您可以直接在 Google Cloud 控制台中创建 AutoML 模型,也可以通过使用 API 或某个 Vertex AI 客户端库以程序化方式创建训练流水线来创建 AutoML 模型。
此模型是使用您通过控制台或 Vertex AI API 提供且准备好的数据集创建的。Vertex AI API 使用数据集中的项来训练、测试模型并评估模型性能。查看评估结果,根据需要调整训练数据集,并使用改进的数据集创建新的训练流水线。
模型训练可能需要几个小时才能完成。借助 Vertex AI API,您可以获取训练作业的状态。
创建 AutoML Edge 训练流水线
如果您有一个包含一组代表性训练项的数据集,就可以创建 AutoML Edge 训练流水线了。
选择数据类型。
图片
在下面选择您的目标对应的标签页:
分类
训练时,您可以根据具体使用场景选择所需的 AutoML Edge 模型类型:
- 低延时 (
MOBILE_TF_LOW_LATENCY_1
) - 通用目的 (
MOBILE_TF_VERSATILE_1
) - 更高预测质量 (
MOBILE_TF_HIGH_ACCURACY_1
)
在下面选择您的语言或环境对应的标签页:
REST
在使用任何请求数据之前,请先进行以下替换:
- LOCATION:数据集所在且模型在其中创建的区域。例如
us-central1
。 - PROJECT:您的项目 ID。
- TRAININGPIPELINE_DISPLAYNAME:必填。trainingPipeline 的显示名称。
- DATASET_ID:用于训练的数据集的 ID 编号。
- fractionSplit:可选。数据的多个可能的机器学习用途拆分选项之一。对于
fractionSplit
,值的总和必须为 1。例如:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*:TrainingPipeline 上传(创建)的模型的显示名称。
- MODEL_DESCRIPTION*:模型的说明。
- modelToUpload.labels*:用于组织模型的任何键值对。例如:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†:要训练的 Edge 模型的类型。选项包括:
MOBILE_TF_LOW_LATENCY_1
MOBILE_TF_VERSATILE_1
MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†:实际训练费用将等于或小于此值。对于 Edge 模型,预算必须为 1,000 至 10 万毫节点时(含边界值)。
- PROJECT_NUMBER:自动生成的项目编号
* | 您在 trainingTaskDefinition 中指定的架构文件的说明描述了此字段的用途。 |
† | 您在 trainingTaskDefinition 中指定的架构文件声明并描述了此字段。 |
HTTP 方法和网址:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
请求 JSON 正文:
{ "displayName": "TRAININGPIPELINE_DISPLAYNAME", "inputDataConfig": { "datasetId": "DATASET_ID", "fractionSplit": { "trainingFraction": "DECIMAL", "validationFraction": "DECIMAL", "testFraction": "DECIMAL" } }, "modelToUpload": { "displayName": "MODEL_DISPLAYNAME", "description": "MODEL_DESCRIPTION", "labels": { "KEY": "VALUE" } }, "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_classification_1.0.0.yaml", "trainingTaskInputs": { "multiLabel": "false", "modelType": ["EDGE_MODELTYPE"], "budgetMilliNodeHours": NODE_HOUR_BUDGET } }
如需发送请求,请选择以下方式之一:
curl
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines"
PowerShell
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content
响应包含有关规范的信息以及 TRAININGPIPELINE_ID。
您可以使用 TRAININGPIPELINE_ID 获取 trainingPipeline 作业的状态。
分类
训练时,您可以根据具体使用场景选择所需的 AutoML Edge 模型类型:
- 低延时 (
MOBILE_TF_LOW_LATENCY_1
) - 通用目的 (
MOBILE_TF_VERSATILE_1
) - 更高预测质量 (
MOBILE_TF_HIGH_ACCURACY_1
)
在下面选择您的语言或环境对应的标签页:
REST
在使用任何请求数据之前,请先进行以下替换:
- LOCATION:数据集所在且模型在其中创建的区域。例如
us-central1
。 - PROJECT:您的项目 ID。
- TRAININGPIPELINE_DISPLAYNAME:必填。trainingPipeline 的显示名称。
- DATASET_ID:用于训练的数据集的 ID 编号。
- fractionSplit:可选。数据的多个可能的机器学习用途拆分选项之一。对于
fractionSplit
,值的总和必须为 1。例如:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*:TrainingPipeline 上传(创建)的模型的显示名称。
- MODEL_DESCRIPTION*:模型的说明。
- modelToUpload.labels*:用于组织模型的任何键值对。例如:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†:要训练的 Edge 模型的类型。选项包括:
MOBILE_TF_LOW_LATENCY_1
MOBILE_TF_VERSATILE_1
MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†:实际训练费用将等于或小于此值。对于 Edge 模型,预算必须为 1,000 至 10 万毫节点时(含边界值)。
- PROJECT_NUMBER:自动生成的项目编号
* | 您在 trainingTaskDefinition 中指定的架构文件的说明描述了此字段的用途。 |
