I job di addestramento personalizzato (CustomJob
risorse nell'API Vertex AI) sono la modalità di base per eseguire il codice di addestramento
personalizzato di machine learning (ML) in Vertex AI.
Prima di inviare un job
Prima di creare un CustomJob
in Vertex AI, devi creare un'applicazione di addestramento Python o un'immagine container personalizzata per definire il codice di addestramento e le dipendenze da eseguire su Vertex AI.
Ti consigliamo di utilizzare la funzionalità autopackaging di Google Cloud CLI, descritta in una sezione successiva di questa guida, per creare un'immagine container Docker dal codice sulla tua macchina locale, eseguire il push di questa immagine container ad Artifact Registry e creare CustomJob
, il tutto con un unico comando.
In caso contrario, dovrai creare manualmente un'applicazione di addestramento Python o un'immagine container personalizzata.
Se non sai quale di queste opzioni scegliere, consulta i requisiti del codice di addestramento per saperne di più.
Contenuto di un job personalizzato
Quando crei un job personalizzato, devi specificare le impostazioni necessarie a Vertex AI per eseguire il codice di addestramento, tra cui:
- Un pool di worker per l'addestramento con un nodo singolo (
WorkerPoolSpec
) o più pool di worker per l'addestramento distribuito - Impostazioni facoltative per la configurazione della pianificazione dei job (
Scheduling
), impostando alcune variabili di ambiente per il codice di addestramento, utilizzando un account di servizio personalizzato e utilizzando il peering di rete VPC
All'interno dei pool di worker, puoi specificare le impostazioni seguenti:
- Tipi di macchina e acceleratori
- Configurazione del tipo di codice di addestramento eseguito
dal pool di worker: un'applicazione di addestramento
Python (
PythonPackageSpec
) o un container personalizzato (ContainerSpec
)
Puoi anche configurare job personalizzati da eseguire su una risorsa permanente invece di creare nuove risorse di calcolo durante l'avvio del job. Per saperne di più sulla risorsa permanente, consulta Panoramica della risorsa permanente.
Configura l'addestramento distribuito
Puoi configurare un CustomJob
per l'addestramento distribuito specificando più pool di worker.
La maggior parte degli esempi in questa pagina mostra job di addestramento a replica singola con un pool di worker. Per modificarle per l'addestramento distribuito:
- Utilizza il tuo primo pool di worker per configurare la replica principale e imposta il conteggio delle repliche su 1.
- Aggiungi altri pool di worker per configurare repliche dei worker, repliche dei server dei parametri o repliche dei valutatori, se il framework di machine learning supporta queste attività aggiuntive del cluster per l'addestramento distribuito.
Scopri di più sull'utilizzo dell'addestramento distribuito.
Crea un CustomJob
Per creare un CustomJob
, segui le istruzioni in una delle seguenti schede, a seconda dello strumento che vuoi utilizzare. Se utilizzi gcloud CLI, puoi utilizzare un singolo comando per pacchettizzare automaticamente il codice di addestramento sulla tua macchina locale in un'immagine container Docker, eseguire il push dell'immagine container su Artifact Registry e creare un CustomJob
. Altre opzioni presuppongono che tu abbia già creato un'applicazione di addestramento Python o un'immagine container personalizzata.
gcloud
I seguenti esempi utilizzano il comando gcloud ai custom-jobs create
.
Se il codice di addestramento si trova sul computer locale, ti consigliamo di seguire la sezione Con la pacchettizzazione automatica. In alternativa, se hai già creato un'applicazione di addestramento Python o un'immagine container personalizzata, passa alla sezione Senza autopackaging.
Con autopackaging
Se disponi del codice di addestramento sul computer locale, puoi utilizzare un singolo comando per effettuare le seguenti operazioni:
- Crea un'immagine Docker personalizzata basata sul tuo codice.
- Esegui il push dell'immagine in Artifact Registry.
- Avvia un
CustomJob
basato sull'immagine.
