Instructivos de Notebooks de Jupyter de Vertex AI

Este documento contiene una lista de todos los instructivos de notebooks de Jupyter de Vertex AI. Son instructivos de extremo a extremo que te muestran cómo procesar previamente los datos, entrenar, implementar y usar los modelos para la inferencia.

Existen muchos entornos en los que puedes alojar Notebooks de Jupyter. Puedes hacer lo siguiente:

  • Descargarlos de GitHub y ejecutarlos en tu máquina local
  • Descargarlos de GitHub y ejecutarlos en un servidor de Jupyter o JupyterLab en tu red local
  • Ejecutarlos en la nube mediante un servicio como Colaboratory (Colab) o Vertex AI Workbench.

Colab

Ejecutar un notebook de Jupyter en Colab es una manera sencilla de comenzar rápidamente.

Para abrir un instructivo de notebook en Colab, haz clic en el vínculo Colab en la lista de notebooks. Colab crea una instancia de VM con todas las dependencias necesarias, inicia el entorno de Colab y carga el notebook.

Vertex AI Workbench

También puedes ejecutar el notebook mediante notebooks administrados por usuarios. Cuando creas una instancia de notebooks administrados por el usuario con Vertex AI Workbench, tienes control total sobre la VM de hosting. Puedes especificar la configuración y el entorno de la VM de hosting.

Para abrir un instructivo de notebook en una instancia de Vertex AI Workbench, haz lo siguiente:

  1. Haz clic en el vínculo Vertex AI Workbench en la lista de notebooks. El vínculo abre la consola de Vertex AI Workbench.
  2. En la pantalla Implementar en notebook, escribe un nombre para tu nueva instancia de Vertex AI Workbench y haz clic en Crear.
  3. En el cuadro de diálogo Listo para abrir el notebook que aparece después de que se inicia la instancia, haz clic en Abrir.
  4. En la página Confirmar implementación en servidor de notebook, selecciona Confirmar.
  5. Antes de ejecutar el notebook, selecciona Kernel > Reiniciar el kernel y borrar todos los resultados.

Lista de notebooks

Servicios Descripción Abrir en
Clasificación para datos tabulares
Entrenamiento y predicción en AutoML con datos tabulares
Aprende a entrenar y hacer predicciones en un modelo de AutoML basado en un conjunto de datos tabular. Obtén más información sobre la Clasificación para datos tabulares.

Pasos del instructivo

  • Crear un trabajo de entrenamiento de un modelo de Vertex AI
  • Entrenar un modelo tabular de AutoML
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Enviar datos para hacer una predicción
  • Anular la implementación del recurso Modelo.
Colab
GitHub
Vertex AI Workbench
Clasificación para datos de texto
Crea, entrena e implementa un modelo de clasificación de texto de AutoML.
Aprende a usar AutoML para entrenar un modelo de clasificación de texto. Obtén más información sobre la Clasificación para datos de texto.

