Diese Seite wurde von der Cloud Translation API übersetzt.

Benutzerdefinierte Trainingsjobs erstellen

Benutzerdefinierte Trainingsjobs (CustomJob-Ressourcen in der Vertex AI API) sind die grundlegende Möglichkeit, um benutzerdefinierten Trainingscode für maschinelles Lernen (ML) in Vertex AI auszuführen.

Bevor Sie einen Job senden

Bevor Sie einen CustomJob in Vertex AI erstellen, müssen Sie eine Python-Trainingsanwendung oder ein benutzerdefiniertes Container-Image erstellen, um den Trainingscode und die Abhängigkeiten zu definieren, die Sie auf Vertex AI ausführen möchten.

Wir empfehlen die Verwendung des Autopackaging-Features der Google Cloud CLI, das in einem späteren Abschnitt dieses Leitfadens beschrieben wird, um ein Docker-Container-Image aus Code auf Ihren lokalen Computer zu erstellen, dieses Container-Image per Push an Artifact Registry zu übertragen und eine CustomJob zu erstellen – alles mit einem einzigen Befehl.

Andernfalls müssen Sie manuell eine Python-Trainingsanwendung oder ein benutzerdefiniertes Container-Image erstellen.

Weitere Informationen zur Auswahl dieser Optionen finden Sie in den Anforderungen für den Trainingscode.

Was ein benutzerdefinierter Job umfasst

Beim Erstellen eines benutzerdefinierten Jobs legen Sie Einstellungen fest, die Vertex AI zum Ausführen des Trainingscodes ausführen muss. Dazu gehören:

Ein Worker-Pool für das Training mit einem einzelnen Knoten (WorkerPoolSpec) oder mehrere Worker-Pools für verteiltes Training
Optionale Einstellungen für die Konfiguration der Jobplanung (Scheduling), das Festlegen bestimmter Umgebungsvariablen für Ihren Trainingscode, die Verwendung eines benutzerdefinierten Dienstkontos unddie Verwendung von VPC-Netzwerk-Peering

Innerhalb der Worker-Pools können Sie die folgenden Einstellungen festlegen:

Maschinentypen und Beschleuniger
Konfiguration, welcher Trainingscode der Worker-Pool ausführt: entweder eine Python-Trainingsanwendung (PythonPackageSpec ) oder einen benutzerdefinierten Container (ContainerSpec.

Sie können auch benutzerdefinierte Jobs so konfigurieren, dass sie auf einer nichtflüchtigen Ressource ausgeführt werden, anstatt neue Rechenressourcen beim Start des Jobs zu erstellen. Weitere Informationen zur nichtflüchtigen Ressource finden Sie in der Übersicht zur nichtflüchtigen Ressource.

Verteiltes Training konfigurieren

Sie können einen CustomJob für verteiltes Training konfigurieren. Geben Sie dazu mehrere Worker-Pools an.

In den meisten Beispielen auf dieser Seite werden Trainingsjobs mit einem Replikat und einem Worker-Pool aufgeführt. So ändern Sie diese für verteiltes Training:

Verwenden Sie Ihren ersten Worker-Pool für die Konfiguration des primären Replikats und setzen Sie die Anzahl der Replikate auf 1.
Fügen Sie weitere Worker-Pools hinzu, um Worker-Replikate, Parameterserver-Replikate oder Evaluator-Replikate zu konfigurieren, wenn Ihr Framework für maschinelles Lernen diese zusätzlichen Clusteraufgaben für verteiltes Training unterstützt.

Verteiltes Training verwenden

`CustomJob` erstellen

Folgen Sie der Anleitung auf einem der folgenden Tabs, um einen CustomJob zu erstellen, je nachdem, welches Tool Sie verwenden möchten. Wenn Sie die gcloud CLI verwenden, können Sie mit einem einzigen Befehl den Trainingscode auf Ihrem lokalen Computer in ein Docker-Container-Image verpacken, das Container-Image in die Artifact Registry verschieben und einen CustomJob erstellen. Andere Optionen setzen voraus, dass Sie bereits eine Python-Trainingsanwendung oder ein benutzerdefiniertes Container-Image erstellt haben.

gcloud

In den folgenden Beispielen wird der Befehl gcloud ai custom-jobs create verwendet.