Il risultato è simile alla creazione di un CustomJob
utilizzando qualsiasi altro container
personalizzato; puoi utilizzare questa versione del comando in base alle esigenze
del tuo flusso di lavoro.
Prima di iniziare
Poiché questa versione del comando crea ed esegue il push di un'immagine Docker, devi eseguire la configurazione seguente sul computer locale:
Se utilizzi Linux, configura Docker in modo da poterlo eseguire senza
sudo
.Attiva l'API Container Registry.
Configura l'autenticazione per Docker, in modo da poter eseguire il push delle immagini Docker in Artifact Registry:
gcloud auth configure-docker
Crea ed esegui il push dell'immagine Docker, quindi crea un CustomJob
Il seguente comando crea un'immagine Docker basata su un'immagine del container di addestramento predefinita e sul tuo codice Python locale, esegue il push dell'immagine su Artifact Registry e crea un'istruzione CustomJob
.
gcloud ai custom-jobs create \
--region=LOCATION \
--display-name=JOB_NAME \
--worker-pool-spec=machine-type=MACHINE_TYPE,replica-count=REPLICA_COUNT,executor-image-uri=EXECUTOR_IMAGE_URI,local-package-path=WORKING_DIRECTORY,script=SCRIPT_PATH
Sostituisci quanto segue:
LOCATION: la regione in cui verrà eseguito il container o il pacchetto Python.
JOB_NAME: campo obbligatorio. Un nome visualizzato per
CustomJob
.MACHINE_TYPE: tipo di macchina. Consulta i tipi di macchine disponibili per l'addestramento.
REPLICA_COUNT: il numero di repliche dei worker da utilizzare. Nella maggior parte dei casi, imposta l'opzione su
1
per il primo pool di worker.EXECUTOR_IMAGE_URI: l'URI dell'immagine container che esegue il codice fornito. Consulta i container predefiniti disponibili per l'addestramento.
Questa immagine funge da immagine di base per la nuova immagine Docker che stai creando con questo comando.
WORKING_DIRECTORY: una directory nel file system locale contenente lo script del punto di ingresso che esegue il codice di addestramento (vedi l'elemento dell'elenco seguente).
Puoi utilizzare la directory principale dello script o una directory di livello superiore. Potresti voler utilizzare una directory di livello superiore per specificare un nome di modulo Python completo (vedi l'elemento dell'elenco seguente). Puoi anche utilizzare una directory di livello superiore se contiene un file
requirements.txt
osetup.py
. Per scoprire di più, consulta Installare le dipendenze.Tieni presente che, anche se specifichi una directory di livello superiore, questo comando copia nell'immagine Docker solo la directory superiore dello script del punto di ingresso.
SCRIPT_PATH: il percorso relativo a WORKING_DIRECTORY nel file system locale, dello script che funge da punto di ingresso per il codice di addestramento. Può essere uno script Python (che termina con
.py
) o uno script Bash.Ad esempio, se vuoi eseguire
/hello-world/trainer/task.py
e WORKING_DIRECTORY è/hello-world
, utilizzatrainer/task.py
per questo valore.Usa
python-module
anzichéscript
Facoltativamente, puoi sostituire
script=SCRIPT_PATH
conpython-module=PYTHON_MODULE
per specificare il nome di un modulo Python in WORKING_DIRECTORY da eseguire come punto di ingresso per l'addestramento. Ad esempio, anzichéscript=trainer/task.py
, potresti specificarepython-module=trainer.task
.In questo caso, il container Docker risultante carica il codice come modulo anziché come script. Ti consigliamo di utilizzare questa opzione se lo script del punto di ingresso importa altri moduli Python in WORKING_DIRECTORY.
Installa le dipendenze
Quando utilizzi la pacchettizzazione automatica, puoi installare le dipendenze Python nel container negli stessi modi disponibili quando utilizzi il comando local-run
dell'interfaccia a riga di comando gcloud. Per scoprire i vari modi per installare le dipendenze Python, leggi la sezione Installa dipendenze della guida al comando local-run
.
