成本的方法，比如：
支持共同托管模型
训练和预测没有最短使用时长，而是以 30 秒为增量计费。
识别 AutoML API 和 AI Platform API 的使用情况
您可以确定哪些应用使用 AutoML API 和 AI Platform API，以及他们使用哪些方法。此信息可帮助确定是否需要将这些 API 调用迁移到 Vertex AI。
要确定您可能需要迁移的 AutoML 和 AI Platform API 调用，请参阅以下选项。
对于每个项目，请转到 API 和服务信息中心，以查看该项目使用哪些产品的 API。如需了解详情，请参阅 Monitoring API 用量。
启用审核日志后，您可以检查由 AutoML、AI Platform Training 和 AI Platform Prediction 创建的审核日志作为 Cloud Audit Logs 的一部分。
如需查看特定 AI Platform Training and Prediction API 方法的使用量，请转到 AI Platform Training and Prediction API 指标页面。
管理对 IAM 角色和权限的更改
Vertex AI 提供以下 Identity and Access Management (IAM) 角色：
aiplatform.adminaiplatform.useraiplatform.vieweraiplatform.migrator
只有 aiplatform.admin 和 aiplatform.migrator 能够将资源从 AutoML 和 AI Platform 迁移到 Vertex AI。aiplatform.user 和 aiplatform.viewer 无法迁移资源。
如需详细了解 IAM 角色，请参阅访问权限控制。
无法迁移的资源
迁移工具目前无法迁移所有资源，并且在某些情况下迁移会受到限制。计划迁移时，请注意以下例外情况。
AutoML Natural Language
Vertex AI 不支持 PDF 文本，因此 AutoML Natural Language 的 PDF 文本将作为光学字符识别生成的纯文本迁移。
空数据集无法迁移。
批量预测作业无法迁移。
AutoML Tables
在 Alpha 版 AutoML Tables 中创建的模型无法迁移。
空数据集无法迁移。
批量预测作业无法迁移。
AutoML Video Intelligence
在 Alpha 版 AutoML Video 中创建的模型无法迁移。
空数据集无法迁移。
批量预测作业无法迁移。
AutoML Vision
在 Alpha 版 AutoML Vision 中创建的模型无法迁移。
空数据集无法迁移。
批量预测作业无法迁移。
AI Platform
并非所有模型都可以迁移。可迁移的模型具有以下特征：
运行时版本必须为 1.15 或更高版本。
框架必须为以下其中一项：
- TensorFlow
- scikit-learn
- XGBoost
Python 版本必须为 3.7 或更高版本。
如果 AI Platform 模型的
signature-name标志已从默认值serving_default中更改，则它可能会迁移到 Vertex AI 但不起作用。自定义预测例程不会迁移。
在 AI Platform 上运行的作业不会迁移。您可以下载元数据作为自己的记录。
您在 AI Platform Training 上运行的 Python 脚本、软件包或 Docker 容器不会自动迁移，但您可以更新您的脚本，使其能够在 Vertex AI 上运行。
迁移过程简介
在迁移资源之前，请先查看以下信息。
迁移工具会创建资源副本。
迁移工具在 Vertex AI 上创建 AutoML 和 AI Platform 数据集和模型的重复版本。您的旧资源不会被删除。如果需要，您可以多次迁移同一个资源以创建多个副本。
已迁移的模型已取消部署。
对于支持在线预测的数据类型，您必须先创建一个端点，并将模型部署到该端点，然后才能使用模型执行在线预测。
迁移 AutoML 模型时，迁移工具会自动创建训练作业。
某些数据类型和目标的已迁移数据集可能不包含与当前数据集相同的数据。
某些数据类型的数据集是从原始数据源重新导入，而不是从现有数据集复制。如果原始数据源发生了更改，则迁移的数据集将反映这些更改。此注意事项适用于以下数据类型和目标：
- AutoML Natural Language 实体提取数据集
- AutoML Video 分类和对象跟踪数据集
- AutoML Vision 对象检测数据集
迁移的表格数据集会在迁移过程中导出。
在 Vertex AI 中，系统会引用（而不是导入）表格数据集的数据源（了解详情）。迁移的标签页数据集会从 AutoML Tables 数据集中导出，并作为 CSV 文件存储在 Cloud Storage 中或 BigQuery 表中，然后由迁移的数据集引用。
使用迁移工具
Vertex AI 提供迁移工具，帮助您将数据集和模型从 AutoML 和 AI Platform 迁移到 Vertex AI。
使用迁移工具的步骤
如需使用迁移工具将数据集和模型迁移到 Vertex AI，请完成以下步骤。
如果您尚未启用 Vertex AI API，请在 Google Cloud 控制台的 Vertex AI 信息中心页面中，点击启用 Vertex AI API。
在 Google Cloud 控制台的 Vertex AI 信息中心页面上的迁移到 Vertex AI 下，点击设置迁移。
在选择要迁移的资源下，最多选择 50 个要迁移的资源。如果需要，您可以重复这些步骤，以便在日后迁移更多素材资源。
点击下一步，然后查看要迁移的资源的摘要。
点击迁移素材资源。迁移过程可能需要一个小时或更长时间，具体取决于要迁移的素材资源数量。迁移完成后，迁移工具会向您发送电子邮件。
使用客户端库和迁移资源方法
使用 batchMigrateResources() 方法及相关方法迁移资源。
如需帮助，请参阅 Vertex AI API 参考文档。
区域端点
Vertex AI API 端点是区域端点。例如：
us-central1-aiplatform.googleapis.com
Vertex AI 不支持全球端点。
请参阅参考文档中支持的端点列表。
更新训练脚本以在 Vertex AI 中运行
您在 AI Platform Training 上运行的 Python 脚本、软件包或 Docker 容器需要在 Vertex AI 上运行以下特定更改。
对于向 Cloud Storage 写入输出的作业，在 Vertex AI 中，您必须通过环境变量指示不同类型的输出的 Cloud Storage URI。在 AI Platform 中，Cloud Storage URI 通常使用命令行参数
--job-dir表示。在 Vertex AI 中，
TF_CONFIG变量使用字眼chief来表示主要机器。在 AI Platform 中，在某些情况下会使用master字眼。在 Vertex AI 中提交自定义训练作业时，指定对应于框架和框架版本的预构建容器的 Artifact Registry URI。在 AI Platform 中，您需指定运行时版本，其中包含您要使用的框架和框架版本。
Vertex AI 并不支持 AI Platform 支持的所有机器类型。
- Vertex AI 不支持 AI Platform Training 中的旧版机器类型和容量层级。仅支持较新的 Compute Engine 机器类型。
- 支持的 GPU 包括 P4、T4、P100 和 V100。
- 不支持 TPU。
后续步骤
阅读将应用迁移到 Vertex AI，以帮助确定在将应用从 AutoML 或 AI Platform 迁移到 Vertex AI 时您需要进行的更改。
如需开始使用 Vertex AI 方面的帮助，请参阅入门文档。
如需了解如何在 Vertex AI 上训练新模型，请尝试使用 Vertex AI 教程之一。