Gli iperparametri sono variabili che regolano il processo di addestramento di un modello, come la dimensione del batch o il numero di strati nascosti in una rete neurale profonda. L'ottimizzazione degli iperparametri cerca la migliore combinazione di valori degli iperparametri ottimizzando i valori delle metriche in una serie di prove. Le metriche sono riepiloghi più dettagliati che aggiungi al tuo trainer, come l'accuratezza del modello.
Scopri di più sull'ottimizzazione degli iperparametri su Vertex AI. Per un esempio dettagliato, consulta il codelab Vertex AI: ottimizzazione degli iperparametri.
In questa pagina viene illustrato come:
Prepara l'applicazione di addestramento per l'ottimizzazione degli iperparametri aggiornandola in modo che accetti gli iperparametri come argomenti della riga di comando e segnala i valori delle metriche a Vertex AI.
Crea il tuo job di addestramento degli iperparametri. Per ulteriori informazioni sulle opzioni di configurazione, consulta Comprensione della configurazione dell'ottimizzazione degli iperparametri.
Prepara la tua candidatura per la formazione
In un job di ottimizzazione degli iperparametri, Vertex AI crea delle prove del job di addestramento con diversi set di iperparametri e valuta l'efficacia di una prova utilizzando le metriche specificate. Vertex AI passa i valori degli iperparametri all'applicazione di addestramento come argomenti a riga di comando. Affinché Vertex AI valuti l'efficacia di una prova, l'applicazione di addestramento deve segnalare le metriche a Vertex AI.
Nelle sezioni seguenti vengono descritte:
- Scopri come Vertex AI passa gli iperparametri all'applicazione di addestramento.
- Opzioni per il passaggio delle metriche dall'applicazione di addestramento a Vertex AI.
Per saperne di più sui requisiti per le applicazioni di addestramento personalizzato eseguite su Vertex AI, consulta Requisiti del codice di addestramento.
Gestisci gli argomenti della riga di comando per gli iperparametri da ottimizzare
Vertex AI imposta gli argomenti della riga di comando quando chiama l'applicazione di addestramento. Utilizza gli argomenti della riga di comando nel tuo codice:
Definisci un nome per ogni argomento degli iperparametri e analizzalo utilizzando l'analizzatore sintattico di argomenti che preferisci, ad esempio
argparse
. Usa gli stessi nomi di argomento durante la configurazione del job di addestramento degli iperparametri.Ad esempio, se la tua applicazione di addestramento è un modulo Python denominato
my_trainer
e stai ottimizzando un iperparametro denominatolearning_rate
, Vertex AI avvia ogni prova con un comando come il seguente:python3 -m my_trainer --learning_rate learning-rate-in-this-trial
Vertex AI determina learning-rate-in-this-trial e lo passa utilizzando l'argomento
learning_rate
.Assegna i valori dagli argomenti della riga di comando agli iperparametri nel codice di addestramento.
Scopri di più sui requisiti per l'analisi degli argomenti della riga di comando.
Segnala le tue metriche a Vertex AI
Per segnalare le tue metriche a Vertex AI, utilizza il cloudml-hypertune
pacchetto Python. Questa libreria fornisce funzioni helper
per la segnalazione delle metriche a Vertex AI.
Scopri di più sui report sulle metriche degli iperparametri.
Creazione di un job di ottimizzazione iperparametri
A seconda dello strumento che vuoi usare per creare un HyperparameterTuningJob
, seleziona una delle seguenti schede:
Console
Nella console Google Cloud, non puoi creare direttamente una risorsa HyperparameterTuningJob
. Tuttavia, puoi creare una risorsa TrainingPipeline
che crea un
HyperparameterTuningJob
.
Le seguenti istruzioni descrivono come creare un TrainingPipeline
che
crei un HyperparameterTuningJob
senza eseguire altre operazioni. Se vuoi utilizzare altre funzionalità di TrainingPipeline
, ad esempio l'addestramento con un set di dati gestito, consulta Creazione di 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:
Scegli se utilizzare un container predefinito o un container 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 che vuoi utilizzare.
Nel campo Posizione pacchetto, specifica l'URI Cloud Storage dell'applicazione di addestramento Python che hai creato e caricato. In genere questo file termina con
.tar.gz
.Nel campo del modulo Python, inserisci il nome del modulo del punto di ingresso della tua applicazione di addestramento.