La sintassi per specificare le dipendenze è leggermente diversa quando si utilizza
la pacchettizzazione automatica rispetto a quando si utilizza il comando local-run
. Anziché utilizzare i flag della riga di comando per specificare le dipendenze, devi utilizzare le opzioni nel valore del flag --worker-pool-spec
. Inoltre, i valori in queste opzioni devono essere separati da punto e virgola anziché da virgole. Nello specifico, la sintassi:
Anziché il flag
--local-package-path
del comandolocal-run
, utilizza l'opzionelocal-package-path
nel valore del flag--worker-pool-spec
. Se la directory di lavoro specificata con questa opzione contiene un filerequirements.txt
osetup.py
, la pacchettizzazione automatica installa le dipendenze in base a questo file.L'esempio precedente mostra questa sintassi.
(Facoltativo) Anziché il flag
--requirements
, utilizza l'opzionerequirements
nel valore del flag--worker-pool-spec
. Anziché separare le dipendenze PyPI con virgole, usa il punto e virgola.(Facoltativo) Anziché il flag
--extra-packages
, utilizza l'opzioneextra-packages
nel valore del flag--worker-pool-spec
. Invece di separare le dipendenze locali con virgole, utilizza il punto e virgola.(Facoltativo) Anziché il flag
--extra-dirs
, utilizza l'opzioneextra-dirs
nel valore del flag--worker-pool-spec
. Invece di separare i percorsi delle directory con virgole, usa il punto e virgola.
L'esempio seguente mostra come installare le dipendenze utilizzando tutte le tecniche facoltative. Puoi specificare qualsiasi sottoinsieme. Per dimostrare la sintassi del punto e virgola, l'esempio specifica due valori per ogni opzione. Per ridurre
la lunghezza dell'esempio, le altre opzioni di --worker-pool-spec
vengono sostituite con
[...]
.
gcloud ai custom-jobs create \
--region=LOCATION \
--display-name=JOB_NAME \
--worker-pool-spec=[...],requirements=PYPI_DEP_1;PYPI_DEP_2,extra-packages=LOCAL_DEP_1;LOCAL_DEP_2,extra-dirs=EXTRA_DIR_1;EXTRA_DIR_2
Per informazioni sui valori appropriati per questi segnaposto, consulta "Dipendenze di installazione" nella guida al comando local-run
.
Senza confezione automatica
Se non utilizzi la pacchettizzazione automatica, puoi creare un CustomJob
con un comando
simile a uno dei seguenti. A seconda che tu abbia creato un'applicazione di addestramento Python o un'immagine container personalizzata, scegli una delle seguenti schede:
App di addestramento Python
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=EXECUTOR_IMAGE_URI,python-module=PYTHON_MODULE
Sostituisci quanto segue:
- LOCATION: la regione in cui verrà eseguito il container o il pacchetto Python.
-
JOB_NAME: campo obbligatorio. Un nome visualizzato per
CustomJob
. - PYTHON_PACKAGE_URIS: elenco separato da virgole di URI di Cloud Storage che specificano i file del pacchetto Python, ovvero il programma di addestramento e i relativi pacchetti dipendenti. Il numero massimo di URI dei pacchetti è 100.
- MACHINE_TYPE: tipo di macchina. Consulta i tipi di macchine disponibili per l'addestramento.
-
REPLICA_COUNT: il numero di repliche dei worker da utilizzare. Nella maggior parte dei casi,
imposta l'opzione su
1
per il primo pool di worker. - EXECUTOR_IMAGE_URI: l'URI dell'immagine container che esegue il codice fornito. Consulta i container predefiniti disponibili per l'addestramento.
- PYTHON_MODULE: il nome del modulo Python da eseguire dopo l'installazione dei pacchetti.
Immagine container personalizzata
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
Sostituisci quanto segue:
- LOCATION: la regione in cui verrà eseguito il container o il pacchetto Python.
-
JOB_NAME: campo obbligatorio. Un nome visualizzato per
CustomJob
. - MACHINE_TYPE: tipo di macchina. Consulta i tipi di macchine disponibili per l'addestramento.
