建立自訂訓練工作

自訂訓練工作 (Vertex AI API 中的 CustomJob 資源) 是在 Vertex AI 中執行自訂機器學習 (ML) 訓練程式碼的基本方式。

提交工作前的注意事項

在 Vertex AI 中建立 CustomJob 之前，您必須建立 Python 訓練應用程式或自訂容器映像檔，定義要在 Vertex AI 上執行的訓練程式碼和依附元件。

建議您使用 Google Cloud CLI 的自動封裝功能，如本指南稍後章節所述，從本機電腦上的程式碼建立 Docker 容器映像檔、將這個容器映像檔推送至 Artifact Registry，以及建立 CustomJob，所有作業都只要一個指令即可完成。

否則，您必須手動建立 Python 訓練應用程式或自訂容器映像檔。

如果不確定要選擇哪個選項，請參閱訓練代碼規定瞭解詳情。

自訂工作包含的內容

建立自訂工作時，請指定 Vertex AI 執行訓練程式碼所需的設定，包括：

• 單一節點訓練 (WorkerPoolSpec) 的一個工作站集區，或分散式訓練的多個工作站集區
• 設定工作排程 (Scheduling)、為訓練程式碼設定特定環境變數、使用自訂服務帳戶，以及使用虛擬私有雲網路對等互連的選用設定

在工作站集區中，您可以指定下列設定：

• 機器類型和加速器
• 工作站集區執行的訓練程式碼類型設定：Python 訓練應用程式 (PythonPackageSpec) 或自訂容器 (ContainerSpec)

您也可以設定自訂工作，在永久資源上執行，不必在工作啟動時建立新的運算資源。如要進一步瞭解永久資源，請參閱永久資源總覽。

設定分散式訓練

您可以指定多個工作站集區，為分散式訓練設定 CustomJob。

本頁的大部分範例都顯示單一副本訓練工作，且有一個工作站集區。如要修改這些設定以進行分散式訓練，請按照下列步驟操作：

• 使用第一個工作站集區設定主要副本，並將副本數量設為 1。
• 如果機器學習架構支援這些額外的叢集工作，請新增更多工作站集區，設定工作站副本、參數伺服器副本或評估工具副本，以進行分散式訓練。

進一步瞭解如何使用分散式訓練。

建立 CustomJob

如要建立 CustomJob，請按照下列任一分頁標籤中的操作說明進行，具體取決於您想使用的工具。如果您使用 gcloud CLI，可以透過單一指令，將本機電腦上的訓練程式碼自動封裝至 Docker 容器映像檔、將容器映像檔推送至 Artifact Registry，並建立 CustomJob。其他選項則假設您已建立 Python 訓練應用程式或自訂容器映像檔。

gcloud

下列範例使用 gcloud ai custom-jobs create 指令。

如果訓練程式碼位於本機電腦，建議您按照「使用自動封裝」一節的說明操作。或者，如果您已建立 Python 訓練應用程式或自訂容器映像檔，請直接跳至「不使用自動封裝」一節。

具備自動封裝功能

如果本機電腦上有訓練程式碼，可以使用單一指令執行下列操作：

• 根據程式碼建構自訂 Docker 映像檔。
• 將映像檔推送至 Artifact Registry。
• 根據圖片發起 CustomJob。

結果與使用任何其他自訂容器建立 CustomJob 類似；如果這個版本的指令適合您的工作流程，即可使用。

事前準備

由於這個版本的指令會建構及推送 Docker 映像檔，您必須在本機電腦上執行下列設定：

1. 安裝 Docker Engine。

2. 如果您使用 Linux，請設定 Docker，這樣就能在不使用 sudo 的情況下執行 Docker。

3. Enable the Artifact Registry API.

   Roles required to enable APIs

   To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

   Enable the API

4. 為 Docker 設定驗證機制，以便將 Docker 映像檔推送至 Artifact Registry：

   gcloud auth configure-docker
   

建構及推送 Docker 映像檔，並建立 CustomJob

下列指令會根據預先建構的訓練容器映像檔和本機 Python 程式碼建構 Docker 映像檔、將映像檔推送至 Artifact Registry，並建立 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