† | 您在 trainingTaskDefinition 中指定的架构文件声明并描述了此字段。 |
HTTP 方法和网址:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
请求 JSON 正文:
{ "displayName": "TRAININGPIPELINE_DISPLAYNAME", "inputDataConfig": { "datasetId": "DATASET_ID", "fractionSplit": { "trainingFraction": "DECIMAL", "validationFraction": "DECIMAL", "testFraction": "DECIMAL" } }, "modelToUpload": { "displayName": "MODEL_DISPLAYNAME", "description": "MODEL_DESCRIPTION", "labels": { "KEY": "VALUE" } }, "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_classification_1.0.0.yaml", "trainingTaskInputs": { "multiLabel": "true", "modelType": ["EDGE_MODELTYPE"], "budgetMilliNodeHours": NODE_HOUR_BUDGET } }
如需发送请求,请选择以下方式之一:
curl
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines"
PowerShell
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content
响应包含有关规范的信息以及 TRAININGPIPELINE_ID。
您可以使用 TRAININGPIPELINE_ID 获取 trainingPipeline 作业的状态。
对象检测
训练时,您可以根据具体使用场景选择所需的 AutoML Edge 模型类型:
- 低延时 (
MOBILE_TF_LOW_LATENCY_1
) - 通用目的 (
MOBILE_TF_VERSATILE_1
) - 更高预测质量 (
MOBILE_TF_HIGH_ACCURACY_1
)
在下面选择您的语言或环境对应的标签页:
REST
在使用任何请求数据之前,请先进行以下替换:
- LOCATION:数据集所在且模型在其中创建的区域。例如
us-central1
。 - PROJECT:您的项目 ID。
- TRAININGPIPELINE_DISPLAYNAME:必填。trainingPipeline 的显示名称。
- DATASET_ID:用于训练的数据集的 ID 编号。
fractionSplit
:可选。数据的多个可能的机器学习用途拆分选项之一。对于fractionSplit
,值的总和必须为 1。例如:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*:TrainingPipeline 上传(创建)的模型的显示名称。
- MODEL_DESCRIPTION*:模型的说明。
- modelToUpload.labels*:用于组织模型的任何键值对。例如:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†:要训练的 Edge 模型的类型。选项包括:
MOBILE_TF_LOW_LATENCY_1
MOBILE_TF_VERSATILE_1
MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†:实际训练费用将等于或小于此值。对于 Cloud 模型,预算必须为 2 万至 90 万毫节点时(含边界值)。默认值为 216,000,代表实际用时一天(假设使用 9 个节点)。
- PROJECT_NUMBER:自动生成的项目编号
* | 您在 trainingTaskDefinition 中指定的架构文件的说明描述了此字段的用途。 |
† | 您在 trainingTaskDefinition 中指定的架构文件声明并描述了此字段。 |
HTTP 方法和网址:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
请求 JSON 正文:
{ "displayName": "TRAININGPIPELINE_DISPLAYNAME", "inputDataConfig": { "datasetId": "DATASET_ID", "fractionSplit": { "trainingFraction": "DECIMAL", "validationFraction": "DECIMAL", "testFraction": "DECIMAL" } }, "modelToUpload": { "displayName": "MODEL_DISPLAYNAME", "description": "MODEL_DESCRIPTION", "labels": { "KEY": "VALUE" } }, "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_object_detection_1.0.0.yaml", "trainingTaskInputs": { "modelType": ["EDGE_MODELTYPE"], "budgetMilliNodeHours": NODE_HOUR_BUDGET } }
如需发送请求,请选择以下方式之一:
curl
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines"
PowerShell
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content
响应包含有关规范的信息以及 TRAININGPIPELINE_ID。
您可以使用 TRAININGPIPELINE_ID 获取 trainingPipeline 作业的状态。
视频
在下面选择您的目标对应的标签页:
动作识别
在训练时,选择以下 AutoML Edge 类型:
MOBILE_VERSATILE_1
:通用目的
REST
在使用任何请求数据之前,请先进行以下替换:
- PROJECT:您的项目 ID。
- LOCATION:数据集所在且模型在其中创建的区域。例如
us-central1
。 - TRAINING_PIPELINE_DISPLAY_NAME:必填。TrainingPipeline 的显示名称。
- DATASET_ID:训练数据集的 ID。
-
TRAINING_FRACTION、TEST_FRACTION:
fractionSplit
