Creare job di addestramento personalizzato

Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

I job di addestramento personalizzato (risorse CustomJob nell'API Vertex AI) sono il modo base per eseguire il codice di addestramento di machine learning (ML) personalizzato 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 che vuoi 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 da codice sulla tua macchina locale, eseguire il push di questa immagine container in Container Registry e creare un CustomJob, il tutto con un unico comando.

In caso contrario, devi creare manualmente un'applicazione di addestramento Python o un'immagine container personalizzata.

Se non sai quale opzione scegliere, consulta i requisiti del codice di addestramento per saperne di più.

Che cosa include un job personalizzato

Quando crei un job personalizzato, specifichi le impostazioni necessarie a Vertex AI per eseguire il codice di addestramento, tra cui:

All'interno dei pool di worker, puoi specificare le seguenti impostazioni:

Configura addestramento distribuito

Puoi configurare un CustomJob per l'addestramento distribuito specificando più pool di worker.

La maggior parte degli esempi in questa pagina mostra i job di addestramento a replica singola con un pool di worker. Per modificarli per l'addestramento distribuito:

  • Utilizza il primo pool di worker per configurare la replica principale e imposta il numero di repliche su 1.
  • Aggiungi altri pool di worker per configurare le repliche dei worker, le repliche dei server dei parametri o le repliche dei valutatori, se il tuo framework di machine learning supporta queste attività cluster aggiuntive 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 l'interfaccia a riga di comando gcloud, puoi utilizzare un singolo comando per creare automaticamente il codice di addestramento sulla tua macchina locale in un'immagine container Docker, eseguire il push dell'immagine container in Container Registry e creare un CustomJob. Altre opzioni presuppongono che tu abbia già creato un'applicazione di addestramento Python o un'immagine container personalizzata.

gcloud CLI

I seguenti esempi utilizzano il comando gcloud ai custom-jobs create.

Se il codice di addestramento si trova sul tuo computer locale, ti consigliamo di seguire la sezione Con il pacchetto automatico. In alternativa, se hai già creato un'applicazione di addestramento Python o un'immagine container personalizzata, passa alla sezione Senza imballaggio automatico.

Con pacchetto automatico

Se hai un codice di addestramento sul tuo computer locale, puoi utilizzare un singolo comando per eseguire le seguenti operazioni:

  • Crea un'immagine Docker personalizzata in base al tuo codice.
  • Esegui il push dell'immagine in Container Registry.
  • Avvia una CustomJob in base all'immagine.

Il risultato è simile alla creazione di un CustomJob con qualsiasi altro container personalizzato; puoi utilizzare questa versione del comando se è pratica per il tuo flusso di lavoro.

Prima di iniziare

Poiché questa versione del comando crea ed esegue il push di un'immagine Docker, devi eseguire la seguente configurazione sul tuo computer locale:

  1. Installa Docker Engine.

  2. Se utilizzi Linux, configura Docker in modo da poterlo eseguire senza sudo.

  3. Attiva l'API Container Registry.

    Abilita l'API

  4. Configura l'autenticazione per Docker in modo da poter eseguire il push delle immagini Docker a Container Registry:

    gcloud auth configure-docker
    

Crea ed esegui il push dell'immagine Docker e crea un CustomJob

Il comando seguente crea un'immagine Docker basata su un'immagine container predefinita di addestramento e sul tuo codice Python locale, esegue il push dell'immagine a Container Registry e crea un 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: regione in cui verrà eseguito il container o il pacchetto Python.

  • JOB_NAME: obbligatorio. Un nome visualizzato per CustomJob.

  • MACHINE_TYPE: tipo di macchina. Fai riferimento ai tipi di macchine disponibili per l'addestramento.

  • REPLICA_COUNT: il numero di repliche di worker da utilizzare. Nella maggior parte dei casi, utilizza 1 per il tuo primo pool di worker.

  • EXECUTOR_IMAGE_URI: l'URI dell'immagine container che esegue il codice fornito. Fai riferimento ai 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 accesso che esegue il tuo codice di addestramento (vedi il seguente elenco).