Se vuoi utilizzare un container personalizzato per l'addestramento, specifica nel campo Immagine container l'URI 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. Non è necessario che la directory esista ancora.
Questo valore viene passato a Vertex AI nel campo API
baseOutputDirectory
, che imposta diverse variabili di ambiente a cui l'applicazione di addestramento può accedere quando viene eseguita.Facoltativo: nel campo Argomenti, puoi specificare gli argomenti che Vertex AI deve utilizzare quando inizia a eseguire il codice di addestramento. La lunghezza massima di tutti gli argomenti combinati è di 100.000 caratteri. Il comportamento di questi argomenti varia a seconda del tipo di container in uso:
Se utilizzi un container predefinito, Vertex AI passa gli argomenti come flag della riga di comando al tuo modulo Python.
Se utilizzi un container personalizzato, Vertex AI sostituisce l'istruzione
CMD
del container con gli argomenti.
Fai clic su Continua.
Nel passaggio Ottimizzazione degli iperparametri, seleziona la casella di controllo Abilita ottimizzazione degli iperparametri e specifica le seguenti impostazioni:
Nella sezione Nuovo iperparametro, specifica il Nome parametro e il Tipo di un iperparametro che vuoi ottimizzare. A seconda del tipo specificato, configura le impostazioni aggiuntive degli iperparametri visualizzate.
Scopri di più sui tipi di iperparametri e sulle relative configurazioni.
Se vuoi ottimizzare più di un iperparametro, fai clic su Aggiungi nuovo parametro e ripeti il passaggio precedente nella nuova sezione visualizzata.
Ripeti questa operazione per ogni iperparametro che vuoi ottimizzare.
Nel campo Metrica da ottimizzare e nell'elenco a discesa Obiettivo, specifica il nome e l'obiettivo della metrica da ottimizzare.
Nel campo Numero massimo di prove, specifica il numero massimo di prove che vuoi che Vertex AI esegua per il tuo job di ottimizzazione degli iperparametri.
Nel campo Numero massimo di prove parallele, specifica il numero massimo di prove per consentire l'esecuzione di Vertex AI contemporaneamente.
Nell'elenco a discesa Algoritmo di ricerca, specifica un algoritmo di ricerca da utilizzare per Vertex AI.
Ignorare l'opzione di attivazione/disattivazione Attiva l'interruzione anticipata, che non ha alcun effetto.
Fai clic su Continua.
Nel passaggio Compute 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 computing 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 set di risorse di calcolo per ogni pool di worker aggiuntivo desiderato.
Fai clic su Continua.
Nel passaggio Container di previsione, seleziona Nessun container di previsione.
Fai clic su Avvia addestramento per avviare la pipeline di addestramento personalizzato.
gcloud
I passaggi seguenti mostrano come utilizzare Google Cloud CLI per creare un HyperparameterTuningJob
con una configurazione relativamente minima. Per scoprire
tutte le opzioni di configurazione che puoi utilizzare per questa attività, consulta la
documentazione di riferimento per il comando gcloud ai hp-tuning-jobs create
e la risorsa API HyperparameterTuningJob
.
Crea un file YAML denominato
config.yaml
con alcuni campi API che vuoi specificare per il tuo nuovoHyerparameterTuningJob
:config.yaml
studySpec: metrics: - metricId: METRIC_ID goal: METRIC_GOAL parameters: - parameterId: HYPERPARAMETER_ID doubleValueSpec: minValue: DOUBLE_MIN_VALUE maxValue: DOUBLE_MAX_VALUE trialJobSpec: workerPoolSpecs: - machineSpec: machineType: MACHINE_TYPE replicaCount: 1 containerSpec: imageUri: CUSTOM_CONTAINER_IMAGE_URI
Sostituisci quanto segue:
METRIC_ID
: il nome di una metrica degli iperparametri da ottimizzare. Il codice di addestramento deve segnalare questa metrica durante l'esecuzione.METRIC_GOAL
: l'obiettivo della metrica degli iperparametri,MAXIMIZE
oMINIMIZE
.HYPERPARAMETER_ID
: il nome di un iperparametro da ottimizzare. Il codice di addestramento deve analizzare un flag della riga di comando con questo nome. Per questo esempio, l'iperparametro deve assumere valori in virgola mobile. Scopri di più sugli altri tipi di dati degli iperparametri.DOUBLE_MIN_VALUE
: il valore minimo (un numero) che Vertex AI deve provare per questo iperparametro.DOUBLE_MAX_VALUE
: il valore massimo (un numero) che Vertex AI deve provare per questo iperparametro.MACHINE_TYPE
: il tipo di VM da utilizzare per l'addestramento.CUSTOM_CONTAINER_IMAGE_URI
: l'URI di un'immagine container Docker con il codice di addestramento. Scopri come creare un'immagine container personalizzata.Per questo esempio devi utilizzare un container personalizzato. Le risorse
HyperparameterTuningJob
supportano anche il codice di addestramento in una distribuzione di origine Python anziché in un container personalizzato.
