Quando esegui l'addestramento personalizzato, devi specificare quale modello che vuoi eseguire con Vertex AI. A questo scopo, configura il container di addestramento per un container personalizzato o un'applicazione di addestramento Python che viene eseguita su un container.
Per determinare se utilizzare un container personalizzato o un container predefinito di addestramento, consulta Requisiti del codice di addestramento.
Questo documento descrive i campi dell'API Vertex AI che devi specificare nei casi precedenti.
Dove specificare le impostazioni del contenitore
Specifica i dettagli di configurazione all'interno di un
WorkerPoolSpec
In base a come
esegui l'addestramento personalizzato, inserisci questo WorkerPoolSpec
in uno dei seguenti
Campi API:
Se crei un
CustomJob
, specificaWorkerPoolSpec
aCustomJob.jobSpec.workerPoolSpecs
.Se utilizzi Google Cloud CLI, puoi utilizzare
--worker-pool-spec
o--config
sulla bandieragcloud ai custom-jobs create
comando per specificare il worker piscine.Scopri di più sulla creazione di un
CustomJob
.Se crei un
HyperparameterTuningJob
, specificaWorkerPoolSpec
inHyperparameterTuningJob.trialJobSpec.workerPoolSpecs
.Se utilizzi gcloud CLI, puoi utilizzare
--config
flag ingcloud ai hpt-tuning-jobs create
per specificare pool di worker.Scopri di più su la creazione di uno
HyperparameterTuningJob
.Se crei un
TrainingPipeline
di archiviazione senza dell'ottimizzazione degli iperparametri,WorkerPoolSpec
aTrainingPipeline.trainingTaskInputs.workerPoolSpecs
.Scopri di più sulla creazione di un modello
TrainingPipeline
.Se stai creando un
TrainingPipeline
con l'ottimizzazione degli iperparametri, specificaWorkerPoolSpec
inTrainingPipeline.trainingTaskInputs.trialJobSpec.workerPoolSpecs
.
Se stai eseguendo distribuzioni addestramento, puoi utilizzare diversi impostazioni per ogni pool di worker.
Configura le impostazioni del contenitore
A seconda che tu stia utilizzando un container predefinito o un container personalizzato,
devi specificare campi diversi all'interno di WorkerPoolSpec
. Seleziona la scheda relativa al tuo scenario:
Container predefinito
Seleziona un container predefinito che supporta il framework ML che prevedi di usare per l'addestramento. Specifica uno dei seguenti valori: gli URI dell'immagine container in
pythonPackageSpec.executorImageUri
.Specifica gli URI Cloud Storage del tuo addestramento Python dell'applicazione
pythonPackageSpec.packageUris
campo.Specifica il modulo del punto di ingresso dell'applicazione di addestramento
pythonPackageSpec.pythonModule
.Facoltativamente, specifica un elenco di argomenti della riga di comando da passare al il modulo del punto di accesso dell'applicazione di addestramento nel
pythonPackageSpec.args
.
I seguenti esempi evidenziano dove specifichi queste impostazioni del contenitore
quando crei un CustomJob
:
Console
Nella console Google Cloud, non puoi creare direttamente un CustomJob
. Tuttavia,
puoi creare un TrainingPipeline
che crea un
CustomJob
. Quando crei un
TrainingPipeline
nella console Google Cloud, puoi specificare
impostazioni del container in alcuni campi nel passaggio Container di addestramento:
pythonPackageSpec.executorImageUri
: utilizza il framework modello e Elenchi a discesa Versione framework modello.pythonPackageSpec.packageUris
: utilizza il campo Località pacchetto.pythonPackageSpec.pythonModule
: utilizza il campo del modulo Python.pythonPackageSpec.args
: utilizza il campo Argomenti.
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
Per saperne di più, leggi la guida alla creazione di una
CustomJob
.
Container personalizzato
Specifica l'URI Artifact Registry o Docker Hub del tuo container personalizzato nel
containerSpec.imageUri
campo.Facoltativamente, se vuoi eseguire l'override
ENTRYPOINT
oppureCMD
istruzioni nel tuo container, specificacontainerSpec.command
ocontainerSpec.args
campi. Questi campi influiscono sul modo in cui il container viene eseguito in base ai seguenti parametri: regole:Se non specifichi nessuno di questi campi: il container viene eseguito in base alle sue istruzione
ENTRYPOINT
e istruzioneCMD
(se esistente). Consulta la documentazione di Docker su comeCMD
eENTRYPOINT
interagire.Se specifichi solo
containerSpec.command
: il container viene eseguito con il valore dicontainerSpec.command
sostituisce il relativoENTRYPOINT
istruzioni. Se il contenitore ha un'istruzioneCMD
, questa viene ignorata.Se specifichi solo
containerSpec.args
: il container viene eseguito in base alla sua istruzioneENTRYPOINT
, con il valorecontainerSpec.args
sostituisce la relativa istruzioneCMD
.Se specifichi entrambi i campi: il container viene eseguito con
containerSpec.command
sostituisce l'istruzioneENTRYPOINT
econtainerSpec.args
sostituisce la relativa istruzioneCMD
.
L'esempio seguente evidenzia dove puoi specificare alcuni di questi
impostazioni del contenitore quando crei un CustomJob
:
Console
Nella console Google Cloud, non puoi creare direttamente un CustomJob
. Tuttavia,
puoi creare un TrainingPipeline
che crea un
CustomJob
. Quando crei un
TrainingPipeline
nella console Google Cloud, puoi specificare
impostazioni del container in alcuni campi nel passaggio Container di addestramento:
containerSpec.imageUri
: utilizza il campo Immagine container.containerSpec.command
: questo campo API non è configurabile nella sezione nella console Google Cloud.containerSpec.args
: utilizza il campo Argomenti.
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
Prima di provare questo esempio, segui le istruzioni per la configurazione di Java nel Guida rapida di Vertex AI con librerie client. Per ulteriori informazioni, consulta API Java Vertex AI documentazione di riferimento.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Configura l'autenticazione per un ambiente di sviluppo locale.
Node.js
Prima di provare questo esempio, segui le istruzioni per la configurazione di Node.js nel Guida rapida di Vertex AI con librerie client. Per ulteriori informazioni, consulta API Node.js Vertex AI documentazione di riferimento.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Configura l'autenticazione per un ambiente di sviluppo locale.
Python
Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per ulteriori informazioni, consulta documentazione di riferimento dell'API Python.
Per saperne di più, leggi la guida alla creazione di una
CustomJob
.
Passaggi successivi
- Scopri come eseguire l'addestramento personalizzato creando un
CustomJob
.