    Puoi utilizzare la directory principale dello script o una directory di livello superiore. Potresti utilizzare una directory di livello superiore per specificare un nome di modulo Python completo (vedi l'elemento del seguente elenco). Potresti anche utilizzare una directory di livello superiore se contiene un file requirements.txt o setup.py. Per scoprire di più, consulta Installare le dipendenze.

    Tieni presente che, anche se specifichi una directory di livello superiore, questo comando copia solo la directory padre dello script del punto di ingresso nell'immagine Docker.

  • SCRIPT_PATH: il percorso, relativo a WORKING_DIRECTORY sul tuo file system locale, verso lo script che è il punto di ingresso per il tuo 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, utilizza trainer/task.py per questo valore.

    Usa python-module anziché script

    Facoltativamente, puoi sostituire script=SCRIPT_PATH con python-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, invece di script=trainer/task.py, puoi specificare python-module=trainer.task.

    In questo caso, il container Docker risultante carica il tuo codice come modulo anziché come script. Probabilmente utilizzerai questa opzione se lo script del punto di ingresso importa altri moduli Python in WORKING_DIRECTORY.

Installa le dipendenze

Se utilizzi il pacchetto automatico, puoi installare le dipendenze Python nel tuo container negli stessi modi in cui sono 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 le dipendenze della guida al comando local-run.

La sintassi per specificare le dipendenze è leggermente diversa quando utilizzi la pacchettizzazione automatica rispetto a quando utilizzi 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 all'interno di queste opzioni devono essere separati da punti e virgola anziché da virgole. In particolare, la sintassi:

  • Invece del flag --local-package-path del comando local-run, usa l'opzione local-package-path nel valore del flag --worker-pool-spec. Se la directory di lavoro specificata con questa opzione contiene un file requirements.txt o setup.py, la pacchettizzazione automatica installa le dipendenze in base a questo file.

    L'esempio precedente dimostra questa sintassi.

  • (Facoltativo) Invece del flag --requirements, utilizza l'opzione requirements nel valore del flag --worker-pool-spec. Anziché separare le dipendenze PyPI con le virgole, utilizza il punto e virgola.

  • (Facoltativo) Invece del flag --extra-packages, utilizza l'opzione extra-packages nel valore del flag --worker-pool-spec. Anziché separare le dipendenze locali con una virgola, utilizza il punto e virgola.

  • (Facoltativo) Invece del flag --extra-dirs, utilizza l'opzione extra-dirs nel valore del flag --worker-pool-spec. Anziché separare i percorsi della directory con le virgole, utilizza 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, nell'esempio vengono specificati due valori per ogni opzione. Per ridurre la lunghezza dell'esempio, altre opzioni --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 la sezione "Install dependencies" nella guida al comando local-run.

Senza imballaggio automatico

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: regione in cui verrà eseguito il container o il pacchetto Python.
  • JOB_NAME: obbligatorio. Un nome visualizzato per CustomJob.
  • PYTHON_PACKAGE_URIS: elenco separato da virgole di URI Cloud Storage che specificano i file del pacchetto Python che sono il programma di addestramento e i relativi pacchetti dipendenti. Il numero massimo di URI di pacchetto è 100.
  • MACHINE_TYPE: tipo di macchina. Fai riferimento ai tipi di macchine disponibili per l'addestramento.
  • REPLICA_COUNT: il numero di repliche di worker da utilizzare. Nella maggior parte dei casi, utilizza 1 per il tuo primo pool di worker.
  • EXECUTOR_IMAGE_URI: l'URI dell'immagine container che esegue il codice fornito. Fai riferimento ai container predefiniti disponibili per l'addestramento.
  • PYTHON_MODULE: il nome del modulo Python da eseguire dopo l'installazione dei pacchetti.