Wenn sich Ihr Trainingscode auf Ihrem lokalen Computer befindet, empfehlen wir, den Abschnitt Mit Autopackaging zu befolgen. Wenn Sie bereits eine Python-Trainingsanwendung oder ein benutzerdefiniertes Container-Image erstellt haben, fahren Sie mit dem Abschnitt Ohne Autopackaging fort.

Mit Autopackaging

Wenn Sie Trainingscode auf Ihrem lokalen Computer haben, können Sie mit einem einzigen Befehl folgendes tun:

Erstellen eines benutzerdefinierten Docker-Image auf Basis Ihres Codes.
Übertragen Sie das Image in Artifact Registry.
Starten Sie einen CustomJob auf der Basis des Images.

Das Ergebnis ähnelt dem Erstellen eines CustomJob mit jedem anderen benutzerdefinierten Container. Sie können diese Version des Befehls verwenden, wenn sie für Ihren Workflow geeignet ist.

Hinweis

Da mit dieser Version des Befehls ein Docker-Image erstellt und hochgeladen wird, müssen Sie auf Ihrem lokalen Computer die folgende Konfiguration ausführen:

Installieren Sie Docker Engine.
Wenn Sie Linux verwenden, konfigurieren Sie Docker so, dass es ohne sudo ausgeführt werden kann.
Enable the Container Registry API.
Enable the API
Konfigurieren Sie die Authentifizierung für Docker, damit Sie Docker-Images in Artifact Registry hochladen können:
```
gcloud auth configure-docker
```

Docker-Image erstellen und übertragen und `CustomJob` erstellen

Der folgende Befehl erstellt ein Docker-Image basierend auf einem vordefinierten Trainings-Container-Image und Ihrem lokalen Python-Code, lädt das Image in Artifact Registry hoch und erstellt einen 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

Ersetzen Sie Folgendes:

LOCATION: Die Region, in der der Container oder das Python-Paket ausgeführt wird.
JOB_NAME: erforderlich. Ein Anzeigename für CustomJob.
MACHINE_TYPE: Der Maschinentyp. Hier finden Sie die verfügbaren Maschinentypen für das Training.
REPLICA_COUNT: Die Anzahl der zu verwendenden Worker-Replikate. In den meisten Fällen ist dies auf 1 für den ersten Worker-Pool festgelegt.
EXECUTOR_IMAGE_URI: Der URI des Container-Images, in dem der bereitgestellte Code ausgeführt wird. Siehe Verfügbare vordefinierte Container für das Training.

Dieses Image dient als Basis-Image für das neue Docker-Image, das Sie mit diesem Befehl erstellen.
WORKING_DIRECTORY: Ein Verzeichnis in Ihrem lokalen Dateisystem, das das Einstiegspunktskript enthält, das Ihren Trainingscode ausführt (siehe folgendes Listenelement).

Sie können das übergeordnete Verzeichnis des Skripts oder ein Verzeichnis auf höherer Ebene verwenden. Sie können ein Verzeichnis auf höherer Ebene verwenden, um einen voll qualifizierten Python-Modulnamen anzugeben. Weitere Informationen finden Sie im folgenden Listenelement. Sie können auch ein Verzeichnis auf höherer Ebene verwenden, wenn es die Datei requirements.txt oder setup.py enthält. Weitere Informationen finden Sie unter Abhängigkeiten installieren.

Beachten Sie: Auch wenn Sie ein Verzeichnis auf höherer Ebene angeben, kopiert dieser Befehl nur das übergeordnete Verzeichnis Ihres Einstiegspunktskripts in das Docker-Image.
SCRIPT_PATH: Der Pfad, relativ zu WORKING_DIRECTORY in Ihrem lokalen Dateisystem, zu dem Skript, das der Einstiegspunkt für Ihren Trainingscode ist. Dies kann ein Python-Skript (mit der Endung .py) oder ein Bash-Skript sein.

