Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Cette page explique comment utiliser Cloud Logging pour afficher les détails d'un modèle Vertex AI. Logging vous permet d'afficher les éléments suivants :
Les hyperparamètres du modèle final en tant que paires clé/valeur.
Les hyperparamètres et les valeurs d'objet utilisés lors de l'entraînement et le réglage du modèle, ainsi qu'une valeur d'objectif.
Par défaut, les journaux sont supprimés après 30 jours.
Avant de pouvoir afficher les journaux des hyperparamètres pour votre modèle, vous devez l'entraîner.
Pour effectuer cette tâche, vous devez disposer des autorisations suivantes :
logging.logServiceIndexes.list sur le projet
logging.logServices.list sur le projet
Afficher les journaux d'entraînement
Vous pouvez utiliser la console Google Cloud pour accéder aux journaux des hyperparamètres du modèle final et aux journaux des hyperparamètres des essais de réglage.
Dans la console Google Cloud , accédez à la page Modèles de Vertex AI.
Dans la liste déroulante Région, sélectionnez la région dans laquelle se trouve votre modèle.
Dans la liste des modèles, sélectionnez votre modèle.
Sélectionnez le numéro de version de votre modèle.
Ouvrez l'onglet Détails de la version.
Pour afficher le journal des hyperparamètres du modèle final, accédez à la ligne Modèles d'hyperparamètres et cliquez sur Modèle.
Il n'y a qu'une seule entrée de journal. Développez la charge utile comme indiqué ci-dessous.
Pour en savoir plus, consultez la section Champs de journal.
Pour afficher le journal des hyperparamètres des essais de réglage, accédez à la ligne Hyperparamètres du modèle et cliquez sur Essais.
Il y a une entrée pour chacun des essais de réglage. Développez la charge utile comme indiqué ci-dessous. Pour en savoir plus, consultez la section Champs de journal.
Champs de journal
La structure des journaux d'activité est décrite dans la documentation des types de LogEntry.
Les journaux de modèles Vertex AI comprennent, entre autres, les champs suivants :
labels : le champ log_type est défini sur automl_tables.
timestamp : date et heure de création du modèle ou de l'exécution de l'essai.
Contenu de la charge utile pour le journal des hyperparamètres du modèle final
Le champ jsonPayload pour le journal des hyperparamètres du modèle final contient un champ modelParameters. Ce champ contient une entrée pour chaque modèle qui contribue au modèle d'ensemble final. Chaque entrée comporte un champ hyperparameters dont le contenu dépend du type de modèle. Pour en savoir plus, consultez la Liste des hyperparamètres.
Contenu de la charge utile pour le journal des hyperparamètres d'un essai de réglage
Le champ jsonPayload pour le journal des hyperparamètres d'un essai de réglage contient les champs suivants :
Champ
Type
Description
modelStructure
JSON
Description de la structure de modèle Vertex AI.
Ce champ contient un champ modelParameters. Le champ modelParameters contient un champ hyperparameters dont le contenu dépend du type de modèle. Pour en savoir plus, consultez la Liste des hyperparamètres.
trainingObjectivePoint
JSON
Objectif d'optimisation utilisé pour l'entraînement des modèles.
Cette entrée inclut un horodatage et une valeur d'objectif au moment où l'entrée de journal a été enregistrée.
Liste des hyperparamètres
Les données d'hyperparamètres fournies dans les journaux diffèrent pour chaque type de modèle. Les sections suivantes décrivent les hyperparamètres pour chaque type de modèle.
Modèles en arbre de décision à boosting de gradient
Régularisation d'arbre L1
Régularisation d'arbre L2
Profondeur d'arbre maximale
Type de modèle : GBDT
Nombre d'arbres
Complexité de l'arborescence
Modèles en réseau de neurones feedforward
Taux d'abandon
Activer batchNorm (True ou False)
Activer la représentation vectorielle continue L1 (True ou False)
Activer la représentation vectorielle continue L2 (True ou False)
Activer L1 (True ou False)
Activer L2 (True ou False)
Activer layerNorm (True ou False)
Activer la représentation vectorielle continue de données numériques (True ou False)
Taille de la couche cachée
Type de modèle : nn
Normaliser la colonne numérique (True ou False)
Nombre de couches croisées
Nombre de couches cachées
Ignorer les connexions de type dense, disable, concat ou slice_or_padding)
Étape suivante
Lorsque vous êtes prêt à effectuer des prédictions avec votre modèle de classification ou de régression, vous disposez de deux options :
