Vertex AI offre container predefiniti per fornire previsioni e spiegazioni dai modelli addestrati utilizzando i seguenti di machine learning (ML):
- TensorFlow
- PyTorch
- XGBoost
- scikit-learn
Per utilizzare uno di questi container predefiniti, devi salvare il modello come uno o più artefatto del modello che soddisfano i requisiti della piattaforma containerizzato. Questi requisiti si applicano indipendentemente dal fatto che gli artefatti del modello siano creato su Vertex AI.
Se utilizzi un container personalizzato per la pubblicazione di previsioni, non devono soddisfare i requisiti di questa pagina, ma puoi comunque utilizzare come linee guida.
Requisiti specifici del framework per l'esportazione in container predefiniti
A seconda del framework ML che prevedi di utilizzare per la previsione, devi esportare gli elementi del modello in formati diversi. Le sezioni seguenti descrivono i formati dei modelli accettabili per ciascun framework ML.
TensorFlow
Se utilizzi TensorFlow per addestrare modello, esportalo come TensorFlow SavedModel .
Esistono diversi modi per esportare i modelli SavedModel dal codice di addestramento di TensorFlow. Il seguente elenco descrive alcuni metodi che funzionano per varie API TensorFlow:
Se utilizzi Keras per l'addestramento, utilizza
tf.keras.Model.save
per esportare un SavedModel.Se utilizzi uno strumento per la stima per l'addestramento, utilizza
tf.estimator.Estimator.export_saved_model
per esportare un SavedModel.Altrimenti, usa
tf.saved_model.save
o usatf.compat.v1.saved_model.SavedModelBuilder
.Se non utilizzi Keras o uno strumento per la stima, assicurati di utilizzare lo strumento
serve
eserving_default
firma quando esporti SavedModel per fare in modo che Vertex AI possa utilizzare gli artefatti del modello per fornire previsioni. Keras ed Estimator gestiscono automaticamente questo compito. Scopri di più su come specificare le firme durante l'esportazione.
Per generare previsioni utilizzando questi elementi, crea un Model
con il �
TensorFlow per Vertex Explainable AI
Se vuoi ricevere spiegazioni da un Model
che utilizza un container predefinito di TensorFlow per fornire previsioni, leggi i requisiti aggiuntivi per l'esportazione di un modello TensorFlow per Vertex Explainable AI.
Attivare il raggruppamento delle richieste lato server per TensorFlow
Se vuoi attivare il raggruppamento delle richieste per un Model
che utilizza un container predefinito di TensorFlow per fornire le previsioni, includi config/batching_parameters_config nella stessa directory Cloud Storage del file saved_model.pb
. Per configurare il file di configurazione del batching, consulta la documentazione ufficiale di TensorFlow.
PyTorch
Devi pacchettizzare gli elementi del modello, inclusi un gestore predefinito o personalizzato, creando un file di archivio utilizzando Torch Model Archiver.
Le immagini PyTorch predefinite prevedono che l'archivio venga denominato model.mar
, quindi assicurati di
assicurati di impostare model-name su "model".
Per informazioni su come ottimizzare l'utilizzo della memoria, la latenza o la velocità effettiva di un il modello PyTorch fornito con TorchServe; consulta Guida al rendimento di PyTorch.
XGBoost
Se usi un container predefinito XGBoost per addestrare un modello, puoi esportarlo nei seguenti modi:
- Utilizza il metodo
save_model
dixgboost.Booster
per esportare un file denominatomodel.bst
. - Utilizzare la raccolta
joblib
per esportare un file denominatomodel.joblib
. - Utilizza il modulo
pickle
di Python per esportare un file denominatomodel.pkl
.
Il nome file dell'elemento del modello deve corrispondere esattamente a una di queste opzioni.