Pasos del instructivo

  • Crea un conjunto de datos de Vertex AI.
  • Entrena un recurso Modelo de clasificación de texto de AutoML.
  • Obtén las métricas de evaluación para el recurso de Modelo.
  • Crea un recurso Extremo.
  • Implementa el recurso Modelo en el recurso Extremo.
  • Hacer una predicción en línea
  • Realizar una predicción por lotes
Colab
GitHub
Vertex AI Workbench
Obtén predicciones a partir de un modelo de clasificación de imágenes
Modelo de clasificación personalizado de imágenes de entrenamiento de AutoML para la predicción por lotes
En este instructivo, crearás un modelo de clasificación de imágenes de AutoML a partir de una secuencia de comandos de Python y, luego, realizarás una predicción por lotes con el SDK de Vertex AI. Obtén más información sobre cómo obtener predicciones a partir de un modelo de clasificación de imágenes.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Realizar una predicción por lotes
Colab
GitHub
Vertex AI Workbench
Obtén predicciones a partir de un modelo de clasificación de imágenes
Modelo de clasificación de imágenes de entrenamiento de AutoML para la predicción en línea
En este instructivo, crearás un modelo de clasificación de imágenes de AutoML y, luego, lo implementarás para la predicción en línea desde una secuencia de comandos de Python mediante el SDK de Vertex AI. Obtén más información sobre cómo obtener predicciones a partir de un modelo de clasificación de imágenes.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realiza una predicción.
  • Anula la implementación del Modelo.
Colab
GitHub
Vertex AI Workbench
AutoML
Modelo de detección de objetos de imagen de entrenamiento de AutoML para la exportación al perímetro.
En este instructivo, crearás un modelo de detección de objetos de imagen de AutoML a partir de una secuencia de comandos de Python mediante el SDK de Vertex AI y, luego, exportarás el modelo como un modelo de Edge en formato TFLite.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Exporta el modelo de Edge del recurso Modelo a Cloud Storage.
  • Descarga el modelo de forma local.
  • Realiza una predicción local.
Colab
GitHub
Vertex AI Workbench
Detección de objetos para datos de imágenes
Modelo de entrenamiento de detección de objetos en imágenes de AutoML para la predicción en línea.
En este instructivo, crearás un modelo de detección de objetos de imagen de AutoML y, luego, lo implementarás para la predicción en línea desde una secuencia de comandos de Python con el SDK de Vertex AI. Obtén más información sobre la Detección de objetos para datos de imágenes.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realiza una predicción.
  • Anula la implementación del Modelo.
Colab
GitHub
Vertex AI Workbench
Flujo de trabajo tabular para AutoML E2E
Canalizaciones de flujo de trabajo tabular de AutoML.
Obtén información sobre cómo crear dos modelos de regresión mediante Vertex AI Pipelines descargados desde los componentes de canalización de Google Cloud. Obtén más información sobre el Flujo de trabajo tabular para AutoML E2E.

Pasos del instructivo

  • Crea una canalización de entrenamiento que reduzca el espacio de búsqueda del valor predeterminado para ahorrar tiempo.
  • Crea una canalización de entrenamiento que vuelva a usar los resultados de la búsqueda de arquitectura a partir de la canalización anterior para ahorrar tiempo.
Colab
GitHub
Vertex AI Workbench
Extracción de entidades para datos de texto
Modelo de extracción de entidades de texto de entrenamiento de AutoML para la predicción por lotes.
En este instructivo, crearás un modelo de extracción de entidades de texto de AutoML a partir de una secuencia de comandos de Python y, luego, realizarás una predicción por lotes mediante el SDK de Vertex AI. Obtén más información sobre la extracción de entidades para datos de texto.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Realizar una predicción por lotes
Colab
GitHub
Vertex AI Workbench
AutoML
Modelo de análisis de opiniones de texto de entrenamiento de AutoML para la predicción por lotes.
En este instructivo, crearás un modelo de análisis de opiniones en texto de AutoML a partir de una secuencia de comandos de Python y, luego, realizarás una predicción por lotes con el SDK de Vertex AI.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Realizar una predicción por lotes
Colab
GitHub
Vertex AI Workbench
Entrenamiento de AutoML
Comienza a usar Entrenamiento de AutoML.
Aprende a usar AutoML para el entrenamiento con Vertex AI. Obtén más información sobre el entrenamiento de AutoML.

Pasos del instructivo

  • Entrena un modelo de imagen
  • Exporta el modelo de imagen como un modelo de conexión de integración
  • Entrena un modelo tabular
  • Exporta el modelo tabular como un modelo en la nube
  • Entrena un modelo de texto
  • Entrena un modelo de video
Colab
GitHub
Vertex AI Workbench
Previsión jerárquica de datos tabulares
Previsión de jerarquía de entrenamiento de AutoML para la predicción por lotes.
En este instructivo, crearás un modelo de previsión jerárquica de AutoML y lo implementarás en la predicción por lotes mediante el SDK de Vertex AI para Python. Obtén más información sobre la Previsión jerárquica para datos tabulares.

