选择自定义训练方法

如果您要编写自己的训练代码，而不使用 AutoML，可以通过以下几种方式进行自定义训练。本文档简要介绍并比较了运行自定义训练的不同方法。

Vertex AI 上的自定义训练资源

您可以创建三种类型的 Vertex AI 资源以在 Vertex AI 上训练自定义模型：

• 自定义作业
• 超参数调节作业
• 训练流水线

创建自定义作业时，您需要指定 Vertex AI 运行训练代码所需的设置，包括：

• 用于单节点训练的一个工作器池 (WorkerPoolSpec)，或用于分布式训练的多个工作器池
• 用于配置作业调度的可选设置 (Scheduling)、为训练代码设置特定的环境变量、使用自定义服务账号和使用 VPC 网络对等互连

在工作器池中，您可以指定以下设置：

• 机器类型和加速器
• 工作器池运行的训练代码的配置：Python 训练应用 (PythonPackageSpec) 或自定义容器 (ContainerSpec)

超参数调节作业具有配置额外设置，例如指标。详细了解超参数调节。

训练流水线用其他步骤编排自定义训练作业或超参数调节作业，例如，在训练作业成功完成后加载数据集或将模型上传到 Vertex AI。

自定义训练资源

如需查看项目中的现有训练流水线，请前往Google Cloud 控制台的 Vertex AI 部分中的训练流水线页面。

转到“训练流水线”

注意：除了自定义训练流水线之外，训练流水线页面会显示 AutoML 训练流水线。您可以使用模型类型列来区分两者。

要查看项目中的现有自定义作业，请转到自定义作业页面。

转到“自定义作业”

要查看项目中的现有超参数调节作业，请转到超参数调节页面。

转到超参数调节

预构建和自定义容器

在向 Vertex AI 提交自定义训练作业、超参数调节作业或训练流水线之前，您需要创建一个 Python 训练应用或自定义容器 定义您要在 Vertex AI 上运行的训练代码和依赖项。如果您使用 TensorFlow、PyTorch、scikit-learn 或 XGBoost 创建 Python 训练应用，则可以使用我们的预构建容器运行您的代码。如果您不确定选择哪个选项，请参阅训练代码要求了解详情。

分布式训练

您可以通过指定多个工作器池，为自定义训练作业配置超参数调节作业、超参数调节作业或训练流水线：

• 使用第一个工作器池配置主副本，并将副本计数设置为 1。
• 添加更多工作器池来配置工作器副本、参数服务器副本或评估器副本（如果您的机器学习框架支持分布式训练的这些额外集群任务）。

详细了解如何使用分布式训练。

后续步骤

• 了解如何创建永久性资源以运行自定义训练作业。
• 请参阅创建自定义训练作业，了解如何创建自定义训练作业，以在 Vertex AI 上运行自定义训练应用。
• 请参阅创建训练流水线，了解如何创建训练流水线以在 Vertex AI 中运行自定义训练应用。
• 如需了解超参数调节搜索，请参阅使用超参数调节。