-
REPLICA_COUNT: il numero di repliche dei worker da utilizzare. Nella maggior parte dei casi,
imposta l'opzione su
1
per il primo pool di worker. - CUSTOM_CONTAINER_IMAGE_URI: l'URI di un'immagine container in Artifact Registry, Container Registry o Docker Hub da eseguire su ogni replica del worker.
Addestramento distribuito
Per eseguire l'addestramento distribuito, specifica il flag
--worker-pool-spec
più volte, una per ogni pool di worker.
Se utilizzi la pacchettizzazione automatica, devi specificare solo local-package-path
,
script
e altre opzioni relative alla pacchettizzazione automatica nel primo pool di worker.
Ometti i campi relativi al codice di addestramento nei pool di worker successivi, che utilizzeranno tutti lo stesso container di addestramento creato dalla pacchettizzazione automatica.
Ad esempio, il seguente comando adatta un esempio precedente di pacchettizzazione automatica per utilizzare un secondo pool di worker:
gcloud ai custom-jobs create \
--region=LOCATION \
--display-name=JOB_NAME \
--worker-pool-spec=machine-type=MACHINE_TYPE,replica-count=REPLICA_COUNT,executor-image-uri=EXECUTOR_IMAGE_URI,local-package-path=WORKING_DIRECTORY,script=SCRIPT_PATH \
--worker-pool-spec=machine-type=SECOND_POOL_MACHINE_TYPE,replica-count=SECOND_POOL_REPLICA_COUNT
Se non utilizzi la pacchettizzazione automatica, specifica ogni pool di worker in modo completo e in modo indipendente, senza omettere alcun campo.
I comandi seguenti adattano gli esempi precedenti per utilizzare un secondo pool di worker:
App di addestramento Python
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=EXECUTOR_IMAGE_URI,python-module=PYTHON_MODULE \
--worker-pool-spec=machine-type=SECOND_POOL_MACHINE_TYPE,replica-count=SECOND_POOL_REPLICA_COUNT,executor-image-uri=SECOND_POOL_EXECUTOR_IMAGE_URI,python-module=SECOND_POOL_PYTHON_MODULE
Immagine container personalizzata
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 \
--worker-pool-spec=machine-type=SECOND_POOL_MACHINE_TYPE,replica-count=SECOND_POOL_REPLICA_COUNT,container-image-uri=SECOND_POOL_CUSTOM_CONTAINER_IMAGE_URI
Configurazione avanzata
Se vuoi specificare le opzioni di configurazione che non sono disponibili negli esempi precedenti, puoi utilizzare il flag --config
per specificare il percorso di un file config.yaml
nel tuo ambiente locale che contiene i campi di CustomJobSpec
. Ad esempio:
gcloud ai custom-jobs create \
--region=LOCATION \
--display-name=JOB_NAME \
--config=config.yaml
Guarda un esempio di file config.yaml
.
Console
Nella console Google Cloud, non puoi creare direttamente una risorsa CustomJob
.
Tuttavia, puoi creare una risorsa TrainingPipeline
che crea un
CustomJob
.
Le seguenti istruzioni descrivono come creare un TrainingPipeline
che
crei un CustomJob
senza eseguire altre operazioni. Se vuoi usare funzionalità TrainingPipeline
aggiuntive, come l'addestramento con un set di dati gestito o la creazione di una risorsa Model
al termine dell'addestramento, consulta Creazione di pipeline di addestramento.
Nella console Google Cloud, nella sezione Vertex AI, vai alla pagina Pipeline di addestramento.
Fai clic su
Crea per aprire il riquadro Addestra nuovo modello.Nel passaggio Metodo di addestramento, specifica le seguenti impostazioni:
Nell'elenco a discesa Set di dati, seleziona Nessun set di dati gestito.
Seleziona Addestramento personalizzato (avanzato).
Fai clic su Continua.
