모델 아키텍처 보기

이 페이지에서는 Cloud Logging을 사용하여 Vertex AI 모델에 대한 세부정보를 확인하는 방법을 설명합니다. Logging에서는 다음을 확인할 수 있습니다.

  • 키-값 쌍으로 구성된 최종 모델의 초매개변수입니다.
  • 모델 학습 및 조정 중에 사용된 초매개변수 및 객체 값과 목표 값

기본적으로 로그는 30일 후에 삭제됩니다.

여기서 다루는 주제는 다음과 같습니다.

  1. 학습 로그 보기.
  2. 로그 필드.

시작하기 전에

모델의 초매개변수 로그를 보려면 먼저 모델을 학습시켜야 합니다.

이 작업에는 다음과 같은 권한이 있어야 합니다.

  • 프로젝트에 대한 logging.logServiceIndexes.list 권한
  • 프로젝트에 대한 logging.logServices.list 권한

학습 로그 보기

Google Cloud 콘솔을 사용하여 최종 모델의 초매개변수 로그와 조정 시도의 초매개변수 로그에 액세스할 수 있습니다.

  1. Google Cloud 콘솔에서 Vertex AI 모델 페이지로 이동합니다.

    모델 페이지로 이동

  2. 리전 드롭다운에서 모델이 있는 리전을 선택합니다.

  3. 모델 목록에서 모델을 선택합니다.

  4. 모델의 버전 번호를 선택합니다.

  5. 버전 세부정보 탭을 엽니다.

  6. 최종 모델의 초매개변수 로그를 보려면 모델 초매개변수 행으로 이동하고 모델을 클릭합니다.

    1. 로그 항목은 하나만 있습니다. 아래와 같이 페이로드를 확장합니다. 자세한 내용은 로그 필드를 참조하세요.

      확장된 모델 로그

  7. 조정 시도의 초매개변수 로그를 보려면 모델 초매개변수 행으로 이동하고 시도를 클릭합니다.

    1. 각 조정 시도당 하나의 항목이 있습니다. 아래와 같이 페이로드를 확장합니다. 자세한 내용은 로그 필드를 참조하세요.

      확장된 시도 로그

로그 필드

활동 로그는 LogEntry 유형 문서에 설명된 대로 구조화됩니다.

Vertex AI 모델 로그에는 다음과 같은 필드가 있습니다.

최종 모델의 초매개변수 로그에 대한 페이로드 콘텐츠

최종 모델의 초매개변수 로그에 대한 jsonPayload 필드에는 modelParameters 필드가 포함됩니다. 이 필드에는 최종 앙상블 모델에 기여하는 각 모델에 대한 항목이 하나씩 포함됩니다. 각 항목에는 모델 유형에 따라 콘텐츠가 달라지는 hyperparameters 필드가 있습니다. 자세한 내용은 초매개변수 목록을 참조하세요.

조정 시도의 초매개변수 로그에 대한 페이로드 콘텐츠

조정 시도의 초매개변수 로그에 대한 jsonPayload 필드에는 다음 필드가 포함됩니다.

입력란 유형 설명
modelStructure JSON

Vertex AI 모델 구조에 대한 설명입니다. 이 필드에는 modelParameters 필드가 포함됩니다. modelParameters 필드에는 모델 유형에 따라 콘텐츠가 달라지는 hyperparameters 필드가 있습니다. 자세한 내용은 초매개변수 목록을 참조하세요.

trainingObjectivePoint JSON 모델 학습에 사용되는 최적화 목표입니다. 이 항목에는 로그 항목이 기록된 시점의 타임스탬프와 객체 값이 포함됩니다.

초매개변수 목록

로그에 제공된 초매개변수 데이터는 모델 유형별로 다릅니다. 다음 섹션에서는 각 모델 유형의 초매개변수를 설명합니다.

경사 강화 의사 결정 트리 모델

  • 트리 L1 정규화
  • 트리 L2 정규화
  • 최대 트리 깊이
  • 모델 유형: GBDT
  • 트리 수
  • 트리 복잡성

순방향 신경망(FFN) 모델

  • 드롭아웃 비율
  • batchNorm 사용 설정(True 또는 False)
  • 임베딩 L1사용 설정(True 또는 False)
  • 임베딩 L2사용 설정(True 또는 False)
  • L1 사용 설정(True 또는 False)
  • L2 사용 설정(True 또는 False)
  • layerNorm 사용 설정(True 또는 False)
  • 숫자 임베딩 사용 설정(True 또는 False)
  • 히든 레이어 크기
  • 모델 유형: nn
  • 숫자 열 정규화(True 또는 False)
  • 교차 레이어 수
  • 히든 레이어 수
  • 연결 유형 건너뛰기(dense, disable, concat 또는 slice_or_padding)

다음 단계

분류 또는 회귀 모델을 사용하여 예측할 준비가 되면 다음 두 가지 옵션이 있습니다.

또한 다음을 수행할 수 있습니다.