对象是可选的;您使用它来控制数据拆分。如需详细了解如何控制数据拆分,请参阅 AutoML 模型的数据拆分简介。例如:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME:经过训练的模型的显示名称。
- MODEL_DESCRIPTION:模型的说明。
- MODEL_LABELS:用于组织模型的任何键值对。例如:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE:
MOBILE_VERSATILE_1
:通用目的
- PROJECT_NUMBER:您项目的自动生成的项目编号
HTTP 方法和网址:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
请求 JSON 正文:
{ "displayName": "TRAINING_PIPELINE_DISPLAY_NAME", "inputDataConfig": { "datasetId": "DATASET_ID", "fractionSplit": { "trainingFraction": "TRAINING_FRACTION", "validationFraction": "0", "testFraction": "TEST_FRACTION" } }, "modelToUpload": { "displayName": "MODEL_DISPLAY_NAME", "description": "MODEL_DESCRIPTION", "labels": { "KEY": "VALUE" } }, "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_video_action_recognition_1.0.0.yaml", "trainingTaskInputs": { "modelType": ["EDGE_MODEL_TYPE"], } }
如需发送请求,请选择以下方式之一:
curl
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines"
PowerShell
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content
响应包含有关规范的信息以及 TRAININGPIPELINE_ID。
您可以获取 trainingPipeline 进度的状态,以了解其完成时间。分类
在训练时,选择以下 AutoML Edge 类型:
MOBILE_VERSATILE_1
:通用目的
REST
在使用任何请求数据之前,请先进行以下替换:
- PROJECT:您的项目 ID。
- LOCATION:数据集所在且模型在其中创建的区域。例如
us-central1
。 - TRAINING_PIPELINE_DISPLAY_NAME:必填。TrainingPipeline 的显示名称。
- DATASET_ID:训练数据集的 ID。
-
TRAINING_FRACTION、TEST_FRACTION:
fractionSplit
对象是可选的;您使用它来控制数据拆分。如需详细了解如何控制数据拆分,请参阅 AutoML 模型的数据拆分简介。例如:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME:经过训练的模型的显示名称。
- MODEL_DESCRIPTION:模型的说明。
- MODEL_LABELS:用于组织模型的任何键值对。例如:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE:
MOBILE_VERSATILE_1
:通用目的
- PROJECT_NUMBER:您项目的自动生成的项目编号
HTTP 方法和网址:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
请求 JSON 正文:
{ "displayName": "TRAINING_PIPELINE_DISPLAY_NAME", "inputDataConfig": { "datasetId": "DATASET_ID", "fractionSplit": { "trainingFraction": "TRAINING_FRACTION", "validationFraction": "0", "testFraction": "TEST_FRACTION" } }, "modelToUpload": { "displayName": "MODEL_DISPLAY_NAME", "description": "MODEL_DESCRIPTION", "labels": { "KEY": "VALUE" } }, "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_video_classification_1.0.0.yaml", "trainingTaskInputs": { "modelType": ["EDGE_MODEL_TYPE"], } }
如需发送请求,请选择以下方式之一:
curl
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines"
PowerShell
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content
响应包含有关规范的信息以及 TRAININGPIPELINE_ID。
您可以获取 trainingPipeline 进度的状态,以了解其完成时间。对象跟踪
在训练时,选择 AutoML Edge 类型:
MOBILE_VERSATILE_1
:通用目的MOBILE_CORAL_VERSATILE_1
:提高 Google Coral 的预测质量MOBILE_CORAL_LOW_LATENCY_1
:缩短 Google Coral 的延迟时间MOBILE_JETSON_VERSATILE_1
:提高 NVIDIA Jetson 的预测质量MOBILE_JETSON_LOW_LATENCY_1
:降低 NVIDIA Jetson 的延迟
REST
在使用任何请求数据之前,请先进行以下替换:
- PROJECT:您的项目 ID。
- LOCATION:数据集所在且模型在其中创建的区域。例如
us-central1
。 - TRAINING_PIPELINE_DISPLAY_NAME:必填。TrainingPipeline 的显示名称。
- DATASET_ID:训练数据集的 ID。
-
TRAINING_FRACTION、TEST_FRACTION:
fractionSplit
对象是可选的;您使用它来控制数据拆分。如需详细了解如何控制数据拆分,请参阅 AutoML 模型的数据拆分简介。例如:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME:经过训练的模型的显示名称。
- MODEL_DESCRIPTION:模型的说明。