Wenn Sie beispielsweise /hello-world/trainer/task.py ausführen möchten und WORKING_DIRECTORY auf /hello-world gesetzt ist, verwenden Sie trainer/task.py für diesen Wert.

python-module anstelle von script verwenden

Sie können script=SCRIPT_PATH optional durch python-module=PYTHON_MODULE ersetzen, um den Namen eines Python-Moduls in WORKING_DIRECTORY anzugeben, das als Einstiegspunkt für das Training ausgeführt werden soll. Anstelle von script=trainer/task.py können Sie beispielsweise python-module=trainer.task angeben.

Der resultierende Docker-Container lädt in diesem Fall Ihren Code als Modul und nicht als Skript. Sie sollten diese Option vermutlich verwenden, wenn über Ihr Einstiegspunktskript andere Python-Module in WORKING_DIRECTORY importiert werden.

Abhängigkeiten installieren

Wenn Sie Autopackaging verwenden, können Sie Python-Abhängigkeiten in Ihrem Container auf die gleiche Weise installieren, wie bei Verwendung des Befehls local-run der gcloud CLI. Informationen zu den verschiedenen Möglichkeiten zum Installieren von Python-Abhängigkeiten finden Sie im Abschnitt Abhängigkeiten installieren der Anleitung zum Befehl local-run.

Die Syntax zum Angeben von Abhängigkeiten unterscheidet sich geringfügig, wenn Sie das Autopackaging mit dem Befehl local-run verwenden. Anstatt Befehlszeilen-Flags zur Angabe von Abhängigkeiten zu verwenden, müssen Sie Optionen im Wert des Flags --worker-pool-spec verwenden. Außerdem müssen die Werte innerhalb dieser Optionen durch Semikolons getrennt werden, nicht durch Kommas. Besonderheiten der Syntax:

Verwenden Sie anstelle des Flags --local-package-path des Befehls local-run die Option local-package-path im Wert des Flags --worker-pool-spec. Wenn das mit dieser Option angegebene Arbeitsverzeichnis eine requirements.txt- oder setup.py-Datei enthält, installiert das Autopackaging Abhängigkeiten basierend auf dieser Datei.

Das obige Beispiel zeigt diese Syntax.
(Optional) Verwenden Sie anstelle des Flags --requirements die Option requirements im Wert des Flags --worker-pool-spec. Verwenden Sie Semikolons, anstatt PyPI-Abhängigkeiten durch Kommas zu trennen.
(Optional) Verwenden Sie anstelle des Flags --extra-packages die Option extra-packages im Wert des Flags --worker-pool-spec. Verwenden Sie Semikolons, anstatt lokale Abhängigkeiten durch Kommas zu trennen.
(Optional) Verwenden Sie anstelle des Flags --extra-dirs die Option extra-dirs im Wert des Flags --worker-pool-spec. Verwenden Sie Semikolons nicht, um Verzeichnispfade durch Kommas zu trennen.

Im folgenden Beispiel wird gezeigt, wie Sie Abhängigkeiten mit allen optionalen Techniken installieren. Sie können eine beliebige Teilmenge davon angeben. Zur Veranschaulichung der Semikolon-Syntax gibt das Beispiel zwei Werte für jede Option an. Um die Länge des Beispiels zu reduzieren, werden andere --worker-pool-spec-Optionen durch [...] ersetzt.

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

Informationen zu geeigneten Werten für diese Platzhalter finden Sie in der Anleitung zum Befehl local-run unter "Abhängigkeiten installieren".

Ohne Autopackaging

Wenn Sie das Autopackaging nicht verwenden, können Sie einen CustomJob mit einem Befehl erstellen, der einem der folgenden ähnlich ist. Wählen Sie je nachdem, ob Sie eine Python-Trainingsanwendung oder ein benutzerdefiniertes Container-Image erstellt haben, einen der folgenden Tabs aus:

Python-Trainingsanwendung

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

Dabei gilt:

