Veja a arquitetura do modelo

Esta página fornece informações sobre como usar o Cloud Logging para ver detalhes sobre um modelo da Vertex AI. Usando o registo, vê:

• Os hiperparâmetros do modelo final como pares de chave-valor.
• Os hiperparâmetros e os valores de objetos usados durante a preparação e o ajuste do modelo, bem como um valor objetivo.

Por predefinição, os registos são eliminados após 30 dias.

Os seguintes tópicos são abordados:

1. Ver registos de preparação.
2. Campos de registo.

Nota: os registos da arquitetura do modelo são fornecidos como parte do serviço Cloud Logging. Para informações gerais sobre o Cloud Logging, consulte a documentação do Cloud Logging.

Antes de começar

Antes de poder ver os registos de hiperparâmetros do seu modelo, tem de o preparar.

Para realizar esta tarefa, tem de ter as seguintes autorizações:

• logging.logServiceIndexes.list no projeto
• logging.logServices.list no projeto

Ver registos de preparação

Pode usar a Google Cloud consola para aceder aos registos de hiperparâmetros do modelo final e aos registos de hiperparâmetros das experiências de aperfeiçoamento.

1. Na Google Cloud consola, aceda à página Modelos do Vertex AI.

   Aceda à página Modelos

2. No menu pendente Região, selecione a região onde o seu modelo está localizado.

3. Na lista de modelos, selecione o seu modelo.

4. Selecione o número da versão do modelo.

5. Abra o separador Detalhes da versão.

6. Para ver o registo de hiperparâmetros do modelo final, aceda à linha Hiperparâmetros do modelo e clique em Modelo.

   1. Existe apenas uma entrada de registo. Expanda o payload, conforme mostrado abaixo. Para ver detalhes, consulte os campos de registo.

      

7. Para ver o registo de hiperparâmetros das tentativas de ajuste, aceda à linha Hiperparâmetros do modelo e clique em Tentativas.

   1. Existe uma entrada para cada uma das avaliações de otimização. Expanda o payload conforme mostrado abaixo. Para ver detalhes, consulte os campos de registo.

      

Campos de registo

Os registos de atividade estão estruturados conforme descrito na documentação do tipo LogEntry.

Os registos de modelos da Vertex AI têm, entre outros campos:

• labels: o campo log_type está definido como automl_tables.
• jsonPayload: Os detalhes específicos da entrada de registo, fornecidos no formato de objeto JSON. Para ver detalhes, consulte Conteúdos do payload para o registo de hiperparâmetros do modelo final ou Conteúdos do payload para o registo de hiperparâmetros de um teste de otimização.
• timestamp: a data e a hora em que o modelo foi criado ou o teste foi executado.

Conteúdos da carga útil para o registo de hiperparâmetros do modelo final

O campo jsonPayload do registo de hiperparâmetros do modelo final contém um campo modelParameters. Este campo contém uma entrada para cada modelo que contribui para o modelo de conjunto final. Cada entrada tem um campo hyperparameters, cujo conteúdo depende do tipo de modelo. Para ver detalhes, consulte a lista de hiperparâmetros.

Conteúdos da carga útil para o registo de hiperparâmetros de uma tentativa de otimização

O campo jsonPayload do registo de hiperparâmetros de uma tentativa de otimização contém os seguintes campos:

Campo	Tipo	Descrição
modelStructure	JSON	Uma descrição da estrutura do modelo do Vertex AI. Este campo contém um campo modelParameters. O campo modelParameters tem um campo hyperparameters cujo conteúdo depende do tipo de modelo. Para ver detalhes, consulte a Lista de hiperparâmetros.
trainingObjectivePoint	JSON	O objetivo de otimização usado para a preparação do modelo. Esta entrada inclui uma data/hora e um valor de objetivo no momento em que a entrada do registo foi registada.

Lista de hiperparâmetros

Os dados dos hiperparâmetros fornecidos nos registos diferem para cada tipo de modelo. As secções seguintes descrevem os hiperparâmetros para cada tipo de modelo.

Modelos de árvores de decisões com aumento de gradiente

• Regularização L1 da árvore
• Regularização L2 de árvores
• Profundidade máxima da árvore
• Tipo de modelo: GBDT
• Número de árvores
• Complexidade da árvore

Modelos de redes neurais de propagação direta

• Taxa de abandono
• Ative o batchNorm (True ou False)
• Ative a incorporação L1 (True ou False)
• Ative a incorporação L2 (True ou False)
• Ative o L1 (True ou False)
• Ative o L2 (True ou False)
• Ative o layerNorm (True ou False)
• Ativar incorporação numérica (True ou False)
• Tamanho da camada oculta
• Tipo de modelo: nn
• Normalizar coluna numérica (True ou False)
• Número de camadas cruzadas
• Número de camadas ocultas
• Ignorar tipo de ligações (dense, disable, concat ou slice_or_padding)

O que se segue?

Quando tiver tudo pronto para fazer previsões com o seu modelo de classificação ou regressão, tem duas opções:

• Faça previsões online (em tempo real) com o seu modelo.
• Obtenha previsões em lote diretamente do seu modelo.

Além disso, pode:

• Avalie o seu modelo.
• Reveja as informações gerais sobre o Cloud Logging.
• Pode exportar os seus registos para o BigQuery, o Cloud Storage ou o Pub/Sub. Leia o artigo Encaminhe registos para destinos suportados na documentação de registo para saber como exportar registos de atividade.