更改下列內容：

• LOCATION：要執行容器或 Python 套件的區域。

• JOB_NAME：必填。CustomJob 的顯示名稱。

• MACHINE_TYPE：機器的類型。請參閱可用的訓練機器類型。

• REPLICA_COUNT：要使用的工作站備用資源數量。在大多數情況下，請將此值設為 1，以用於第一個工作站集區。

• EXECUTOR_IMAGE_URI：執行所提供程式碼的容器映像檔 URI。請參閱可用的預先建構訓練容器。

  這個映像檔會做為您使用此指令建構的新 Docker 映像檔的基本映像檔。

• WORKING_DIRECTORY：本機檔案系統中的目錄，內含執行訓練程式碼的進入點指令碼 (請參閱下一個清單項目)。

  你可以使用指令碼的父項目錄，或更上層的目錄。您可能想使用較高層級的目錄，以便指定完整的 Python 模組名稱 (請參閱下一個清單項目)。如果較高層級的目錄包含 requirements.txt 或 setup.py 檔案，您可能也想使用該目錄。詳情請參閱「安裝依附元件」。

  請注意，即使您指定較高層級的目錄，這個指令也只會將進入點指令碼的父項目錄複製到 Docker 映像檔。

• SCRIPT_PATH：相對於本機檔案系統上 WORKING_DIRECTORY 的路徑，指向訓練程式碼的進入點指令碼。可以是 Python 指令碼 (結尾為 .py) 或 Bash 指令碼。

  舉例來說，如要執行 /hello-world/trainer/task.py，且 WORKING_DIRECTORY 為 /hello-world，請使用 trainer/task.py 做為這個值。

  以 python-module 取代 script

  您可以視需要將 script=SCRIPT_PATH 替換為 python-module=PYTHON_MODULE，指定 WORKING_DIRECTORY 中的 Python 模組名稱，做為訓練的進入點。舉例來說，您可以指定 python-module=trainer.task，而非 script=trainer/task.py。

  在這種情況下，產生的 Docker 容器會將程式碼載入為模組，而不是指令碼。如果進入點指令碼會匯入 WORKING_DIRECTORY 中的其他 Python 模組，您可能想使用這個選項。

安裝依附元件

使用自動封裝時，您可以在容器中安裝 Python 依附元件，方法與使用 gcloud CLI 的 local-run 指令時相同。如要瞭解安裝 Python 依附元件的各種方式，請參閱 local-run 指令指南的「安裝依附元件」一節。

使用自動封裝時，指定依附元件的語法與使用 local-run 指令時略有不同。您必須使用 --worker-pool-spec 旗標值中的選項，而不是使用指令列旗標指定依附元件。此外，這些選項內的值必須以半形分號分隔，而非半形逗號。具體來說，語法如下：

• 請使用 --worker-pool-spec 旗標值中的 local-package-path 選項，而非 local-run 指令的 --local-package-path 旗標。如果使用這個選項指定的工作目錄包含 requirements.txt 或 setup.py 檔案，自動封裝會根據這個檔案安裝依附元件。

  上述範例即說明瞭這項語法。

• (選用) 請使用 --worker-pool-spec 旗標值中的 requirements 選項，而非 --requirements 旗標。請使用半形分號分隔 PyPI 依附元件，而非半形逗號。

• (選用) 請使用 --worker-pool-spec 旗標值中的 extra-packages 選項，而非 --extra-packages 旗標。請使用半形分號分隔本機依附元件，而非半形逗號。

• (選用) 請使用 --worker-pool-spec 旗標值中的 extra-dirs 選項，取代 --extra-dirs 旗標。請使用半形分號分隔目錄路徑，而非半形逗號。

以下範例說明如何使用所有選用技術安裝依附元件。(您可以指定其中任何子集)。為示範半形分號語法，範例會為每個選項指定兩個值。為縮短範例長度，其他 --worker-pool-spec 選項會替換為 [...]。

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

如要瞭解這些預留位置的適當值，請參閱 local-run 指令指南中的「安裝依附元件」。

不使用自動封裝功能

如果您未使用自動封裝功能，可以透過類似下列的指令建立 CustomJob。視您建立 Python 訓練應用程式或自訂容器映像檔而定，選擇下列其中一個分頁：

Python 訓練應用程式

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

更改下列內容：

• LOCATION：要執行容器或 Python 套件的區域。
• JOB_NAME：必填。CustomJob 的顯示名稱。
• PYTHON_PACKAGE_URIS：以半形逗號分隔的 Cloud Storage URI 清單，指定訓練程式及其依附元件套件的 Python 套件檔案。套件 URI 數量上限為 100 個。
• MACHINE_TYPE：機器的類型。請參閱可用的訓練機器類型。
• REPLICA_COUNT：要使用的工作站備用資源數量。在大多數情況下，請將此值設為 1，以用於第一個工作站集區。
• EXECUTOR_IMAGE_URI：執行所提供程式碼的容器映像檔 URI。請參閱可用的預先建構訓練容器。
• PYTHON_MODULE：安裝套件後要執行的 Python 模組名稱。

