Saat melakukan pelatihan kustom, Anda harus menentukan kode machine learning (ML) yang ingin dijalankan oleh Vertex AI. Untuk melakukannya, konfigurasikan setelan container pelatihan untuk container kustom atau aplikasi pelatihan Python yang berjalan pada container bawaan.
Untuk menentukan apakah Anda ingin menggunakan kontainer kustom atau kontainer bawaan, baca Persyaratan kode pelatihan.
Dokumen ini menjelaskan kolom Vertex AI API yang harus Anda tentukan dalam salah satu kasus sebelumnya.
Tempat menentukan setelan container
Tentukan detail konfigurasi dalam
WorkerPoolSpec
. Bergantung pada cara Anda melakukan pelatihan kustom, masukkan WorkerPoolSpec
ini di salah satu kolom API berikut:
Jika Anda membuat resource
CustomJob
, tentukanWorkerPoolSpec
dalamCustomJob.jobSpec.workerPoolSpecs
.Jika menggunakan Google Cloud CLI, Anda dapat menggunakan flag
--worker-pool-spec
atau flag--config
pada perintahgcloud ai custom-jobs create
untuk menentukan opsi pool worker.Pelajari lebih lanjut cara membuat
CustomJob
.Jika Anda membuat resource
HyperparameterTuningJob
, tentukanWorkerPoolSpec
diHyperparameterTuningJob.trialJobSpec.workerPoolSpecs
.Jika menggunakan gcloud CLI, Anda dapat menggunakan flag
--config
pada perintahgcloud ai hpt-tuning-jobs create
untuk menentukan opsi pool worker.Pelajari lebih lanjut cara membuat
HyperparameterTuningJob
.Jika Anda membuat resource
TrainingPipeline
tanpa penyesuaian hyperparameter, tentukanWorkerPoolSpec
dalamTrainingPipeline.trainingTaskInputs.workerPoolSpecs
.Pelajari lebih lanjut cara membuat
TrainingPipeline
kustom.Jika Anda membuat
TrainingPipeline
dengan penyesuaian hyperparameter, tentukanWorkerPoolSpec
dalamTrainingPipeline.trainingTaskInputs.trialJobSpec.workerPoolSpecs
.
Jika melakukan pelatihan terdistribusi, Anda dapat menggunakan setelan yang berbeda untuk setiap kumpulan pekerja.
Mengonfigurasi setelan container
Bergantung pada apakah Anda menggunakan container yang telah dibangun sebelumnya atau container kustom, Anda harus menentukan kolom yang berbeda dalam WorkerPoolSpec
. Pilih tab untuk skenario Anda:
Container bawaan
Pilih container bawaan yang mendukung framework ML yang akan Anda gunakan untuk pelatihan. Tentukan salah satu URI gambar container di kolom
pythonPackageSpec.executorImageUri
.Tentukan URI Cloud Storage dari aplikasi pelatihan Python Anda di kolom
pythonPackageSpec.packageUris
.Tentukan modul titik entri aplikasi pelatihan Anda di kolom
pythonPackageSpec.pythonModule
.Atau, tentukan daftar argumen command line yang akan diteruskan ke modul titik entri aplikasi pelatihan Anda di kolom
pythonPackageSpec.args
.
Contoh berikut menandai tempat Anda menentukan setelan container ini saat membuat CustomJob
:
Konsol
Di Konsol Google Cloud, Anda tidak dapat membuat CustomJob
secara langsung. Namun,
Anda dapat membuat TrainingPipeline
yang membuat
CustomJob
. Saat membuat TrainingPipeline
di Google Cloud Console, Anda dapat menentukan setelan container bawaan di kolom tertentu pada langkah Container pelatihan:
pythonPackageSpec.executorImageUri
: Gunakan menu drop-down Framework model dan Versi framework model.pythonPackageSpec.packageUris
: Gunakan kolom Lokasi paket.pythonPackageSpec.pythonModule
: Gunakan kolom modul Python.pythonPackageSpec.args
: Gunakan kolom Arguments.
gcloud
gcloud ai custom-jobs create \
--region=LOCATION \
--display-name=JOB_NAME \
--python-package-uris=PYTHON_PACKAGE_URIS \
--worker-pool-spec=machine-type=MACHINE_TYPE,replica-count=REPLICA_COUNT,executor-image-uri=PYTHON_PACKAGE_EXECUTOR_IMAGE_URI,python-module=PYTHON_MODULE
Untuk konteks selengkapnya, baca panduan untuk membuat
CustomJob
.
Container kustom
Tentukan URI Artifact Registry atau Docker Hub dari container kustom Anda di kolom
containerSpec.imageUri
.Secara opsional, jika Anda ingin mengganti petunjuk
ENTRYPOINT
atauCMD
di container Anda, tentukan kolomcontainerSpec.command
ataucontainerSpec.args
. Kolom ini memengaruhi cara container Anda berjalan sesuai dengan aturan berikut:Jika Anda tidak menentukan salah satu kolom: Container Anda akan berjalan sesuai dengan petunjuk
ENTRYPOINT
dan petunjukCMD
(jika ada). Lihat dokumentasi Docker tentang caraCMD
danENTRYPOINT
berinteraksi.Jika Anda hanya menentukan
containerSpec.command
: Container Anda akan berjalan dengan nilaicontainerSpec.command
yang menggantikan instruksiENTRYPOINT
-nya. Jika container memiliki petunjukCMD
, petunjuk tersebut akan diabaikan.Jika Anda hanya menentukan
containerSpec.args
: Container Anda akan berjalan sesuai dengan petunjukENTRYPOINT
, dengan nilaicontainerSpec.args
menggantikan petunjukCMD
-nya.Jika Anda menentukan kedua kolom: Container Anda akan dijalankan dengan
containerSpec.command
yang menggantikan petunjukENTRYPOINT
dancontainerSpec.args
menggantikan petunjukCMD
-nya.
Contoh berikut menyoroti tempat Anda dapat menentukan beberapa setelan container ini saat membuat CustomJob
:
Konsol
Di Konsol Google Cloud, Anda tidak dapat membuat CustomJob
secara langsung. Namun, Anda dapat membuat TrainingPipeline
yang akan membuat CustomJob
. Saat membuat TrainingPipeline
di Google Cloud Console, Anda dapat menentukan setelan container kustom di kolom tertentu pada langkah Container pelatihan:
containerSpec.imageUri
: Gunakan kolom Image container.containerSpec.command
: Kolom API ini tidak dapat dikonfigurasi di Konsol Google Cloud.containerSpec.args
: Gunakan kolom Arguments.
gcloud
gcloud ai custom-jobs create \
--region=LOCATION \
--display-name=JOB_NAME \
--worker-pool-spec=machine-type=MACHINE_TYPE,replica-count=REPLICA_COUNT,container-image-uri=CUSTOM_CONTAINER_IMAGE_URI
Java
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Java di Panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Java Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, lihat Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Node.js
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Node.js di Panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Node.js Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, lihat Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Python
Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi Python API.
Untuk konteks selengkapnya, baca panduan untuk membuat CustomJob
.
Langkah berikutnya
- Pelajari cara melakukan pelatihan kustom dengan membuat
CustomJob
.