I job di addestramento personalizzato (risorse CustomJob
nell'API Vertex AI) sono il modo di 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 di auto-packaging della CLI Google Cloud, описана в разделе этой статьи, per creare un'immagine container Docker dal codice sulla tua macchina locale, eseguire il push di questa immagine container in Artifact 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 di queste opzioni scegliere, consulta i requisiti per i codici di formazione per saperne di più.
Che cosa include un job personalizzato
Quando crei un job personalizzato, devi specificare le impostazioni di cui ha bisogno Vertex AI per eseguire il codice di addestramento, tra cui:
- Un pool di worker per l'addestramento con un nodo singolo (
WorkerPoolSpec
) oppure più pool di worker per l'addestramento distribuito - Impostazioni facoltative per la configurazione della pianificazione dei job (
Scheduling
), l'impostazione di determinate variabili di ambiente per il codice di addestramento, l'utilizzo di un account servizio personalizzato e l'utilizzo del peering di rete VPC
Nei pool di worker, puoi specificare le seguenti impostazioni:
- Tipi di macchine 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 i job personalizzati in modo che vengano eseguiti su una risorsa permanente anziché creare nuove risorse di calcolo durante l'avvio del job. Per saperne di più sulla risorsa permanente, consulta la Panoramica della risorsa permanente.
Configurare 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 con una singola replica 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 repliche di worker, repliche di server di parametri o repliche di valutatori, se il tuo framework di machine learning supporta queste attività di cluster aggiuntive per l'addestramento distribuito.
Scopri di più sull'utilizzo dell'addestramento distribuito.
Crea un CustomJob
Per creare un CustomJob
, segui le istruzioni riportate in una delle seguenti schede,
a seconda dello strumento che vuoi utilizzare. Se utilizzi la CLI gcloud,
puoi utilizzare un unico 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
. Le 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 tuo computer locale, ti consigliamo di seguire la sezione Con il pacchettizzazione automatica. In alternativa, se hai già creato un'applicazione di addestramento Python o un'immagine container personalizzata, vai alla sezione Senza imballaggio automatico.
Con il confezionamento automatico
Se hai il codice di addestramento sul tuo computer locale, puoi utilizzare un singolo comando per:
- Crea un'immagine Docker personalizzata in base al tuo codice.
- Esegui il push dell'immagine in Artifact Registry.
- Avvia un
CustomJob
in base all'immagine.
Il risultato è simile alla creazione di un CustomJob
utilizzando qualsiasi altro contenitore personalizzato. Puoi utilizzare questa versione del comando se è comoda 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:
Se utilizzi Linux, configura Docker in modo da poterlo eseguire senza
sudo
.Enable the Artifact Registry API.
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 e crea un CustomJob
Il seguente comando crea un'immagine Docker basata su un'immagine container di addestramento predefinita e sul tuo codice Python locale, esegue il push dell'immagine in Artifact 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: la regione in cui verrà eseguito il container o il pacchetto Python.
JOB_NAME: obbligatorio. Un nome visualizzato per
CustomJob
.MACHINE_TYPE: il tipo di macchina. Consulta i tipi di macchine disponibili per l'addestramento.
REPLICA_COUNT: il numero di repliche dei worker da usare. Nella maggior parte dei casi, imposta questo valore 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 punto di ingresso che esegue il codice di addestramento (vedi l'elemento dell'elenco successivo).
Puoi utilizzare la directory principale dello script o una directory di livello superiore. Ti consigliamo di utilizzare una directory di livello superiore per specificare un nome di modulo Python completo (vedi l'elemento dell'elenco seguente). Ti consigliamo inoltre di utilizzare una directory di livello superiore se contiene un file
requirements.txt
osetup.py
. Per saperne di più, consulta Installare le dipendenze.Tieni presente che anche se specifichi una directory di livello superiore, questo comando copia solo la directory superiore dello script del punto di ingresso nell'immagine Docker.