自訂容器映像檔

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

更改下列內容：

• LOCATION：要執行容器或 Python 套件的區域。
• JOB_NAME：必填。CustomJob 的顯示名稱。
• MACHINE_TYPE：機器的類型。請參閱可用的訓練機器類型。
• REPLICA_COUNT：要使用的工作站備用資源數量。在大多數情況下，請將此值設為 1，以用於第一個工作站集區。
• CUSTOM_CONTAINER_IMAGE_URI：要在每個工作站副本上執行的 Artifact Registry 或 Docker Hub 容器映像檔 URI。

分散式訓練

如要執行分散式訓練，請多次指定 --worker-pool-spec 旗標，每個工作站集區一次。

如果您使用自動封裝功能，則只能在第一個工作人員集區中指定 local-package-path、script 和其他與自動封裝相關的選項。在後續工作站集區中，省略與訓練程式碼相關的欄位，這些集區都會使用自動封裝建構的相同訓練容器。

舉例來說，下列指令會調整先前的自動封裝範例，以使用第二個工作站集區：

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

如果未使用自動封裝功能，請完整且獨立地指定每個工作站集區，不要省略任何欄位。

下列指令會調整先前的範例，以使用第二個工作站集區：

Python 訓練應用程式

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

注意： 在本例中，每個工作站集區都使用相同的 Python 套件 URI。

自訂容器映像檔

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

進階設定

如要指定上述範例未提供的設定選項，可以使用 --config 旗標，在含有 CustomJobSpec 欄位的本機環境中，指定 config.yaml 檔案的路徑。例如：

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

請參閱檔案範例。config.yaml

控制台

在 Google Cloud 控制台中，您無法直接建立 CustomJob 資源。 不過，您可以建立 TrainingPipeline 資源來建立 CustomJob。

下列操作說明將說明如何建立 TrainingPipeline，以便建立 CustomJob，且不執行任何其他動作。如要使用其他 TrainingPipeline 功能，例如使用受管理資料集訓練模型，或在訓練結束時建立 Model 資源，請參閱「建立訓練管道」。

1. 在 Google Cloud 控制台的 Vertex AI 專區中，前往「訓練 pipeline」頁面。

   前往訓練管線

2. 按一下「建立」，開啟「訓練新模型」窗格。

3. 在「訓練方法」步驟中，指定下列設定：

   1. 在「Dataset」(資料集) 下拉式清單中，選取「No managed dataset」(沒有代管資料集)。

   2. 選取「自訂訓練 (進階)」。

   按一下「繼續」。

4. 在「模型詳細資料」步驟中，選擇「訓練新模型」或「訓練新版本」。 如果選取「訓練新模型」，請輸入模型名稱 (例如 MODEL_NAME)。按一下「繼續」。

5. 在「訓練容器」步驟中，指定下列設定：

   1. 選取是否要使用預先建立的容器或自訂容器進行訓練。

   2. 根據您的選擇，執行下列其中一項操作：

      • 如要使用預建容器進行訓練，請向 Vertex AI 提供所需資訊，以便使用您上傳至 Cloud Storage 的訓練套件：

        1. 使用「模型架構」和「模型架構版本」下拉式清單，指定要使用的預先建構容器。

        2. 在「Package location」(套件位置) 欄位中，指定您建立並上傳的 Python 訓練應用程式的 Cloud Storage URI。這個檔案的結尾通常是 .tar.gz。

        3. 在「Python module」(Python 模組) 欄位中，輸入訓練應用程式進入點的模組名稱。

      • 如要使用自訂容器進行訓練，請在「Container image」(容器映像檔) 欄位中，指定容器映像檔的 Artifact Registry 或 Docker Hub URI。

   3. 在「模型輸出目錄」欄位中，您可以指定您有權存取的值區中目錄的 Cloud Storage URI。目錄尚不需要存在。

      這個值會傳遞至 Vertex AI 的 baseOutputDirectory API 欄位，該欄位會設定多個環境變數，供訓練應用程式在執行時存取。

   4. 選用：在「引數」欄位中，您可以指定 Vertex AI 在開始執行訓練程式碼時要使用的引數。所有引數加總的長度上限為 100,000 個字元。 這些引數的行為會因使用的容器類型而異：