Nella stessa directory del tuo file
config.yaml
, esegui questo comando shell:gcloud ai hp-tuning-jobs create \ --region=LOCATION \ --display-name=DISPLAY_NAME \ --max-trial-count=MAX_TRIAL_COUNT \ --parallel-trial-count=PARALLEL_TRIAL_COUNT \ --config=config.yaml
Sostituisci quanto segue:
LOCATION
: la regione in cui vuoi creareHyperparameterTuningJob
. Utilizza una regione che supporta l'addestramento personalizzato.DISPLAY_NAME
: un nome visualizzato facile da ricordare a tua scelta perHyperparameterTuningJob
. Scopri di più sui requisiti per i nomi delle risorse.MAX_TRIAL_COUNT
: il numero massimo di prove da eseguire.PARALLEL_TRIAL_COUNT
: il numero massimo di prove da eseguire in parallelo.
REST
Usa il seguente esempio di codice per creare un job di ottimizzazione degli iperparametri utilizzando il metodo create
della risorsa hyperparameterTuningJob
.
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
-
LOCATION
: la regione in cui vuoi creareHyperparameterTuningJob
. Utilizza una regione che supporta l'addestramento personalizzato. - PROJECT: il tuo ID progetto.
-
DISPLAY_NAME
: un nome visualizzato facile da ricordare a tua scelta perHyperparameterTuningJob
. Scopri di più sui requisiti per i nomi delle risorse. - Specifica le metriche:
-
METRIC_ID
: il nome di una metrica degli iperparametri da ottimizzare. Il codice di addestramento deve segnalare questa metrica durante l'esecuzione. -
METRIC_GOAL
: l'obiettivo della metrica degli iperparametri,MAXIMIZE
oMINIMIZE
.
-
- Specifica gli iperparametri:
-
HYPERPARAMETER_ID
: il nome di un iperparametro da ottimizzare. Il codice di addestramento deve analizzare un flag della riga di comando con questo nome. - PARAMETER_SCALE: (facoltativo) Come deve essere scalato il parametro. Non impostato per i parametri CATEGORICAL. Può essere
UNIT_LINEAR_SCALE
,UNIT_LOG_SCALE
,UNIT_REVERSE_LOG_SCALE
oSCALE_TYPE_UNSPECIFIED
- Se il tipo di questo iperparametro è DOPPIO, specifica i valori minimo (DOUBLE_MIN_VALUE) e massimo (DOUBLE_MAX_VALUE) per questo iperparametro.
- Se il tipo di questo iperparametro è INTEGER, specifica i valori minimo (INTEGER_MIN_VALUE) e massimo (INTEGER_MAX_VALUE) per l'iperparametro.
- Se il tipo di questo iperparametro è CATEGORICO, specifica i valori accettabili (CATEGORICAL_VALUES) sotto forma di array di stringhe.
- Se il tipo di questo iperparametro è DISCRETE, specifica i valori accettabili (DISCRETE_VALUES) come array di numeri.
- Specifica gli iperparametri condizionali. Gli iperparametri condizionali vengono aggiunti a una prova quando il valore dell'iperparametro principale corrisponde alla condizione specificata. Scopri di più sugli
iperparametri condizionali.
- CONDITIONAL_PARAMETER: il
ParameterSpec
del parametro condizionale. Questa specifica include nome, scala, intervallo di valori e tutti i parametri condizionali che dipendono da questo iperparametro. - Se il tipo dell'iperparametro principale è INTEGER, specifica un elenco di numeri interi come INTEGERS_TO_MATCH. Se il valore dell'iperparametro principale corrisponde a uno dei valori specificati, questo parametro condizionale viene aggiunto alla prova.