SCRIPT_PATH: il percorso relativo a WORKING_DIRECTORY nel file system locale e in cui si trova lo 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
, usatrainer/task.py
per questo valore.Utilizza
python-module
anzichéscript
Se vuoi, puoi sostituire
script=SCRIPT_PATH
conpython-module=PYTHON_MODULE
per specificare il nome di un modulo Python in WORKING_DIRECTORY da eseguire come entry point per l'addestramento. Ad esempio, invece discript=trainer/task.py
, potresti specificarepython-module=trainer.task
.In questo caso, il container Docker risultante carica il codice come modulo piuttosto che 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 il pacchettizzazione automatica, puoi installare le dipendenze Python nel contenitore
con gli stessi metodi disponibili quando utilizzi il comando local-run
della CLI gcloud. Per scoprire i vari modi per installare le dipendenze Python, consulta la sezione Installare le dipendenze della guida al comando local-run
.
La sintassi per specificare le dipendenze è leggermente diversa quando utilizzi il pacchettizzazione automatica rispetto al comando local-run
. Anziché usare i flag a 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. 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
, il 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, utilizza i punti e virgola.(Facoltativo) Anziché il flag
--extra-packages
, utilizza l'opzioneextra-packages
nel valore del flag--worker-pool-spec
. Anziché separare le dipendenze locali con le virgole, utilizza i punti e virgola.(Facoltativo) Anziché il flag
--extra-dirs
, utilizza l'opzioneextra-dirs
nel valore del flag--worker-pool-spec
. Anziché separare i percorsi delle directory con virgole, utilizza i punti e virgola.
L'esempio seguente mostra come installare le dipendenze utilizzando tutte le tecniche facoltative. Puoi specificare un 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 --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 conoscere i valori appropriati per questi segnaposto, consulta "Installa
le dipendenze" nella guida al comando local-run
.
Senza il pacchettizzazione automatica
Se non utilizzi il pacchettizzazione automatica, puoi creare un file 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 allenamento in 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: 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 rispettivi pacchetti dipendenti. Il numero massimo di URI dei pacchetti è 100.
- MACHINE_TYPE: il tipo di macchina. Consulta i tipi di macchine disponibili per l'addestramento.
-
REPLICA_COUNT: il numero di repliche dei worker da usare. Nella maggior parte dei casi, imposta questo valore 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 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: la regione in cui verrà eseguito il container o il pacchetto Python.
-
JOB_NAME: obbligatorio. Un nome visualizzato per
CustomJob
. - MACHINE_TYPE: il tipo di macchina. Consulta i tipi di macchine disponibili per l'addestramento.
-
REPLICA_COUNT: il numero di repliche dei worker da usare. Nella maggior parte dei casi, imposta questo valore su
1
per il primo pool di worker. - CUSTOM_CONTAINER_IMAGE_URI: l'URI di un'immagine container in Artifact 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 il confezionamento automatico, devi specificare solo local-package-path
,
script
e altre opzioni relative al confezionamento automatico nel primo pool di worker.
Ometti i campi relativi al codice di addestramento nei pool di worker successivi, che useranno tutti lo stesso container di addestramento creato tramite il pacchettizzazione automatica.
Ad esempio, il seguente comando adatta un esempio di pacchettistica automatica precedente 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 pacchettizzazione automatica, specifica ogni pool di worker in modo completo e indipendente; non omettere alcun campo.
I seguenti comandi adattano gli esempi precedenti per utilizzare un secondo pool di worker:
App di allenamento in 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 opzioni di configurazione non disponibili negli esempi precedenti, puoi utilizzare il flag --config
per indicare il percorso di un file config.yaml
nell'ambiente locale contenente 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 istruzioni riportate di seguito descrivono come creare un TrainingPipeline
che
crea un CustomJob
e non fa altro. Se vuoi utilizzare altre funzionalità di TrainingPipeline
, ad esempio l'addestramento con un set di dati gestito o la creazione di una risorsa Model
al termine dell'addestramento, consulta Creare 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:
Seleziona se utilizzare un container predefinito o un contenuto 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 da utilizzare.