Nel passaggio Dettagli modello, scegli Addestra nuovo modello o Addestra nuova versione. Se selezioni Addestra nuovo modello, inserisci un nome a tua scelta, MODEL_NAME, per il modello. Fai clic su Continua.
Nel passaggio Container di addestramento, specifica le seguenti impostazioni:
Scegli se utilizzare un container predefinito o un container personalizzato per l'addestramento.
A seconda della tua scelta, esegui una delle seguenti operazioni:
Se vuoi utilizzare un container predefinito per l'addestramento, fornisci a Vertex AI le informazioni necessarie per utilizzare il pacchetto di addestramento che hai caricato su Cloud Storage:
Utilizza gli elenchi a discesa Framework modello e Versione framework modello per specificare il container predefinito che vuoi utilizzare.
Nel campo Posizione pacchetto, specifica l'URI Cloud Storage dell'applicazione di addestramento Python che hai creato e caricato. In genere questo file termina con
.tar.gz
.Nel campo del modulo Python, inserisci il nome del modulo del punto di ingresso della tua applicazione di addestramento.
Se vuoi utilizzare un container personalizzato per l'addestramento, specifica nel campo Immagine container l'URI Artifact Registry o Docker Hub dell'immagine container.
Nel campo Directory di output del modello, puoi specificare l'URI Cloud Storage di una directory in un bucket a cui hai accesso. Non è necessario che la directory esista ancora.
Questo valore viene passato a Vertex AI nel campo API
baseOutputDirectory
, che imposta diverse variabili di ambiente a cui l'applicazione di addestramento può accedere quando viene eseguita.Facoltativo: nel campo Argomenti, puoi specificare gli argomenti che Vertex AI deve utilizzare quando inizia a eseguire il codice di addestramento. La lunghezza massima di tutti gli argomenti combinati è di 100.000 caratteri. Il comportamento di questi argomenti varia a seconda del tipo di container in uso:
Se utilizzi un container predefinito, Vertex AI passa gli argomenti come flag della riga di comando al tuo modulo Python.
Se utilizzi un container personalizzato, Vertex AI sostituisce l'istruzione
CMD
del container con gli argomenti.
Fai clic su Continua.
Nel passaggio Ottimizzazione degli iperparametri, assicurati che la casella di controllo Abilita ottimizzazione degli iperparametri non sia selezionata. Fai clic su Continua.
Nel passaggio Compute e prezzi, specifica le seguenti impostazioni:
Nell'elenco a discesa Regione, seleziona una "regione che supporta l'addestramento personalizzato".
Nella sezione Pool di worker 0, specifica le risorse di computing da utilizzare per l'addestramento.
Se specifichi gli acceleratori, assicurati che il tipo di acceleratore scelto sia disponibile nella regione selezionata.
Se vuoi eseguire l'addestramento distribuito, fai clic su Aggiungi altri pool di worker e specifica un altro set di risorse di calcolo per ogni pool di worker aggiuntivo desiderato.
Fai clic su Continua.
Nel passaggio Container di previsione, seleziona Nessun container di previsione.
Fai clic su Avvia addestramento per avviare la pipeline di addestramento personalizzato.
REST
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: la regione in cui verrà eseguito il container o il pacchetto Python.
- PROJECT_ID: il tuo ID progetto.
-
JOB_NAME: campo obbligatorio. Un nome visualizzato per
CustomJob
. - Definisci il job di addestramento personalizzato:
- MACHINE_TYPE: tipo di macchina. Consulta i tipi di macchine disponibili per l'addestramento.
- ACCELERATOR_TYPE: (facoltativo) Il tipo di acceleratore da collegare al job.
- ACCELERATOR_COUNT: (facoltativo) Il numero di acceleratori da collegare al job.
- DISK_TYPE: (facoltativo) Il tipo di disco di avvio da utilizzare per il job,
pd-standard
(predefinito) opd-ssd
. Scopri di più sui tipi di disco. - DISK_SIZE: (facoltativo) La dimensione in GB del disco di avvio da utilizzare per il job. Il valore predefinito è 100.