Gli esempi riportati di seguito mostrano come addestrare ed esportare un modello:
xgboost.Booster
import os
from google.cloud import storage
from sklearn import datasets
import xgboost as xgb
digits = datasets.load_digits()
dtrain = xgb.DMatrix(digits.data, label=digits.target)
bst = xgb.train({}, dtrain, 20)
artifact_filename = 'model.bst'
# Save model artifact to local filesystem (doesn't persist)
local_path = artifact_filename
bst.save_model(local_path)
# Upload model artifact to Cloud Storage
model_directory = os.environ['AIP_MODEL_DIR']
storage_path = os.path.join(model_directory, artifact_filename)
blob = storage.blob.Blob.from_string(storage_path, client=storage.Client())
blob.upload_from_filename(local_path)
joblib
import os
from google.cloud import storage
from sklearn import datasets
import joblib
import xgboost as xgb
digits = datasets.load_digits()
dtrain = xgb.DMatrix(digits.data, label=digits.target)
bst = xgb.train({}, dtrain, 20)
artifact_filename = 'model.joblib'
# Save model artifact to local filesystem (doesn't persist)
local_path = artifact_filename
joblib.dump(bst, local_path)
# Upload model artifact to Cloud Storage
model_directory = os.environ['AIP_MODEL_DIR']
storage_path = os.path.join(model_directory, artifact_filename)
blob = storage.blob.Blob.from_string(storage_path, client=storage.Client())
blob.upload_from_filename(local_path)
pickle
import os
import pickle
from google.cloud import storage
from sklearn import datasets
import xgboost as xgb
digits = datasets.load_digits()
dtrain = xgb.DMatrix(digits.data, label=digits.target)
bst = xgb.train({}, dtrain, 20)
artifact_filename = 'model.pkl'
# Save model artifact to local filesystem (doesn't persist)
local_path = artifact_filename
with open(local_path, 'wb') as model_file:
pickle.dump(bst, model_file)
# Upload model artifact to Cloud Storage
model_directory = os.environ['AIP_MODEL_DIR']
storage_path = os.path.join(model_directory, artifact_filename)
blob = storage.blob.Blob.from_string(storage_path, client=storage.Client())
blob.upload_from_filename(local_path)
Per generare le previsioni utilizzando questo elemento, crea un Model
con il container predefinito per la previsione corrispondente alla versione di XGBoost utilizzata per l'addestramento.
scikit-learn
Se utilizzi un modello predefinito scikit-learn
per addestrare un
modello, puoi esportarlo nei seguenti modi:
- Utilizza la libreria
joblib
per esportare un file denominatomodel.joblib
. - Utilizza il modulo
pickle
di Python per esportare un file denominatomodel.pkl
.
Il nome file dell'artefatto del modello deve corrispondere esattamente a una di queste opzioni. Puoi esporta gli stimatori scikit-learn standard o scikit-learn pipeline di dati.
Gli esempi riportati di seguito mostrano come addestrare ed esportare un modello:
joblib
import os
from google.cloud import storage
from sklearn import datasets
from sklearn.ensemble import RandomForestClassifier
import joblib
digits = datasets.load_digits()
classifier = RandomForestClassifier()
classifier.fit(digits.data, digits.target)
artifact_filename = 'model.joblib'
# Save model artifact to local filesystem (doesn't persist)
local_path = artifact_filename
joblib.dump(classifier, local_path)
# Upload model artifact to Cloud Storage
model_directory = os.environ['AIP_MODEL_DIR']
storage_path = os.path.join(model_directory, artifact_filename)
blob = storage.blob.Blob.from_string(storage_path, client=storage.Client())
blob.upload_from_filename(local_path)
sottaceti
import os
import pickle
from google.cloud import storage
from sklearn import datasets
from sklearn.ensemble import RandomForestClassifier
digits = datasets.load_digits()
classifier = RandomForestClassifier()
classifier.fit(digits.data, digits.target)
artifact_filename = 'model.pkl'
# Save model artifact to local filesystem (doesn't persist)
local_path = artifact_filename
with open(local_path, 'wb') as model_file:
pickle.dump(classifier, model_file)
# Upload model artifact to Cloud Storage
model_directory = os.environ['AIP_MODEL_DIR']
storage_path = os.path.join(model_directory, artifact_filename)
blob = storage.blob.Blob.from_string(storage_path, client=storage.Client())
blob.upload_from_filename(local_path)
Per pubblicare previsioni utilizzando questo artefatto, crea un Model
con
container per la previsione
che corrisponde alla versione di scikit-learn utilizzata per l'addestramento.
Passaggi successivi
Consulta i requisiti aggiuntivi per la formazione che devi prendere in considerazione durante l'esecuzione e l'addestramento personalizzato su Vertex AI.
Scopri come creare una
TrainingPipeline
personalizzata risorsa per eseguire le tue applicazioni e crea un valoreModel
dagli artefatti del modello risultanti.Scopri come importare un
Model
dagli elementi del modello in Cloud Storage. Questo vale per gli artefatti del modello che crei utilizzando unCustomJob
risorsa oHyperparameterTuningJob
risorsa, nonché del modello gli artefatti che addestri al di fuori di Vertex AI.