Pasos del instructivo

  • Crea un recurso TimeSeriesDataset de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Realizar una predicción por lotes
Colab
GitHub
Vertex AI Workbench
Detección de objetos para datos de imágenes
Modelo de entrenamiento de detección de objetos en imágenes de AutoML para la predicción por lotes.
En este instructivo, crearás un modelo de detección de objetos en imágenes de AutoML a partir de una secuencia de comandos de Python y, luego, realizarás una predicción por lotes con el SDK de Vertex AI. Obtén más información sobre la Detección de objetos para datos de imágenes.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Realizar una predicción por lotes
Colab
GitHub
Vertex AI Workbench
Previsión de datos tabulares
Modelo de previsión tabular de AutoML para la predicción por lotes.
Aprende a crear un modelo de previsión tabular de AutoML a partir de una secuencia de comandos de Python y, luego, realiza una predicción por lotes con el SDK de Vertex AI. Obtén más información sobre la previsión para los datos tabulares.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar un recurso Modelo de previsión tabular de AutoML.
  • Obtén las métricas de evaluación para el recurso de Modelo.
  • Realizar una predicción por lotes.
Colab
GitHub
Vertex AI Workbench
Regresión de datos tabulares
Modelo de regresión tabular de entrenamiento de AutoML para la predicción por lotes con BigQuery.
Aprende a crear un modelo de regresión tabular de AutoML y a implementarlo para la predicción por lotes mediante el SDK de Vertex AI para Python. Obtén más información sobre la Regresión de datos tabulares.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realiza una predicción.
  • Anula la implementación del Modelo.
Colab
GitHub
Vertex AI Workbench
Regresión de datos tabulares
Modelo de regresión tabular de entrenamiento de AutoML para la predicción en línea mediante BigQuery.
Aprende a crear un modelo de regresión tabular de AutoML y a implementarlo para la predicción en línea desde una secuencia de comandos de Python mediante el SDK de Vertex AI. Obtén más información sobre la Regresión de datos tabulares.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realiza una predicción.
  • Anula la implementación del Modelo.
Colab
GitHub
Vertex AI Workbench
Extracción de entidades para datos de texto
Modelo de extracción de entidades de texto de entrenamiento de AutoML para la predicción en línea.
Aprende a crear un modelo de extracción de entidades de texto de AutoML y a implementarlo para la predicción en línea desde una secuencia de comandos de Python mediante el SDK de Vertex AI. Obtén más información sobre la extracción de entidades para datos de texto.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realiza una predicción.
  • Anula la implementación del Modelo.
Colab
GitHub
Vertex AI Workbench
Análisis de opiniones para datos de texto
Entrena un modelo de análisis de opiniones de texto de AutoML para predicciones en línea.
Aprende a crear un modelo de análisis de opiniones en texto de AutoML y a implementarlo para las predicciones en línea desde una secuencia de comandos de Python con el SDK de Vertex AI. Obtén más información sobre el Análisis de opiniones para datos de texto.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Crea un trabajo de entrenamiento para el modelo de AutoML en el conjunto de datos.
  • Consulta las métricas de evaluación del modelo.
  • Implementa el recurso Modelo de Vertex AI en un Extremo de Vertex AI de entrega.
  • Realiza una solicitud de predicción al modelo implementado.
  • Anula la implementación del modelo desde el extremo.
  • Realiza el proceso de limpieza
Colab
GitHub
Vertex AI Workbench
Reconocimiento de acciones para datos de video
Modelo de reconocimiento de acciones de video de entrenamiento de AutoML para la predicción por lotes.
Aprende a crear un modelo de reconocimiento de acciones de video de AutoML a partir de una secuencia de comandos de Python y, luego, realiza una predicción por lotes con el SDK de Vertex AI. Obtén más información sobre el reconocimiento de acciones para los datos de video.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Realizar una predicción por lotes
Colab
GitHub
Vertex AI Workbench
Clasificación para datos de video
Modelo de clasificación de videos de entrenamiento de AutoML para la predicción por lotes.
Aprende a crear un modelo de clasificación de videos de AutoML a partir de una secuencia de comandos de Python y, luego, realiza una predicción por lotes con el SDK de Vertex AI. Obtén más información sobre la Clasificación de datos de video.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Realizar una predicción por lotes
Colab
GitHub
Vertex AI Workbench
Seguimiento de objetos para datos de video
Modelo de seguimiento de objetos de video de entrenamiento de AutoML para predicción por lotes.
Aprende a crear un modelo de seguimiento de objetos de video en AutoML a partir de una secuencia de comandos de Python y, luego, realiza una predicción por lotes con el SDK de Vertex AI. Obtén más información sobre el seguimiento de objetos para datos de video.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Realizar una predicción por lotes
Colab
GitHub
Vertex AI Workbench
BigQuery ML
Comienza a usar BigQuery ML Training.
Aprende a usar BigQuery ML para el entrenamiento con Vertex AI. Más información sobre BigQuery ML