Immagine del container personalizzato

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: regione in cui verrà eseguito il container o il pacchetto Python.
  • JOB_NAME: obbligatorio. Un nome visualizzato per CustomJob.
  • MACHINE_TYPE: tipo di macchina. Fai riferimento ai tipi di macchine disponibili per l'addestramento.
  • REPLICA_COUNT: il numero di repliche di worker da utilizzare. Nella maggior parte dei casi, utilizza 1 per il tuo primo pool di worker.
  • CUSTOM_CONTAINER_IMAGE_URI: l'URI di un'immagine container in Artifact Registry, Container Registry o Docker Hub che deve essere eseguito su ogni replica worker.

Addestramento distribuito

Per eseguire l'addestramento distribuito, specifica il flag --worker-pool-spec più volte, una volta per ogni pool di worker.

Se utilizzi il pacchetto automatico, devi specificare solo local-package-path, script e altre opzioni relative al pacchetto automatico nel primo pool di worker. Ometti i campi relativi al codice di addestramento nei pool di worker successivi, i quali utilizzeranno tutti lo stesso container di addestramento creato dalla pacchettizzazione automatica.

Ad esempio, il seguente comando adatta un precedente esempio di pacchetto automatico 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 il pacchetto automatico, specifica ogni pool di worker in modo completo e indipendente; non omettere alcun campo.

I seguenti comandi consentono di adattare 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 del container personalizzato

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 non 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

Vedi un esempio di file config.yaml.

Console

In Google Cloud Console, non puoi creare direttamente una risorsa CustomJob. Tuttavia, puoi creare una risorsa TrainingPipeline che crea una CustomJob.

Le seguenti istruzioni descrivono come creare un TrainingPipeline che crea un CustomJob e non esegue altre operazioni. Se vuoi utilizzare funzionalità TrainingPipeline aggiuntive, come l'addestramento con un set di dati gestito o la creazione di una risorsa Model al termine dell'addestramento, leggi la sezione Creazione delle pipeline di addestramento.

  1. Nella sezione Vertex AI di Google Cloud Console, vai alla pagina Pipeline di addestramento.

    Vai a Pipeline di addestramento

  2. Fai clic su Crea per aprire il riquadro Addestra nuovo modello.

  3. Nel passaggio Metodo di addestramento, specifica le seguenti impostazioni:

    1. Nell'elenco a discesa Set di dati, seleziona Nessun set di dati gestito.

    2. Seleziona Formazione personalizzata (avanzata).

    Fai clic su Continua.

  4. Nel passaggio Dettagli modello, scegli Addestra nuovo modello o Addestra nuovo versione. Se selezioni Addestra nuovo modello, inserisci un nome a tua scelta, MODEL_NAME, per il modello. Fai clic su Continua.

  5. Nel passaggio Contenitore di addestramento, specifica le seguenti impostazioni:

    1. Scegli se utilizzare un contenitore predefinito o un contenitore personalizzato per l'addestramento.

    2. In base alla tua scelta, puoi:

    3. Nel campo Directory di output del modello, puoi specificare l'URI Cloud Storage di una directory in un bucket a cui hai accesso. La directory non deve essere ancora esistente.

      Questo valore viene passato a Vertex AI nel campo baseOutputDirectoryAPI, che imposta diverse variabili di ambiente a cui può accedere la tua applicazione di addestramento.

    4. Facoltativo: nel campo Argomenti, puoi specificare gli argomenti che Vertex AI deve utilizzare quando inizia l'esecuzione del codice di addestramento. La lunghezza massima per tutti gli argomenti combinati è di 100.000 caratteri. Il comportamento di questi argomenti varia in base al tipo di container che stai utilizzando:

    Fai clic su Continua.

  6. Nel passaggio Ottimizzazione degli iperparametri, assicurati che la casella di controllo Abilita ottimizzazione degli iperparametri non sia selezionata. Fai clic su Continua.

  7. Nel passaggio Calcolo e prezzi, specifica le seguenti impostazioni:

    1. Nell'elenco a discesa Area geografica, seleziona "un'area geografica che supporta l'addestramento personalizzato"

    2. Nella sezione Pool di worker 0, specifica le risorse di computing da utilizzare per l'addestramento.

      Se specifichi acceleratori, assicurati che il tipo di acceleratore scelto sia disponibile nella regione selezionata.