- Se il tipo dell'iperparametro principale è CATEGORICO, specifica un elenco di categorie come CATEGORIES_TO_MATCH. Se il valore dell'iperparametro principale corrisponde a uno dei valori specificati, questo parametro condizionale viene aggiunto alla prova.
- Se il tipo dell'iperparametro principale è DISCRETE, specifica un elenco di numeri interi come DISCRETE_VALUES_TO_MATCH. Se il valore dell'iperparametro principale corrisponde a uno dei valori specificati, questo parametro condizionale viene aggiunto alla prova.
- CONDITIONAL_PARAMETER: il
-
- ALGORITHM: (facoltativo) L'algoritmo di ricerca da utilizzare in questo job di ottimizzazione degli iperparametri. Può essere
ALGORITHM_UNSPECIFIED
,GRID_SEARCH
oRANDOM_SEARCH
. -
MAX_TRIAL_COUNT
: il numero massimo di prove da eseguire. -
PARALLEL_TRIAL_COUNT
: il numero massimo di prove da eseguire in parallelo. - MAX_FAILED_TRIAL_COUNT: il numero di job che possono avere esito negativo prima che il job di ottimizzazione degli iperparametri non vada a buon fine.
- Definisci il job di addestramento personalizzato di prova:
-
MACHINE_TYPE
: il tipo di VM da utilizzare per l'addestramento. - ACCELERATOR_TYPE: (facoltativo) Il tipo di acceleratore da collegare a ogni prova.
- ACCELERATOR_COUNT: (facoltativo) Il numero di acceleratori da collegare a ogni prova.
- REPLICA_COUNT: il numero di repliche dei worker da usare per ogni prova.
- Se l'applicazione di addestramento viene eseguita in un container personalizzato, specifica quanto segue:
-
CUSTOM_CONTAINER_IMAGE_URI
: l'URI di un'immagine container Docker con il codice di addestramento. Scopri come creare un'immagine container personalizzata. - CUSTOM_CONTAINER_COMMAND: (facoltativo) Il comando da richiamare all'avvio del container. Questo comando esegue l'override dell'entry point predefinito del container.
- CUSTOM_CONTAINER_ARGS: (facoltativo) Gli argomenti da passare all'avvio del container.
-
- Se l'applicazione di addestramento è un pacchetto Python eseguito in un container predefinito, specifica quanto segue:
- PYTHON_PACKAGE_EXECUTOR_IMAGE_URI: l'URI dell'immagine container che esegue il pacchetto Python fornito. Scopri di più sui container predefiniti per l'addestramento.
- PYTHON_PACKAGE_URIS: la posizione di Cloud Storage dei file del pacchetto Python, ovvero il programma di addestramento e i relativi 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.
- SERVICE_ACCOUNT: (facoltativo) L'account di servizio che Vertex AI utilizzerà per eseguire il codice. Scopri di più sul collegamento di un account di servizio personalizzato.
- TIMEOUT: (facoltativo) Il tempo di esecuzione massimo per ogni prova.
-
- Specifica LABEL_NAME e LABEL_VALUE per tutte le etichette da applicare a questo job di ottimizzazione degli iperparametri.