      • 如果您使用預建容器，Vertex AI 會將引數做為指令列標記傳遞至 Python 模組。

      • 如果您使用自訂容器，Vertex AI 會以引數覆寫容器的 CMD 指令。

   按一下「繼續」。

6. 在「超參數調整」步驟中，請確認未選取「啟用超參數調整」核取方塊。按一下「繼續」。

7. 在「運算和價格」步驟中，指定下列設定：

   1. 在「區域」下拉式清單中，選取「支援自訂訓練的區域」

   2. 在「工作站集區 0」部分，指定用於訓練的運算資源。

      如果您指定加速器，請確認所選加速器類型可在所選區域使用。

      如要執行分散式訓練，請按一下「新增更多工作站集區」，然後為每個所需的工作站集區指定一組額外的運算資源。

   按一下「繼續」。

8. 在「預測容器」步驟中，選取「無預測容器」。

9. 按一下「開始訓練」，啟動自訂訓練管道。

REST

使用任何要求資料之前，請先替換以下項目：

• LOCATION：要執行容器或 Python 套件的區域。
• PROJECT_ID：您的專案 ID。
• JOB_NAME：必填。CustomJob 的顯示名稱。
• 定義自訂訓練工作：
  • MACHINE_TYPE：機器的類型。請參閱可用的訓練機器類型。
  • ACCELERATOR_TYPE：(選用)。要附加至工作的加速器類型。
  • ACCELERATOR_COUNT：(選用)。要附加至工作的加速器數量。
  • DISK_TYPE：(選用)。用於工作的開機磁碟類型，可以是 pd-standard (預設) 或 pd-ssd。進一步瞭解磁碟類型。
  • DISK_SIZE：(選用)。要用於這項工作的開機磁碟大小 (以 GB 為單位)。預設值為 100。
  • REPLICA_COUNT：要使用的工作站備用資源數量。在大多數情況下，請將此值設為 1，以用於第一個工作站集區。
  • 如果訓練應用程式在自訂容器中執行，請指定下列項目：
    • CUSTOM_CONTAINER_IMAGE_URI：要在每個工作站副本上執行的 Artifact Registry 或 Docker Hub 容器映像檔 URI。/li>
    • CUSTOM_CONTAINER_COMMAND：(選用)。容器啟動時要叫用的指令。這項指令會覆寫容器的預設進入點。
    • CUSTOM_CONTAINER_ARGS：(選用)。啟動容器時要傳遞的引數。
  • 如果訓練應用程式是可在預先建立的容器中執行的 Python 套件，請指定下列項目：
    • EXECUTOR_IMAGE_URI：執行所提供程式碼的容器映像檔 URI。請參閱可用的預先建構訓練容器。
    • PYTHON_PACKAGE_URIS：以半形逗號分隔的 Cloud Storage URI 清單，指定訓練程式及其依附元件套件的 Python 套件檔案。套件 URI 數量上限為 100 個。
    • PYTHON_MODULE：安裝套件後要執行的 Python 模組名稱。
    • PYTHON_PACKAGE_ARGS：(選用)。要傳遞至 Python 模組的命令列引數。
  • 瞭解工作排程選項。
  • TIMEOUT：(選用)。工作執行時間上限。
• 為要套用至這項自訂工作的任何標籤指定 LABEL_NAME 和 LABEL_VALUE。

HTTP 方法和網址：

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

JSON 要求主體：

{
  "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
  }
}

如要傳送要求，請選擇以下其中一個選項：

curl

注意： 下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI，或使用 Cloud Shell，自動登入 gcloud CLI。 您可以執行 gcloud auth list 查看目前有效的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

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

注意： 下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI。 您可以執行 gcloud auth list 查看目前有效的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

$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

回覆內容會包含規格資訊和 JOB_ID。

回應

{
  "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

在試用這個範例之前，請先按照Java使用用戶端程式庫的 Vertex AI 快速入門中的操作說明進行設定。 詳情請參閱 Vertex AI Java API 參考說明文件。

如要向 Vertex AI 進行驗證，請設定應用程式預設憑證。 詳情請參閱「為本機開發環境設定驗證」。

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

在試用這個範例之前，請先按照Node.js使用用戶端程式庫的 Vertex AI 快速入門中的操作說明進行設定。 詳情請參閱 Vertex AI Node.js API 參考說明文件。

如要向 Vertex AI 進行驗證，請設定應用程式預設憑證。 詳情請參閱「為本機開發環境設定驗證」。

/**
 * 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_T4',
            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

如要瞭解如何安裝或更新 Python 適用的 Vertex AI SDK，請參閱「安裝 Python 適用的 Vertex AI SDK」。 詳情請參閱 Python API 參考說明文件。

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,
    )

後續步驟

• 瞭解如何找出訓練效能瓶頸，並使用 Cloud Profiler 更快速且經濟實惠地訓練模型。
• 請參閱「建立訓練管線」，瞭解如何建立訓練管線，以便在 Vertex AI 中執行自訂訓練應用程式。
• 瞭解如何根據資源可用性排定自訂訓練工作。