LOCATION: Die Region, in der der Container oder das Python-Paket ausgeführt wird.
JOB_NAME: erforderlich. Ein Anzeigename für CustomJob.
PYTHON_PACKAGE_URIS: Durch Kommas getrennte Liste der Cloud Storage-URIs, die die Python-Paketdateien angeben, wobei es sich um das Trainingsprogramm und die abhängigen Pakete handelt. Die maximale Anzahl der Paket-URIs beträgt 100.
MACHINE_TYPE: Der Maschinentyp. Hier finden Sie die verfügbaren Maschinentypen für das Training.
REPLICA_COUNT: Die Anzahl der zu verwendenden Worker-Replikate. In den meisten Fällen ist dies auf 1 für den ersten Worker-Pool festgelegt.
EXECUTOR_IMAGE_URI: Der URI des Container-Images, in dem der bereitgestellte Code ausgeführt wird. Siehe Verfügbare vordefinierte Container für das Training.
PYTHON_MODULE: Der Name des Python-Moduls, der nach der Installation der Pakete ausgeführt werden soll.

Benutzerdefiniertes Container-Image

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

Dabei gilt:

LOCATION: Die Region, in der der Container oder das Python-Paket ausgeführt wird.
JOB_NAME: erforderlich. Ein Anzeigename für CustomJob.
MACHINE_TYPE: Der Maschinentyp. Hier finden Sie die verfügbaren Maschinentypen für das Training.
REPLICA_COUNT: Die Anzahl der zu verwendenden Worker-Replikate. In den meisten Fällen ist dies auf 1 für den ersten Worker-Pool festgelegt.
CUSTOM_CONTAINER_IMAGE_URI: Der URI eines Container-Images in Artifact Registry, Container Registry oder Docker Hub, der auf jedem Worker-Replikat ausgeführt werden soll.

Verteiltes Training

Wenn Sie das verteilte Training ausführen möchten, geben Sie das Flag --worker-pool-spec mehrmals an, einmal für jeden Worker-Pool.

Wenn Sie das Autopackaging verwenden, müssen Sie im ersten Worker-Pool nur local-package-path, script und andere Optionen im Zusammenhang mit dem Autopackaging angeben. Lassen Sie Felder, die sich auf Ihren Trainingscode beziehen, in nachfolgenden Worker-Pools aus. In diesen Worker-Pools wird derselbe Trainingscontainer verwendet, der durch Autopackaging erstellt wurde.

Mit dem folgenden Befehl wird beispielsweise ein früheres Autopackaging-Beispiel für die Verwendung eines zweiten Worker-Pools angepasst:

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

Wenn Sie kein Autopackaging verwenden, geben Sie jeden Worker-Pool vollständig und unabhängig an. Lassen Sie keine Felder weg.

Die folgenden Befehle passen frühere Beispiele für die Verwendung eines zweiten Worker-Pools an:

Python-Trainingsanwendung

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

Benutzerdefiniertes Container-Image

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

Erweiterte Konfiguration

Wenn Sie Konfigurationsoptionen angeben möchten, die in den vorhergehenden Beispielen nicht verfügbar sind, können Sie mit dem Flag --config den Pfad zu einer config.yaml-Datei in Ihrer lokalen Umgebung angeben, die die Felder von CustomJobSpecenthält. Beispiel:

gcloud ai custom-jobs create \
  --region=LOCATION \
  --display-name=JOB_NAME \
  --config=config.yaml

Beispiel für eine config.yaml-Datei

Console

In der Google Cloud Console können Sie keine CustomJob-Ressource direkt erstellen. Sie können jedoch eine TrainingPipeline-Ressource erstellen, mit der ein CustomJob erstellt wird.

In der folgenden Anleitung wird beschrieben, wie Sie eine TrainingPipeline erstellen, mit der einfach nur ein CustomJob erstellt wird. Wenn Sie zusätzliche TrainingPipeline-Features verwenden möchten, z. B. das Training mit einem verwalteten Dataset oder das Erstellen einer Model-Ressource am Ende des Trainings, lesen Sie Trainingspipelines erstellen.

Rufen Sie in der Google Cloud Console im Abschnitt "Vertex AI" die Seite Trainingspipelines auf.