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/hyperparameterTuningJobs
Corpo JSON della richiesta:
{ "displayName": DISPLAY_NAME, "studySpec": { "metrics": [ { "metricId": METRIC_ID, "goal": METRIC_GOAL } ], "parameters": [ { "parameterId": PARAMETER_ID, "scaleType": PARAMETER_SCALE, // Union field parameter_value_spec can be only one of the following: "doubleValueSpec": { "minValue": DOUBLE_MIN_VALUE, "maxValue": DOUBLE_MAX_VALUE }, "integerValueSpec": { "minValue": INTEGER_MIN_VALUE, "maxValue": INTEGER_MAX_VALUE }, "categoricalValueSpec": { "values": [ CATEGORICAL_VALUES ] }, "discreteValueSpec": { "values": [ DISCRETE_VALUES ] } // End of list of possible types for union field parameter_value_spec. "conditionalParameterSpecs": [ "parameterSpec": { CONDITIONAL_PARAMETER } // Union field parent_value_condition can be only one of the following: "parentIntValues": { "values": [INTEGERS_TO_MATCH] } "parentCategoricalValues": { "values": [CATEGORIES_TO_MATCH] } "parentDiscreteValues": { "values": [DISCRETE_VALUES_TO_MATCH] } // End of list of possible types for union field parent_value_condition. ] } ], "ALGORITHM": ALGORITHM }, "maxTrialCount": MAX_TRIAL_COUNT, "parallelTrialCount": PARALLEL_TRIAL_COUNT, "maxFailedTrialCount": MAX_FAILED_TRIAL_COUNT, "trialJobSpec": { "workerPoolSpecs": [ { "machineSpec": { "machineType": MACHINE_TYPE, "acceleratorType": ACCELERATOR_TYPE, "acceleratorCount": ACCELERATOR_COUNT }, "replicaCount": REPLICA_COUNT, // 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": PYTHON_PACKAGE_EXECUTOR_IMAGE_URI, "packageUris": [ PYTHON_PACKAGE_URIS ], "pythonModule": PYTHON_MODULE, "args": [ PYTHON_PACKAGE_ARGS ] } // End of list of possible types for union field task. } ], "scheduling": { "TIMEOUT": TIMEOUT }, "serviceAccount": SERVICE_ACCOUNT }, "labels": { LABEL_NAME_1": LABEL_VALUE_1, LABEL_NAME_2": LABEL_VALUE_2 } }
Per inviare la richiesta, espandi una delle seguenti opzioni:
Dovresti ricevere una risposta JSON simile alla seguente:
{ "name": "projects/12345/locations/us-central1/hyperparameterTuningJobs/6789", "displayName": "myHyperparameterTuningJob", "studySpec": { "metrics": [ { "metricId": "myMetric", "goal": "MINIMIZE" } ], "parameters": [ { "parameterId": "myParameter1", "integerValueSpec": { "minValue": "1", "maxValue": "128" }, "scaleType": "UNIT_LINEAR_SCALE" }, { "parameterId": "myParameter2", "doubleValueSpec": { "minValue": 1e-07, "maxValue": 1 }, "scaleType": "UNIT_LINEAR_SCALE" } ], "ALGORITHM": "RANDOM_SEARCH" }, "maxTrialCount": 20, "parallelTrialCount": 1, "trialJobSpec": { "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://my-bucket/my-training-application/trainer.tar.bz2" ], "pythonModule": "my-trainer.trainer" } } ] } }
Java
Prima di provare questo esempio, segui le istruzioni per la configurazione di Java nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Python
Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python.
Configurazione del job di addestramento degli iperparametri
I job di ottimizzazione degli iperparametri cercano la migliore combinazione di iperparametri per ottimizzare le metriche. Per farlo, i job di ottimizzazione degli iperparametri eseguono più prove dell'applicazione di addestramento con diversi set di iperparametri.
Quando configuri un job di ottimizzazione degli iperparametri, devi specificare i seguenti dettagli:
Gli iperparametri da ottimizzare e le metriche da utilizzare per valutare le prove.
Dettagli sul numero di prove da eseguire come parte di questo job di ottimizzazione, ad esempio:
Dettagli sul job di addestramento personalizzato che viene eseguito per ogni prova, ad esempio:
Il tipo di macchina in cui vengono eseguiti i job di prova e gli acceleratori utilizzati dal job.
I dettagli del container personalizzato o del job del pacchetto Python.
Limita il numero di prove
Decidi quante prove vuoi consentire al servizio di eseguire e imposta il valore maxTrialCount
nell'oggetto HyperparameterTuningJob.
Ci sono due interessi contrastanti da considerare quando decidi quante prove consentire:
- tempo (e quindi costo)
- accuracy
L'aumento del numero di prove generalmente dà risultati migliori, ma non è sempre così. Di solito, c'è un punto in cui i risultati diminuiscono dopo il quale ulteriori prove hanno poco o nessun effetto sulla precisione. Prima di iniziare un job con un numero elevato di prove, conviene iniziare con un piccolo numero di prove per valutare l'effetto degli iperparametri scelti sull'accuratezza del modello.
Per ottenere il massimo dall'ottimizzazione degli iperparametri, non dovresti impostare il valore massimo inferiore a dieci volte il numero di iperparametri utilizzati.
Prove parallele
Puoi specificare quante prove possono essere eseguite in parallelo impostando
parallelTrialCount
in HyperparameterTuningJob.