-
REPLICA_COUNT: il numero di repliche dei worker da utilizzare. Nella maggior parte dei casi,
imposta l'opzione su
1
per il primo pool di worker. - Se l'applicazione di addestramento viene eseguita in un container personalizzato, specifica quanto segue:
- CUSTOM_CONTAINER_IMAGE_URI: l'URI di un'immagine container in Artifact Registry, Container Registry o Docker Hub da eseguire su ogni replica del worker.
- CUSTOM_CONTAINER_COMMAND: (facoltativo) Il comando da richiamare all'avvio del container. Questo comando esegue l'override dell'entry point predefinito del container.
- CUSTOM_CONTAINER_ARGS: (facoltativo) Gli argomenti da passare all'avvio del container.
- Se l'applicazione di addestramento è un pacchetto Python eseguito in un container predefinito, specifica quanto segue:
- EXECUTOR_IMAGE_URI: l'URI dell'immagine container che esegue il codice fornito. Consulta i container predefiniti disponibili per l'addestramento.
- PYTHON_PACKAGE_URIS: elenco separato da virgole di URI di Cloud Storage che specificano i file del pacchetto Python, ovvero il programma di addestramento e i relativi pacchetti dipendenti. Il numero massimo di URI dei pacchetti è 100.
- PYTHON_MODULE: il nome del modulo Python da eseguire dopo l'installazione dei pacchetti.
- PYTHON_PACKAGE_ARGS: (facoltativo) Argomenti della riga di comando da passare al modulo Python.
- Scopri di più sulle opzioni di pianificazione dei job.
- TIMEOUT: (facoltativo) Il tempo di esecuzione massimo per il job.
- Specifica LABEL_NAME e LABEL_VALUE per tutte le etichette che vuoi applicare a questo job personalizzato.
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/customJobs
Corpo JSON della richiesta:
{ "displayName": "JOB_NAME", "jobSpec": { "workerPoolSpecs": [ { "machineSpec": { "machineType": MACHINE_TYPE, "acceleratorType": ACCELERATOR_TYPE, "acceleratorCount": ACCELERATOR_COUNT }, "replicaCount": REPLICA_COUNT, "diskSpec": { "bootDiskType": DISK_TYPE, "bootDiskSizeGb": DISK_SIZE }, // Union field task can be only one of the following: "containerSpec": { "imageUri": CUSTOM_CONTAINER_IMAGE_URI, "command": [ CUSTOM_CONTAINER_COMMAND ], "args": [ CUSTOM_CONTAINER_ARGS ] }, "pythonPackageSpec": { "executorImageUri": EXECUTOR_IMAGE_URI, "packageUris": [ PYTHON_PACKAGE_URIS ], "pythonModule": PYTHON_MODULE, "args": [ PYTHON_PACKAGE_ARGS ] } // End of list of possible types for union field task. } // Specify one workerPoolSpec for single replica training, or multiple workerPoolSpecs // for distributed training. ], "scheduling": { "timeout": TIMEOUT } }, "labels": { LABEL_NAME_1": LABEL_VALUE_1, LABEL_NAME_2": LABEL_VALUE_2 } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
curl
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo comando:
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_ID/locations/LOCATION/customJobs"
PowerShell
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo comando:
$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_ID/locations/LOCATION/customJobs" | Select-Object -Expand Content
La risposta contiene informazioni sulle specifiche e sull'TRAININGPIPELINE_ID.
Java
Prima di provare questo esempio, segui le istruzioni per la configurazione di Java nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Node.js
Prima di provare questo esempio, segui le istruzioni per la configurazione di Node.js nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Node.js Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare 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 maggiori informazioni, consulta la documentazione di riferimento dell'API Python.
Passaggi successivi
- Scopri come individuare i colli di bottiglia delle prestazioni di addestramento per addestrare i modelli in modo più rapido ed economico utilizzando TensorBoard Profiler.
- Consulta Creare pipeline di addestramento per scoprire come creare pipeline di addestramento per eseguire applicazioni di addestramento personalizzato su Vertex AI.