Pasos del instructivo

  • Crea una tabla local de BigQuery en tu proyecto
  • Entrena un modelo de BigQuery ML
  • Evalúa el modelo de BigQuery ML
  • Exporta el modelo de BigQuery ML como modelo en la nube
  • Sube el modelo exportado como un recurso Vertex AI Model.
  • Hiperparámetro ajusta un modelo de BigQuery ML con Vertex AI Vizier
  • Registra automáticamente un modelo de BigQuery ML en Vertex AI Model Registry
Colab
GitHub
Vertex AI Workbench
Entrenamiento personalizado
Vertex AI Prediction
Implementa el modelo de detección de Iris mediante FastAPI y la entrega de contenedores personalizados de Vertex AI.
Obtén información para crear, implementar y entregar un modelo de clasificación personalizado en Vertex AI. Más información sobre el entrenamiento personalizado Obtén más información sobre Vertex AI Prediction.

Pasos del instructivo

  • Entrena un modelo que use las medidas de flores como entrada para predecir la clase de iris.
  • Guarda el modelo y su preprocesador serializado.
  • Compila un servidor de FastAPI para manejar predicciones y verificaciones de estado.
  • Compila un contenedor personalizado con artefactos de modelo.
  • Sube e implementa un contenedor personalizado en Extremos ede Vertex AI.
Colab
GitHub
Vertex AI Workbench
Vertex AI Training
Entrena un modelo de TensorFlow con los datos de BigQuery
Aprende a crear un modelo entrenado de forma personalizada a partir de una secuencia de comandos de Python en un contenedor de Docker con el SDK de Vertex AI para Python y envía datos para obtener una predicción del modelo implementado. Obtén más información sobre Vertex AI Training.

Pasos del instructivo

  • Crea una TrainingPipeline personalizada de Vertex AI para entrenar un modelo.
  • Entrene un modelo de TensorFlow.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realiza una predicción.
  • Anular la implementación del recurso Modelo.
Colab
GitHub
Vertex AI Workbench
Entrenamiento personalizado
Entrenamiento personalizado con contenedor de entrenamiento personalizado y registro automático del modelo.
En este instructivo, crearás un modelo personalizado a partir de una secuencia de comandos de Python en un contenedor personalizado de Docker con el SDK de Vertex AI y registrarás el modelo en Vertex AI Model Registry de forma automática. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Crea un trabajo personalizado de Vertex AI para entrenar un modelo.
  • Entrena y registra un modelo de TensorFlow con un contenedor personalizado
  • Enumera el modelo registrado desde Vertex AI Model Registry.
Colab
GitHub
Vertex AI Workbench
Vertex AI TensorBoard Profiler
Genera perfiles de rendimiento de entrenamiento de modelos con Profiler
Obtén más información sobre cómo habilitar el generador de perfiles de TensorBoard de Vertex AI para trabajos de entrenamiento personalizados. Obtén más información sobre Generador de perfiles de TensorBoard de Vertex AI.

