Eseguire job di addestramento personalizzati su una risorsa permanente

Questa pagina mostra come eseguire un job di addestramento personalizzato su una risorsa permanente utilizzando l'interfaccia a riga di comando Google Cloud CLI'SDK Vertex AI per Python e l'API REST.

Di solito, quando crei un job di addestramento personalizzato, devi specificare le risorse di calcolo su cui il job viene creato ed eseguito. Dopo aver creato una risorsa permanente, puoi configurare il job di addestramento personalizzato in modo che venga eseguito su uno o più pool di risorse di quella risorsa permanente. L'esecuzione di un job di addestramento personalizzato su una risorsa permanente riduce notevolmente i tempi di avvio del job altrimenti necessari per la creazione delle risorse di calcolo.

Ruoli obbligatori

Per ottenere l'autorizzazione necessaria per eseguire job di addestramento personalizzato su una risorsa persistente, chiedi all'amministratore di concederti il ruolo IAM Utente Vertex AI (roles/aiplatform.user) nel progetto. Per saperne di più sulla concessione dei ruoli, consulta Gestire l'accesso a progetti, cartelle e organizzazioni.

Questo ruolo predefinito contiene l'autorizzazione aiplatform.customJobs.create necessaria per eseguire job di addestramento personalizzati su una risorsa permanente.

Potresti anche ottenere questa autorizzazione con ruoli personalizzati o altri ruoli predefiniti.

Creare un job di addestramento che viene eseguito su una risorsa permanente

Per creare un job di addestramento personalizzato che venga eseguito su una risorsa persistente, apporta le seguenti modifiche alle istruzioni standard per la creazione di un job di addestramento personalizzato:

gcloud

  • Specifica il flag --persistent-resource-id e imposta il valore sull'ID della risorsa permanente (PERSISTENT_RESOURCE_ID) che vuoi utilizzare.
  • Specifica il flag --worker-pool-spec in modo che i valori per machine-type e disk-type corrispondano esattamente a un pool di risorse corrispondente della risorsa persistente. Specifica un valore --worker-pool-spec per l'addestramento con un nodo singolo e più valori per l'addestramento distribuito.
  • Specifica un valore replica-count minore o uguale a replica-count o max-replica-count del pool di risorse corrispondente.

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. 

def create_custom_job_on_persistent_resource_sample(
    project: str,
    location: str,
    staging_bucket: str,
    display_name: str,
    container_uri: str,
    persistent_resource_id: str,
    service_account: Optional[str] = None,
) -> None:
    aiplatform.init(
        project=project, location=location, staging_bucket=staging_bucket
    )

    worker_pool_specs = [{
        "machine_spec": {
            "machine_type": "n1-standard-4",
            "accelerator_type": "NVIDIA_TESLA_K80",
            "accelerator_count": 1,
        },
        "replica_count": 1,
        "container_spec": {
            "image_uri": container_uri,
            "command": [],
            "args": [],
        },
    }]

    custom_job = aiplatform.CustomJob(
        display_name=display_name,
        worker_pool_specs=worker_pool_specs,
        persistent_resource_id=persistent_resource_id,
    )

    custom_job.run(service_account=service_account)

REST

  • Specifica il parametro persistent_resource_id e imposta il valore sull'ID della risorsa permanente (PERSISTENT_RESOURCE_ID) che vuoi utilizzare.
  • Specifica il parametro worker_pool_specs in modo che i valori di machine_spec e disk_spec per ogni pool di risorse corrispondano esattamente a un pool di risorse corrispondente della risorsa permanente. Specifica un machine_spec per l'addestramento con un nodo singolo e più di uno per l'addestramento distribuito.
  • Specifica un valore replica_count inferiore o uguale al valore replica_count o max_replica_count del pool di risorse corrispondente, escludendo il numero di repliche di altri job in esecuzione in quel pool di risorse.

Passaggi successivi