L'esecuzione di prove parallele ha il vantaggio di ridurre il tempo impiegato dal job di addestramento (in tempo reale: in genere, il tempo di elaborazione totale richiesto non viene modificato). Tuttavia, l'esecuzione in parallelo può ridurre l'efficacia del job di ottimizzazione complessiva. Questo perché l'ottimizzazione degli iperparametri utilizza i risultati delle prove precedenti per informare i valori da assegnare agli iperparametri delle prove successive. Alcune prove vengono eseguite in parallelo senza avere il vantaggio dei risultati delle prove ancora in esecuzione.
Se si utilizzano prove parallele, il servizio di ottimizzazione degli iperparametri esegue il provisioning di più cluster di elaborazione dell'addestramento (o più macchine singole nel caso di un trainer basato su un singolo processo). La specifica del pool di lavoro impostata per il job viene utilizzata per ogni singolo cluster di addestramento.
Gestire le prove non riuscite
Se le prove di ottimizzazione degli iperparametri escono con errori, potresti voler terminare
in anticipo il job di addestramento. Imposta il campo maxFailedTrialCount
in HyperparameterTuningJob sul numero di prove non riuscite che vuoi consentire. Se questo numero di prove non va a buon fine, Vertex AI termina il job di addestramento. Il valore maxFailedTrialCount
deve essere minore o uguale a maxTrialCount
.
Se non imposti maxFailedTrialCount
o se imposti 0
,
Vertex AI utilizza le seguenti regole per gestire le prove non riuscite:
- Se la prima prova del job non va a buon fine, Vertex AI termina il job immediatamente. Un errore durante la prima prova suggerisce un problema nel codice di addestramento, quindi è probabile che anche altre prove non vadano a buon fine. La fine del job consente di diagnosticare il problema senza dover attendere ulteriori prove e comportare costi maggiori.
- Se la prima prova ha esito positivo, Vertex AI potrebbe terminare il job
in seguito a errori durante le prove successive in base a uno dei seguenti criteri:
- Il numero di prove non riuscite è aumentato troppo.
- Il rapporto tra prove non riuscite e prove riuscite è aumentato troppo elevato.
Queste regole sono soggette a modifiche. Per garantire un comportamento specifico,
imposta il campo maxFailedTrialCount
.
Gestisci i job di ottimizzazione degli iperparametri
Le sezioni seguenti descrivono come gestire i job di ottimizzazione degli iperparametri.
Recuperare informazioni su un job di ottimizzazione degli iperparametri
I seguenti esempi di codice mostrano come recuperare un job di ottimizzazione degli iperparametri.
gcloud
Usa il comando gcloud ai hp-tuning-jobs describe
:
gcloud ai hp-tuning-jobs describe ID_OR_NAME \
--region=LOCATION
Sostituisci quanto segue:
ID_OR_NAME
: il nome o l'ID numerico diHyperparameterTuningJob
. (l'ID è l'ultima parte del nome).Potresti aver visto l'ID o il nome quando hai creato
HyperparameterTuningJob
. Se non conosci l'ID o il nome, puoi eseguire il comandogcloud ai hp-tuning-jobs list
e cercare la risorsa appropriata.LOCATION
: la regione in cui è stato creatoHyperparameterTuningJob
.
REST
Usa il seguente esempio di codice per recuperare un job di ottimizzazione degli iperparametri utilizzando il metodo get
della risorsa hyperparameterTuningJob
.
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
-
LOCATION
: la regione in cui è stato creatoHyperparameterTuningJob
. - NAME: il nome del job di ottimizzazione degli iperparametri. Il nome del job usa il seguente formato
projects/{project}/LOCATIONS/{LOCATION}/hyperparameterTuningJobs/{hyperparameterTuningJob}
.