Zur Trainingspipeline
Klicken Sie auf Erstellen, um den Bereich Neues Modell trainieren zu öffnen.
Legen Sie im Schritt Trainingsmethode die folgenden Einstellungen fest:
1. Wählen Sie in der Drop-down-Liste Dataset die Option Kein verwaltetes Dataset aus.
2. Wählen Sie Benutzerdefiniertes Training (erweitert) aus.
Klicken Sie auf Weiter.
Wählen Sie im Schritt Modelldetails die Option Neues Modell trainieren oder Neue Version trainieren aus. Wenn Sie „Neues Modell trainieren” auswählen, geben Sie einen Namen Ihrer Wahl (MODEL_NAME) für Ihr Modell ein. Klicken Sie auf Weiter.
Legen Sie im Schritt Trainingscontainer die folgenden Einstellungen fest:
1. Wählen Sie, ob ein vordefinierter Container oder ein benutzerdefinierter Container für das Training verwendet werden soll.
2. Führen Sie je nach Auswahl einen der folgenden Schritte aus:
  - Wenn Sie einen vordefinierten Container für das Training verwenden möchten, müssen Sie Vertex AI die erforderlichen Informationen zur Verwendung des Trainingspakets bereitstellen, das Sie in Cloud Storage hochgeladen haben:
    1. Verwenden Sie die Drop-down-Listen Modell-Framework und Modell-Framework-Version, um den vordefinierten Container anzugeben, den Sie verwenden möchten.
    2. Geben Sie im Feld Paketstandort den Cloud Storage-URI der Python-Trainingsanwendung an, die Sie erstellt und hochgeladen haben. Diese Datei endet normalerweise mit .tar.gz.
    3. Geben Sie im Feld Python-Modul den Modulnamen des Einstiegspunkts Ihrer Trainingsanwendung ein.
  - Wenn Sie einen benutzerdefinierten Container für das Training verwenden möchten, geben Sie im Feld Container-Image die Artifact Registry oder den Docker Hub-URI Ihres Container-Image an.
3. Im Feld Modellausgabeverzeichnis können Sie den Cloud Storage-URI eines Verzeichnisses in einem Bucket angeben, auf den Sie Zugriff haben. Das Verzeichnis muss noch nicht vorhanden sein.
  
  Dieser Wert wird Vertex AI im API-Feld baseOutputDirectory übergeben. Dadurch werden mehrere Umgebungsvariablen festgelegt, auf die Ihre Trainingsanwendung zugreifen kann, wenn sie ausgeführt wird.
4. Optional: Im Feld Argumente können Sie Argumente angeben, die Vertex AI beim Ausführen des Trainingscodes verwenden soll. Die maximale Länge aller Argumente zusammen beträgt 100.000 Zeichen. Das Verhalten dieser Argumente hängt davon ab, welchen Containertyp Sie verwenden:
  - Wenn Sie einen vordefinierten Container verwenden, übergibt Vertex AI die Argumente als Befehlszeilen-Flags an Ihr Python-Modul.
  - Wenn Sie einen benutzerdefinierten Container verwenden, überschreibt Vertex AI die CMD-Anweisung Ihres Containers mit den Argumenten.
Klicken Sie auf Weiter.
Achten Sie darauf, dass im Schritt Hyperparameter-Abstimmung das Kästchen Hyperparameter-Abstimmung aktivieren nicht angeklickt ist. Klicken Sie auf Weiter.
Legen Sie im Schritt Computing und Preise die folgenden Einstellungen fest:
1. Wählen Sie in der Drop-down-Liste Region eine Region aus, die benutzerdefiniertes Training unterstützt.
2. Geben Sie im Abschnitt Worker-Pool 0 die Computing-Ressourcen für das Training an.
  
  Wenn Sie Beschleuniger angeben, muss der von Ihnen ausgewählte Beschleuniger in der ausgewählten Region verfügbar sein.
  
  Wenn Sie ein verteiltes Training durchführen möchten, klicken Sie auf Weitere Worker-Pools hinzufügen und geben Sie für jeden zusätzlichen Worker-Pool, den Sie wollen, weitere Compute-Ressourcen an.
Klicken Sie auf Weiter.
Wählen Sie im Schritt Vorhersagecontainer die Option Kein Vorhersagecontainer aus.
Klicken Sie auf Training starten, um die benutzerdefinierte Trainingspipeline zu starten.