Vous pouvez exporter vos journaux vers BigQuery, Cloud Storage ou Cloud Pub/Sub. Consultez la section Acheminer les journaux vers les destinations compatibles dans la documentation de Logging pour en savoir plus sur l'exportation des journaux d'activité.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/09/04 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Difficile à comprendre","hardToUnderstand","thumb-down"],["Informations ou exemple de code incorrects","incorrectInformationOrSampleCode","thumb-down"],["Il n'y a pas l'information/les exemples dont j'ai besoin","missingTheInformationSamplesINeed","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2025/09/04 (UTC)."],[],[],null,["# View model architecture\n\nThis page provides information about how to use Cloud Logging to\nview details about a Vertex AI model. Using\nLogging, you see:\n\n- The hyperparameters of the final model as key-value pairs.\n- The hyperparameters and object values used during model training and tuning, as well as an objective value.\n\nBy default, logs are deleted after 30 days.\n\nThe following topics are covered:\n\n1. [Viewing training logs](#training-logs).\n2. [Log fields](#log-fields).\n\n| **Note:** Model architecture logs are provided as part of the Cloud Logging service. For general information about Cloud Logging, see the [Cloud Logging](/logging/docs) documentation.\n\nBefore you begin\n----------------\n\nBefore you can view the hyperparameter logs for your model, you must\n[train it](/vertex-ai/docs/tabular-data/classification-regression/train-model).\n\nTo perform this task, you must have the following\n[permissions](/iam/docs/overview#permissions):\n\n- `logging.logServiceIndexes.list` on the project\n- `logging.logServices.list` on the project\n\nViewing training logs\n---------------------\n\nYou can use the Google Cloud console to access the hyperparameter logs of the\nfinal model and the hyperparameter logs of the tuning trials.\n\n1. In the Google Cloud console, go to the Vertex AI **Models** page.\n\n [Go to Models page](https://console.cloud.google.com/vertex-ai/models)\n2. In the **Region** drop-down, select the region where your model is located.\n\n3. From the list of models, select your model.\n\n4. Select your model's version number.\n\n5. Open the **Version Details** tab.\n\n6. To see the hyperparameter log of the final model, go to the **Model hyperparameters** row and click **Model**.\n\n 1. There is just one log entry. Expand the payload as shown below.\n For details, see [Log fields](#reading-logs).\n\n7. To see the hyperparameter log of the tuning trials, go to the **Model hyperparameters** row and click **Trials**.\n\n 1. There is one entry for each of the tuning trials. Expand the payload as\n shown below. For details, see [Log fields](#reading-logs).\n\nLog fields\n----------\n\nActivity logs are structured as described in the\n[LogEntry](/logging/docs/exported_logs#the_logentry_type) type\ndocumentation.\n\nVertex AI model logs have, among other fields:\n\n- `labels`: The `log_type` field is set to `automl_tables`.\n- `jsonPayload`: The specific details of the log entry, provided in JSON object format. For details, see [Payload contents for the hyperparameter log of the final model](#final-payload) or [Payload contents for the hyperparameter log of a tuning trial](#trial-payload).\n- `timestamp`: The date and time when the model was created or the trial was run.\n\n### Payload contents for the hyperparameter log of the final model\n\nThe `jsonPayload` field for the hyperparameter log of the final model contains a\n`modelParameters` field. This field contains one entry for each model that\ncontributes to the final ensemble model. Each entry has a `hyperparameters`\nfield, whose contents depend on the model type. For details, see [List of hyperparameters](#hps).\n\n### Payload contents for the hyperparameter log of a tuning trial\n\nThe `jsonPayload` field for the hyperparameter log of a tuning trial contains the following fields:\n\n### List of hyperparameters\n\nThe hyperparameter data provided in the logs differ for each type of\nmodel. The following sections describe the hyperparameters for each\nmodel type.\n\n#### Gradient boosted decision tree models\n\n- Tree L1 regularization\n- Tree L2 regularization\n- Max tree depth\n- Model type: `GBDT`\n- Number of trees\n- Tree complexity\n\n#### Feedforward neural network models\n\n- Dropout rate\n- Enable batchNorm (`True` or `False`)\n- Enable embedding L1 (`True` or `False`)\n- Enable embedding L2 (`True` or `False`)\n- Enable L1 (`True` or `False`)\n- Enable L2 (`True` or `False`)\n- Enable layerNorm (`True` or `False`)\n- Enable numerical embedding (`True` or `False`)\n- Hidden layer size\n- Model type: `nn`\n- Normalize numerical column (`True` or `False`)\n- Number of cross layers\n- Number of hidden layers\n- Skip connections type (`dense`, `disable`, `concat`, or `slice_or_padding`)\n\nWhat's next\n-----------\n\nOnce you're ready to make predictions with your classification or regression\nmodel, you have two options:\n\n- [Make online (real-time) predictions using your model](/vertex-ai/docs/tabular-data/classification-regression/get-online-predictions).\n- [Get batch predictions directly from your model](/vertex-ai/docs/tabular-data/classification-regression/get-batch-predictions).\n\nAdditionally, you can:\n\n- [Evaluate your model](/vertex-ai/docs/tabular-data/classification-regression/evaluate-model).\n- [Review general information about Cloud Logging](/logging/docs).\n- You can export your logs to BigQuery, Cloud Storage, or Pub/Sub. Read [Route logs to supported destinations](/logging/docs/export/configure_export_v2) in the Logging documentation to learn how to export activity logs."]]