Nel campo Posizione del pacchetto, specifica l'URI di Cloud Storage dell'applicazione di addestramento Python che hai creato e caricato. Di solito questo file termina con
.tar.gz
.Nel campo Modulo Python, inserisci il nome del modulo dell'entry point della tua applicazione di formazione.
Se vuoi utilizzare un container personalizzato per l'addestramento, nel campo Immagine container specifica l'URI di 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. La directory non deve ancora esistere.
Questo valore viene passato a Vertex AI nel campo
baseOutputDirectory
API, che imposta diverse variabili di ambiente a cui la tua applicazione di addestramento può accedere quando viene eseguita.Facoltativo: nel campo Argomenti, puoi specificare gli argomenti da utilizzare da parte di Vertex AI quando inizia a eseguire il codice di addestramento. La lunghezza massima per tutti gli argomenti combinati è di 100.000 caratteri. Il comportamento di questi argomenti varia a seconda del tipo di contenitore utilizzato:
Se utilizzi un contenitore predefinito, Vertex AI trasmette gli argomenti come flag a riga di comando al modulo Python.
Se utilizzi un contenitore personalizzato, Vertex AI sostituisce l'istruzione
CMD
del contenitore con gli argumenti.
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 Computing 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 calcolo 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 insieme di risorse di calcolo per ogni altro pool di worker che vuoi.
Fai clic su Continua.
Nel passaggio Contenitore di previsione, seleziona Nessun contenitore di previsione.
Fai clic su Inizia addestramento per avviare la pipeline di addestramento personalizzato.
REST
Prima di utilizzare i dati della richiesta, apporta le seguenti sostituzioni:
- LOCATION: la regione in cui verrà eseguito il container o il pacchetto Python.
- PROJECT_ID: il tuo ID progetto.
-
JOB_NAME: obbligatorio. Un nome visualizzato per
CustomJob
. - Definisci il job di addestramento personalizzato:
- MACHINE_TYPE: il 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 dischi. - DISK_SIZE: (facoltativo) Le dimensioni 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 usare. Nella maggior parte dei casi, imposta questo valore su
1
per il primo pool di worker. - Se l'applicazione di addestramento viene eseguita in un contenitore personalizzato, specifica quanto segue:
- CUSTOM_CONTAINER_IMAGE_URI: l'URI di un'immagine container in Artifact Registry o Docker Hub da eseguire su ogni replica del worker. /li>
- CUSTOM_CONTAINER_COMMAND: (facoltativo) Il comando da richiamare all'avvio del container. Questo comando sostituisce l'entrypoint predefinito del container.
- CUSTOM_CONTAINER_ARGS: (facoltativo) Gli argomenti da passare all'avvio del container.
- Se l'applicazione di addestramento è un pacchetto Python che viene 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 rispettivi 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 del job.
- Specifica LABEL_NAME e LABEL_VALUE per le eventuali etichette da 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
,
quindi esegui il comando seguente:
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
,
quindi esegui il comando seguente:
$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 sul JOB_ID.
Java
Prima di provare questo esempio, segui le istruzioni di configurazione Java riportate nella guida rapida all'utilizzo delle librerie client di Vertex AI. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Java di Vertex AI.
Per autenticarti a Vertex AI, configura le Credenziali predefinite dell'applicazione. Per ulteriori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Node.js
Prima di provare questo esempio, segui le istruzioni di configurazione Node.js riportate nella guida rapida all'utilizzo delle librerie client di Vertex AI. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Node.js di Vertex AI.
Per autenticarti a Vertex AI, configura le Credenziali predefinite dell'applicazione. Per ulteriori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Python
Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, consulta Installare l'SDK Vertex AI per Python. Per saperne di più, consulta la documentazione di riferimento dell'API Python.
Passaggi successivi
- Scopri come individuare i colli di bottiglia delle prestazioni dell'addestramento per addestrare i modelli più rapidamente e in modo più economico utilizzando Cloud Profiler.
- Consulta Creare pipeline di addestramento per scoprire come creare pipeline di addestramento per eseguire applicazioni di addestramento personalizzato su Vertex AI.
- Scopri come pianificare job di addestramento personalizzati in base alla disponibilità delle risorse.