REST

Ersetzen Sie dabei folgende Werte für die Anfragedaten:

LOCATION: Die Region, in der der Container oder das Python-Paket ausgeführt wird.
PROJECT_ID: Ihre Projekt-ID.
JOB_NAME: erforderlich. Ein Anzeigename für CustomJob.
Definieren Sie den benutzerdefinierten Trainingsjob:
- MACHINE_TYPE: Der Maschinentyp. Hier finden Sie die verfügbaren Maschinentypen für das Training.
- ACCELERATOR_TYPE: (Optional) Der Typ des Beschleunigers, der dem Job hinzugefügt werden soll.
- ACCELERATOR_COUNT: (Optional) Die Anzahl der Beschleuniger, die an den Job angehängt werden sollen.
- DISK_TYPE: (Optional) Der Typ des Bootlaufwerks, das für den Job verwendet werden soll, entweder pd-standard (Standardeinstellung) oder pd-ssd. Weitere Informationen zu Laufwerkstypen
- DISK_SIZE: (Optional) Die Größe des Bootlaufwerks in GB, das für den Job verwendet werden soll. Der Standardwert ist 100.
- REPLICA_COUNT: Die Anzahl der zu verwendenden Worker-Replikate. In den meisten Fällen ist dies auf 1 für den ersten Worker-Pool festgelegt.
- Wenn Ihre Trainingsanwendung in einem benutzerdefinierten Container ausgeführt wird, geben Sie Folgendes an:
  - CUSTOM_CONTAINER_IMAGE_URI: Der URI eines Container-Images in Artifact Registry, Container Registry oder Docker Hub, der auf jedem Worker-Replikat ausgeführt werden soll.
  - CUSTOM_CONTAINER_COMMAND: (Optional) Der Befehl, der beim Start des Containers aufgerufen werden soll. Mit diesem Befehl wird der Standardeinstiegspunkt des Containers überschrieben.
  - CUSTOM_CONTAINER_ARGS: (Optional) Die Argumente, die beim Starten des Containers übergeben werden.
- Wenn Ihre Trainingsanwendung ein Python-Paket ist, das in einem vordefinierten Container ausgeführt wird, geben Sie Folgendes an:
  - EXECUTOR_IMAGE_URI: Der URI des Container-Images, in dem der bereitgestellte Code ausgeführt wird. Siehe Verfügbare vordefinierte Container für das Training.
  - PYTHON_PACKAGE_URIS: Durch Kommas getrennte Liste der Cloud Storage-URIs, die die Python-Paketdateien angeben, wobei es sich um das Trainingsprogramm und die abhängigen Pakete handelt. Die maximale Anzahl der Paket-URIs beträgt 100.
  - PYTHON_MODULE: Der Name des Python-Moduls, der nach der Installation der Pakete ausgeführt werden soll.
  - PYTHON_PACKAGE_ARGS: (Optional) Befehlszeilenargumente, die an das Python-Modul übergeben werden sollen.
- Optionen für die Jobplanung
- TIMEOUT: (Optional) Die maximale Ausführungszeit für den Job.
Geben Sie LABEL_NAME und LABEL_VALUE für alle Labels an, die Sie auf diesen benutzerdefinierten Job anwenden möchten.

HTTP-Methode und URL:

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/customJobs

JSON-Text der Anfrage:

{
  "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
  }
}

Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:

curl

Hinweis: Der folgende Befehl setzt voraus, dass Sie sich mit Ihrem Nutzerkonto bei der gcloud CLI angemeldet haben. Dazu haben Sie gcloud init oder gcloud auth login ausgeführt oder die Cloud Shell genutzt, die Sie automatisch bei der gcloud CLI anmeldet. Um herauszufinden, welches Konto gerade aktiv ist, führen Sie gcloud auth list aus.

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:

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

Hinweis: Der folgende Befehl setzt voraus, dass Sie sich mit Ihrem Nutzerkonto bei der gcloud CLI angemeldet haben. Dazu führen Sie gcloud init oder gcloud auth login aus. Um herauszufinden, welches Konto gerade aktiv ist, führen Sie gcloud auth list aus.

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:

$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

Die Antwort enthält Informationen zu Spezifikationen sowie die TRAININGPIPELINE_ID.