- MODEL_LABELS:用于组织模型的任何键值对。例如:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE:以下之一:
MOBILE_VERSATILE_1
:通用目的MOBILE_CORAL_VERSATILE_1
:提高 Google Coral 的预测质量MOBILE_CORAL_LOW_LATENCY_1
:缩短 Google Coral 的延迟时间MOBILE_JETSON_VERSATILE_1
:提高 NVIDIA Jetson 的预测质量MOBILE_JETSON_LOW_LATENCY_1
:降低 NVIDIA Jetson 的延迟
- PROJECT_NUMBER:自动生成的项目编号
HTTP 方法和网址:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
请求 JSON 正文:
{ "displayName": "TRAINING_PIPELINE_DISPLAY_NAME", "inputDataConfig": { "datasetId": "DATASET_ID", "fractionSplit": { "trainingFraction": "TRAINING_FRACTION", "validationFraction": "0", "testFraction": "TEST_FRACTION" } }, "modelToUpload": { "displayName": "MODEL_DISPLAY_NAME", "description": "MODEL_DESCRIPTION", "labels": { "KEY": "VALUE" } }, "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_video_object_tracking_1.0.0.yaml", "trainingTaskInputs": { "modelType": ["EDGE_MODEL_TYPE"], } }
如需发送请求,请选择以下方式之一:
curl
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines"
PowerShell
将请求正文保存在名为 request.json
的文件中,然后执行以下命令:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content
响应包含有关规范的信息以及 TRAININGPIPELINE_ID。
您可以获取 trainingPipeline 进度的状态,以了解其完成时间。获取 trainingPipeline 状态
使用以下代码以编程方式获取 trainingPipeline 创建的状态。
REST
在使用任何请求数据之前,请先进行以下替换:
- LOCATION:TrainingPipeline 所在的区域。
- PROJECT:您的项目 ID。
- TRAININGPIPELINE_ID:特定 TrainingPipeline 的 ID。
- PROJECT_NUMBER:自动生成的项目编号
HTTP 方法和网址:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID
如需发送请求,请选择以下方式之一:
curl
执行以下命令:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID"
PowerShell
执行以下命令:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID" | Select-Object -Expand Content
"state"
字段显示操作的当前状态。完成的 trainingPipeline 将显示
创建 trainingPipeline 操作完成后,您应会看到如下输出:
Java
在尝试此示例之前,请按照《Vertex AI 快速入门:使用客户端库》中的 Java 设置说明执行操作。 如需了解详情,请参阅 Vertex AI Java API 参考文档。
如需向 Vertex AI 进行身份验证,请设置应用默认凭据。 如需了解详情,请参阅为本地开发环境设置身份验证。
Python
如需了解如何安装或更新 Vertex AI SDK for Python,请参阅安装 Vertex AI SDK for Python。 如需了解详情,请参阅 Python API 参考文档。
获取模型信息
训练流水线创建完成后,您可以使用模型的显示名来获取更详细的模型信息。
REST
在使用任何请求数据之前,请先进行以下替换:
- LOCATION:模型所在的区域。例如
us-central1
- PROJECT:您的项目 ID。
- MODEL_DISPLAYNAME:您在创建 trainingPipeline 作业时指定的模型的显示名。
- PROJECT_NUMBER:自动生成的项目编号
HTTP 方法和网址:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models?filter=display_name=MODEL_DISPLAYNAME
如需发送请求,请选择以下方式之一:
curl
执行以下命令:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models?filter=display_name=MODEL_DISPLAYNAME"
PowerShell
执行以下命令:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models?filter=display_name=MODEL_DISPLAYNAME" | Select-Object -Expand Content
AutoML Edge 模型训练完成后,您应该会看到类似如下所示的输出:以下是图片 AutoML Edge 模型的示例输出:
Java
在尝试此示例之前,请按照《Vertex AI 快速入门:使用客户端库》中的 Java 设置说明执行操作。 如需了解详情,请参阅 Vertex AI Java API 参考文档。
如需向 Vertex AI 进行身份验证,请设置应用默认凭据。 如需了解详情,请参阅为本地开发环境设置身份验证。
Node.js
在尝试此示例之前,请按照《Vertex AI 快速入门:使用客户端库》中的 Node.js 设置说明执行操作。 如需了解详情,请参阅 Vertex AI Node.js API 参考文档。
如需向 Vertex AI 进行身份验证,请设置应用默认凭据。 如需了解详情,请参阅为本地开发环境设置身份验证。
Python
如需了解如何安装或更新 Vertex AI SDK for Python,请参阅安装 Vertex AI SDK for Python。 如需了解详情,请参阅 Python API 参考文档。