Metodo HTTP e URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/NAME
Per inviare la richiesta, espandi una delle seguenti opzioni:
Dovresti ricevere una risposta JSON simile alla seguente:
{ "name": "projects/12345/LOCATIONs/us-central1/hyperparameterTuningJobs/6789", "displayName": "my-hyperparameter-tuning-job", "studySpec": { "metrics": [ { "metricId": "my_metric", "goal": "MINIMIZE" } ], "parameters": [ { "parameterId": "my_parameter", "doubleValueSpec": { "minValue": 1e-05, "maxValue": 1 } } ] }, "maxTrialCount": 3, "parallelTrialCount": 1, "trialJobSpec": { "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://my-bucket/my-training-application/trainer.tar.bz2" ], "pythonModule": "my-trainer.trainer" } } ] }, "trials": [ { "id": "2", "state": "SUCCEEDED", "parameters": [ { "parameterId": "my_parameter", "value": 0.71426874725564571 } ], "finalMeasurement": { "stepCount": "2", "metrics": [ { "metricId": "my_metric", "value": 0.30007445812225342 } ] }, "startTime": "2020-09-09T23:39:15.549112551Z", "endTime": "2020-09-09T23:47:08Z" }, { "id": "3", "state": "SUCCEEDED", "parameters": [ { "parameterId": "my_parameter", "value": 0.3078893356622992 } ], "finalMeasurement": { "stepCount": "2", "metrics": [ { "metricId": "my_metric", "value": 0.30000102519989014 } ] }, "startTime": "2020-09-09T23:49:22.451699360Z", "endTime": "2020-09-09T23:57:15Z" }, { "id": "1", "state": "SUCCEEDED", "parameters": [ { "parameterId": "my_parameter", "value": 0.500005 } ], "finalMeasurement": { "stepCount": "2", "metrics": [ { "metricId": "my_metric", "value": 0.30005377531051636 } ] }, "startTime": "2020-09-09T23:23:12.283374629Z", "endTime": "2020-09-09T23:36:56Z" } ], "state": "JOB_STATE_SUCCEEDED", "createTime": "2020-09-09T23:22:31.777386Z", "startTime": "2020-09-09T23:22:34Z", "endTime": "2020-09-10T01:31:24.271307Z", "updateTime": "2020-09-10T01:31:24.271307Z" }
Java
Prima di provare questo esempio, segui le istruzioni per la configurazione di Java nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Python
Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python.
Annullamento di un job di ottimizzazione iperparametri
I seguenti esempi di codice mostrano come annullare un job di ottimizzazione degli iperparametri.
gcloud
Usa il comando gcloud ai hp-tuning-jobs cancel
:
gcloud ai hp-tuning-jobs cancel ID_OR_NAME \
--region=LOCATION
Sostituisci quanto segue:
ID_OR_NAME
: il nome o l'ID numerico diHyperparameterTuningJob
. (l'ID è l'ultima parte del nome).Potresti aver visto l'ID o il nome quando hai creato
HyperparameterTuningJob
. Se non conosci l'ID o il nome, puoi eseguire il comandogcloud ai hp-tuning-jobs list
e cercare la risorsa appropriata.LOCATION
: la regione in cui è stato creatoHyperparameterTuningJob
.
REST
Usa il seguente esempio di codice per annullare un job di ottimizzazione degli iperparametri utilizzando il metodo cancel
della risorsa hyperparameterTuningJob
.
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
-
LOCATION
: la regione in cui è stato creatoHyperparameterTuningJob
. - NAME: il nome del job di ottimizzazione degli iperparametri. Il nome del job usa il seguente formato
projects/{project}/locations/{location}/hyperparameterTuningJobs/{hyperparameterTuningJob}
.
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/NAME:cancel
Per inviare la richiesta, espandi una delle seguenti opzioni:
Dovresti ricevere un codice di stato di operazione riuscita (2xx) e una risposta vuota.
Python
Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python.
Eliminazione di un job di ottimizzazione iperparametri
I seguenti esempi di codice mostrano come eliminare un job di ottimizzazione degli iperparametri utilizzando l'SDK Vertex AI per Python e l'API REST.
REST
Usa il seguente esempio di codice per eliminare un job di ottimizzazione degli iperparametri utilizzando il metodo delete
della risorsa hyperparameterTuningJob
.
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: la tua regione.
- NAME: il nome del job di ottimizzazione degli iperparametri. Il nome del job usa il seguente formato
projects/{project}/LOCATIONs/{LOCATION}/hyperparameterTuningJobs/{hyperparameterTuningJob}
.
Metodo HTTP e URL:
DELETE https://LOCATION-aiplatform.googleapis.com/v1/NAME
Per inviare la richiesta, espandi una delle seguenti opzioni:
Dovresti ricevere un codice di stato di operazione riuscita (2xx) e una risposta vuota.
Python
Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python.
Passaggi successivi
- Scopri di più sui concetti coinvolti nell'ottimizzazione degli iperparametri.