Antwort

{
  "name": "projects/PROJECT_ID/locations/LOCATION/customJobs/JOB_ID",
  "displayName": "JOB_NAME",
  "trainingTaskInputs": {
    "workerPoolSpecs": [
      {
        "machineSpec": {
          "machineType": "n1-standard-4"
        },
        "replicaCount": "1",
        "pythonPackageSpec": {
          "executorImageUri": "us-docker.pkg.dev/vertex-ai/training/training-tf-cpu.2-1:latest",
          "packageUris": [
            "gs://BUCKET_NAME/training/hello-custom-training-1.0.tar.gz"
          ],
          "pythonModule": "trainer.task",
          "args": [
            "--model-dir=gs://BUCKET_NAME/output/"
          ]
        }
      }
    ]
  },
  "state": "JOB_STATE_PENDING",
  "createTime": "2020-09-15T19:09:54.342080Z",
  "startTime": "2020-09-15T19:13:42.991045Z",
}

Java

Bevor Sie dieses Beispiel anwenden, folgen Sie den Java-Einrichtungsschritten in der Vertex AI-Kurzanleitung zur Verwendung von Clientbibliotheken. Weitere Informationen finden Sie in der Referenzdokumentation zur Vertex AI Java API.

Richten Sie zur Authentifizierung bei Vertex AI Standardanmeldedaten für Anwendungen ein. Weitere Informationen finden Sie unter Authentifizierung für eine lokale Entwicklungsumgebung einrichten.


import com.google.cloud.aiplatform.v1.AcceleratorType;
import com.google.cloud.aiplatform.v1.ContainerSpec;
import com.google.cloud.aiplatform.v1.CustomJob;
import com.google.cloud.aiplatform.v1.CustomJobSpec;
import com.google.cloud.aiplatform.v1.JobServiceClient;
import com.google.cloud.aiplatform.v1.JobServiceSettings;
import com.google.cloud.aiplatform.v1.LocationName;
import com.google.cloud.aiplatform.v1.MachineSpec;
import com.google.cloud.aiplatform.v1.WorkerPoolSpec;
import java.io.IOException;

// Create a custom job to run machine learning training code in Vertex AI
public class CreateCustomJobSample {

  public static void main(String[] args) throws IOException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "PROJECT";
    String displayName = "DISPLAY_NAME";

    // Vertex AI runs your training application in a Docker container image. A Docker container
    // image is a self-contained software package that includes code and all dependencies. Learn
    // more about preparing your training application at
    // https://cloud.google.com/vertex-ai/docs/training/overview#prepare_your_training_application
    String containerImageUri = "CONTAINER_IMAGE_URI";
    createCustomJobSample(project, displayName, containerImageUri);
  }

  static void createCustomJobSample(String project, String displayName, String containerImageUri)
      throws IOException {
    JobServiceSettings settings =
        JobServiceSettings.newBuilder()
            .setEndpoint("us-central1-aiplatform.googleapis.com:443")
            .build();
    String location = "us-central1";

    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests.
    try (JobServiceClient client = JobServiceClient.create(settings)) {
      MachineSpec machineSpec =
          MachineSpec.newBuilder()
              .setMachineType("n1-standard-4")
              .setAcceleratorType(AcceleratorType.NVIDIA_TESLA_T4)
              .setAcceleratorCount(1)
              .build();

      ContainerSpec containerSpec =
          ContainerSpec.newBuilder().setImageUri(containerImageUri).build();

      WorkerPoolSpec workerPoolSpec =
          WorkerPoolSpec.newBuilder()
              .setMachineSpec(machineSpec)
              .setReplicaCount(1)
              .setContainerSpec(containerSpec)
              .build();

      CustomJobSpec customJobSpecJobSpec =
          CustomJobSpec.newBuilder().addWorkerPoolSpecs(workerPoolSpec).build();

      CustomJob customJob =
          CustomJob.newBuilder()
              .setDisplayName(displayName)
              .setJobSpec(customJobSpecJobSpec)
              .build();
      LocationName parent = LocationName.of(project, location);
      CustomJob response = client.createCustomJob(parent, customJob);
      System.out.format("response: %s\n", response);
      System.out.format("Name: %s\n", response.getName());
    }
  }
}

Node.js

Bevor Sie dieses Beispiel anwenden, folgen Sie den Node.js-Einrichtungsschritten in der Vertex AI-Kurzanleitung zur Verwendung von Clientbibliotheken. Weitere Informationen finden Sie in der Referenzdokumentation zur Vertex AI Node.js API.

