Visualizza l'architettura del modello

Questa pagina fornisce informazioni su come utilizzare Cloud Logging per visualizzare i dettagli di un modello Vertex AI. Con il logging, puoi visualizzare:

• Gli iperparametri del modello finale sotto forma di coppie chiave-valore.
• Gli iperparametri e i valori degli oggetti utilizzati durante l'addestramento e l'ottimizzazione del modello, nonché un valore scopi.

Per impostazione predefinita, i log vengono eliminati dopo 30 giorni.

Vengono trattati i seguenti argomenti:

1. Visualizzazione dei log di addestramento.
2. Campi log.

Nota: i log dell'architettura del modello vengono forniti nell'ambito del servizio Cloud Logging. Per informazioni generali su Cloud Logging, consulta la documentazione di Cloud Logging.

Prima di iniziare

Prima di poter visualizzare i log degli iperparametri per il modello, devi addestrarlo.

Per eseguire questa attività, devi disporre delle seguenti autorizzazioni:

• logging.logServiceIndexes.list sul progetto
• logging.logServices.list sul progetto

Visualizzazione dei log di addestramento

Puoi utilizzare la console Google Cloud per accedere ai log degli iperparametri del modello finale e ai log degli iperparametri dei trial di ottimizzazione.

1. Nella console Google Cloud, vai alla pagina Modelli di Vertex AI.

   Vai alla pagina Modelli

2. Nel menu a discesa Regione, seleziona la regione in cui si trova il modello.

3. Dall'elenco dei modelli, seleziona il tuo modello.

4. Seleziona il numero di versione del modello.

5. Apri la scheda Dettagli della versione.

6. Per visualizzare il log degli iperparametri del modello finale, vai alla riga Iperparametri del modello e fai clic su Modello.

   1. Esiste una sola voce di log. Espandi il payload come mostrato di seguito. Per maggiori dettagli, vedi Campi dei log.

      

7. Per visualizzare il log degli iperparametri delle prove di ottimizzazione, vai alla riga Iperparametri del modello e fai clic su Prove.

   1. Esiste una voce per ogni prova di ottimizzazione. Espandi il payload come mostrato di seguito. Per maggiori dettagli, vedi Campi dei log.

      

Campi log

I log delle attività sono strutturati come descritto nella documentazione del tipo LogEntry.

I log dei modelli Vertex AI contengono, tra gli altri campi:

• labels: il campo log_type è impostato su automl_tables.
• jsonPayload: i dettagli specifici della voce di log, forniti in formato oggetto JSON. Per informazioni dettagliate, consulta Contenuti del payload per il log degli iperparametri del modello finale o Contenuti del payload per il log degli iperparametri di un esperimento di ottimizzazione.
• timestamp: la data e l'ora in cui è stato creato il modello o è stata eseguita la prova.

Contenuti del payload per il log degli iperparametri del modello finale

Il campo jsonPayload per il log degli iperparametri del modello finale contiene un modelParameters. Questo campo contiene una voce per ogni modello che contribuisce al modello di ensemble finale. Ogni voce ha un campo hyperparameters, i cui contenuti dipendono dal tipo di modello. Per maggiori dettagli, consulta l'elenco degli iperparametri.

Contenuti del payload per il log degli iperparametri di una prova di ottimizzazione

Il campo jsonPayload per il log degli iperparametri di una prova di ottimizzazione contiene i seguenti campi:

Campo	Tipo	Descrizione
modelStructure	JSON	Una descrizione della struttura del modello Vertex AI. Questo campo contiene un campo modelParameters. Il campo modelParameters ha un campo hyperparameters i cui contenuti dipendono dal tipo di modello. Per maggiori dettagli, consulta Elenco degli iperparametri.
trainingObjectivePoint	JSON	Lo scopo dell'ottimizzazione utilizzato per l'addestramento del modello. Questa voce include un timestamp e un valore obiettivo al momento della registrazione della voce di log.

Elenco degli iperparametri

I dati sugli iperparametri forniti nei log variano in base a ogni tipo di modello. Le sezioni seguenti descrivono gli iperparametri per ogni tipo di modello.

Modelli di alberi decisionali con boosting della curva di apprendimento

• Regolarizzazione L1 degli alberi
• Regolarizzazione L2 degli alberi
• Profondità massima albero
• Tipo di modello: GBDT
• Numero di alberi
• Complessità dell'albero

Modelli di reti neurali feed-forward

• Tasso di abbandono
• Attiva batchNorm (True o False)
• Attiva l'inserimento di L1 (True o False)
• Attiva l'inserimento di L2 (True o False)
• Attiva L1 (True o False)
• Attiva L2 (True o False)
• Attivare layerNorm (True o False)
• Attiva l'inserimento numerico (True o False)
• Dimensioni dello strato nascosto
• Tipo di modello: nn
• Normalizza la colonna numerica (True o False)
• Numero di livelli incrociati
• Numero di livelli nascosti
• Tipo di collegamenti da saltare (dense, disable, concat o slice_or_padding)

Passaggi successivi

Quando è tutto pronto per fare previsioni con il tuo modello di classificazione o regressione, hai due opzioni:

• Esegui previsioni online (in tempo reale) utilizzando il tuo modello.
• Ottieni previsioni batch direttamente dal modello.

Inoltre, puoi:

• Valuta il modello.
• Esamina le informazioni generali su Cloud Logging.
• Puoi esportare i log in BigQuery, Cloud Storage o Pub/Sub. Leggi la sezione Configurazione dell'esportazione dei log nella documentazione di Logging per scoprire come esportare i log delle attività.