      Se vuoi eseguire un addestramento distribuito, fai clic su Aggiungi altri pool di worker e specifica un ulteriore set di risorse di calcolo per ogni pool di worker aggiuntivo di cui hai bisogno.

    Fai clic su Continua.

  8. Nel passaggio Contenitore di previsione, seleziona Nessun contenitore di previsione.

  9. Fai clic su Inizia addestramento per avviare la pipeline di addestramento personalizzato.

REST

Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:

  • LOCATION: regione in cui verrà eseguito il container o il pacchetto Python.
  • PROJECT_ID: ID del progetto.
  • JOB_NAME: obbligatorio. Un nome visualizzato per CustomJob.
  • Definisci il job di addestramento personalizzato:
    • MACHINE_TYPE: tipo di macchina. Fai riferimento ai tipi di macchine disponibili per l'addestramento.
    • (Facoltativo) ACCELERATOR_TYPE. Il tipo di acceleratore da collegare al job.
    • (Facoltativo) ACCELERATOR_COUNT. Il numero di acceleratori da collegare al job.
    • (Facoltativo) DISK_TYPE. Il tipo di disco di avvio da utilizzare per il job: pd-standard (valore predefinito) o pd-ssd. Scopri di più sui tipi di disco.
    • (Facoltativo) DISK_SIZE. Le dimensioni in GB del disco di avvio da utilizzare per il job. Il valore predefinito è 100.
    • REPLICA_COUNT: il numero di repliche di worker da utilizzare. Nella maggior parte dei casi, utilizza 1 per il tuo primo pool di worker.
    • Se la tua 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 che deve essere eseguito su ogni replica worker.
      • (Facoltativo) CUSTOM_CONTAINER_COMMAND. Il comando da richiamare all'avvio del container. Questo comando esegue l'override del punto di ingresso predefinito del container.
      • (Facoltativo) CUSTOM_CONTAINER_ARGS. Gli argomenti da trasmettere all'avvio del container.
    • Se la tua 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. Fai riferimento ai container predefiniti disponibili per l'addestramento.
      • PYTHON_PACKAGE_URIS: elenco separato da virgole di URI Cloud Storage che specificano i file del pacchetto Python che sono il programma di addestramento e i relativi pacchetti dipendenti. Il numero massimo di URI di pacchetto è 100.
      • PYTHON_MODULE: il nome del modulo Python da eseguire dopo l'installazione dei pacchetti.
      • (Facoltativo) PYTHON_PACKAGE_ARGS. Argomenti della riga di comando da trasmettere al modulo Python.
    • Scopri di più sulle opzioni di pianificazione dei lavori.
    • (Facoltativo) TIMEOUT. Il tempo di esecuzione massimo per il job.
  • Specifica LABEL_NAME e LABEL_VALUE per ogni etichetta 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 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:

ricciolo

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.

Node.js

Per scoprire come installare e utilizzare la libreria client per Vertex AI, consulta la pagina relativa alle librerie client di Vertex AI. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Node.js Vertex AI.

/**
 * 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

Per scoprire come installare e utilizzare la libreria client per Vertex AI, consulta la pagina relativa alle librerie client di Vertex AI. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Python Vertex AI.

def custom_training_job_sample(
    project: str,
    location: str,
    bucket: str,
    display_name: str,
    script_path: str,
    script_args: str,
    container_uri: str,
    model_serving_container_image_uri: str,
    requirements: str,
    replica_count: int,
):
    aiplatform.init(project=project, location=location, staging_bucket=bucket)

    job = aiplatform.CustomTrainingJob(
        display_name=display_name,
        script_path=script_path,
        container_uri=container_uri,
        requirements=requirements,
        model_serving_container_image_uri=model_serving_container_image_uri,
    )

    model = job.run(
        args=script_args, replica_count=replica_count, model_display_name=display_name
    )

    return model

Passaggi successivi

  • Scopri come individuare i colli di bottiglia dell'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.