Richten Sie zur Authentifizierung bei Vertex AI Standardanmeldedaten für Anwendungen ein. Weitere Informationen finden Sie unter Authentifizierung für eine lokale Entwicklungsumgebung einrichten.

/**
 * TODO(developer): Uncomment these variables before running the sample.\
 * (Not necessary if passing values as arguments)
 */

// const customJobDisplayName = 'YOUR_CUSTOM_JOB_DISPLAY_NAME';
// const containerImageUri = 'YOUR_CONTAINER_IMAGE_URI';
// const project = 'YOUR_PROJECT_ID';
// const location = 'YOUR_PROJECT_LOCATION';

// Imports the Google Cloud Job Service Client library
const {JobServiceClient} = require('@google-cloud/aiplatform');

// Specifies the location of the api endpoint
const clientOptions = {
  apiEndpoint: 'us-central1-aiplatform.googleapis.com',
};

// Instantiates a client
const jobServiceClient = new JobServiceClient(clientOptions);

async function createCustomJob() {
  // Configure the parent resource
  const parent = `projects/${project}/locations/${location}`;
  const customJob = {
    displayName: customJobDisplayName,
    jobSpec: {
      workerPoolSpecs: [
        {
          machineSpec: {
            machineType: 'n1-standard-4',
            acceleratorType: 'NVIDIA_TESLA_K80',
            acceleratorCount: 1,
          },
          replicaCount: 1,
          containerSpec: {
            imageUri: containerImageUri,
            command: [],
            args: [],
          },
        },
      ],
    },
  };
  const request = {parent, customJob};

  // Create custom job request
  const [response] = await jobServiceClient.createCustomJob(request);

  console.log('Create custom job response:\n', JSON.stringify(response));
}
createCustomJob();

Python

Informationen zur Installation des Vertex AI SDK for Python finden Sie unter Vertex AI SDK for Python installieren. Weitere Informationen finden Sie in der Referenzdokumentation zur Python API.

def create_custom_job_with_experiment_autologging_sample(
    project: str,
    location: str,
    staging_bucket: str,
    display_name: str,
    script_path: str,
    container_uri: str,
    service_account: str,
    experiment: str,
    experiment_run: Optional[str] = None,
) -> None:
    aiplatform.init(project=project, location=location, staging_bucket=staging_bucket, experiment=experiment)

    job = aiplatform.CustomJob.from_local_script(
        display_name=display_name,
        script_path=script_path,
        container_uri=container_uri,
        enable_autolog=True,
    )

    job.run(
        service_account=service_account,
        experiment=experiment,
        experiment_run=experiment_run,
    )

Nächste Schritte

Erfahren Sie, wie Sie Engpässe in der Trainingsleistung ermitteln, um Modelle mit dem Cloud Profiler schneller und kostengünstiger zu trainieren.
Unter Trainingspipelines erstellen erfahren Sie, wie Sie Trainingspipelines zum Ausführen benutzerdefinierter Trainingsanwendungen in Vertex AI erstellen.

Benutzerdefinierte Trainingsjobs erstellen

Bevor Sie einen Job senden

Was ein benutzerdefinierter Job umfasst

Verteiltes Training konfigurieren

CustomJob erstellen

gcloud

Mit Autopackaging

Hinweis

Docker-Image erstellen und übertragen und CustomJob erstellen

python-module anstelle von script verwenden

Abhängigkeiten installieren

Ohne Autopackaging

Python-Trainingsanwendung

Benutzerdefiniertes Container-Image

Verteiltes Training

Python-Trainingsanwendung

Benutzerdefiniertes Container-Image

Erweiterte Konfiguration

Console

REST

curl

PowerShell

Antwort

Java

Node.js

Python

Nächste Schritte

`CustomJob` erstellen

Docker-Image erstellen und übertragen und `CustomJob` erstellen

`python-module` anstelle von `script` verwenden