Pasos del instructivo

  • Configura una cuenta de servicio y un bucket de Cloud Storage
  • Crea una instancia de Vertex AI TensorBoard
  • Crea y ejecuta un trabajo de entrenamiento personalizado
  • Visualiza el panel de Vertex AI TensorBoard Profiler
Colab
GitHub
Vertex AI Workbench
Entrenamiento personalizado
Comienza a usar Vertex AI Training para XGBoost.
Obtén información sobre cómo usar Vertex AI Training para entrenar un modelo personalizado de XGBoost. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Realiza entrenamientos con un paquete de Python.
  • Informa la exactitud con el ajuste de hiperparámetros
  • Guarda los artefactos del modelo en Cloud Storage mediante Cloud StorageFuse.
  • Crea un recurso de Modelo de Vertex AI.
Colab
GitHub
Vertex AI Workbench
Recursos compartidos entre implementaciones
Comienza a usar los extremos y las VMs compartidas.
Aprende a usar grupos de recursos de implementación para implementar modelos. Obtén más información sobre los recursos compartidos en las implementaciones.

Pasos del instructivo

  • Sube un modelo de clasificación de imágenes previamente entrenado como un recurso Modelo (modelo A).
  • Sube un modelo de codificador de oraciones de texto previamente entrenado como un recurso Modelo (modelo B).
  • Crea un grupo de recursos de implementación de VM compartida.
  • Enumera los grupos de recursos de implementación de VM compartidos.
  • Crea dos recursos Extremos.
  • Implementa el primer modelo (modelo A) en el primer recurso Extremo mediante el grupo de recursos de implementación.
  • Implementa el segundo modelo (modelo B) en el segundo recurso Extremo con el grupo de recursos de implementación.
  • Realiza una solicitud de predicción con el primer modelo implementado (modelo A).
  • Realiza una solicitud de predicción con el segundo modelo implementado (modelo B).
Colab
GitHub
Vertex AI Workbench
Entrenamiento personalizado
Predicción por lotes de Vertex AI
Entrenamiento personalizado y predicción por lotes.
Aprende a usar Vertex AI Training para crear un modelo entrenado personalizado y usar Vertex AI Batch Prediction para realizar una predicción por lotes en el modelo entrenado. Más información sobre el entrenamiento personalizado Obtén más información sobre Predicción por lotes de Vertex AI.

Pasos del instructivo

  • Crea un trabajo personalizado de Vertex AI para entrenar un modelo de TensorFlow.
  • Sube los artefactos del modelo entrenado como un recurso Modelo.
  • Realizar una predicción por lotes.
Colab
GitHub
Vertex AI Workbench
Entrenamiento personalizado
Vertex AI Prediction
Entrenamiento personalizado y predicción en línea.
Aprende a usar Vertex AI Training para crear un modelo entrenado de forma personalizada a partir de una secuencia de comandos de Python en un contenedor de Docker y aprende a usar Vertex AI Prediction a fin de realizar una predicción en el modelo implementado mediante el envío de datos. Más información sobre el entrenamiento personalizado Obtén más información sobre Vertex AI Prediction.

Pasos del instructivo

  • Crea un trabajo personalizado de Vertex AI para entrenar un modelo de TensorFlow.
  • Sube los artefactos del modelo entrenado a un recurso Model.
  • Crea un recurso Extremo de entrega.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realiza una predicción.
  • Anular la implementación del recurso Modelo.
Colab
GitHub
Vertex AI Workbench
Conjuntos de datos de BigQuery
Vertex AI para usuarios de BigQuery
Comienza a usar los conjuntos de datos de BigQuery.
Aprende a usar BigQuery como un conjunto de datos para el entrenamiento con Vertex AI. Obtén más información sobre los conjuntos de datos de BigQuery Obtén más información sobre Vertex AI para usuarios de BigQuery.

Pasos del instructivo

  • Crea un recurso de Conjuntos de datos de Vertex AI a partir de una tabla de BigQuery compatible con el entrenamiento de AutoML.
  • Extrae una copia del conjunto de datos de BigQuery a un archivo CSV en Cloud Storage compatible con AutoML o un entrenamiento personalizado.
  • Selecciona filas de un conjunto de datos de BigQuery en un DataFrame de Pandas compatible con el entrenamiento personalizado.
  • Selecciona filas de un conjunto de datos de BigQuery en un tf.data.Dataset compatible con los modelos de entrenamiento personalizado de TensorFlow.
  • Selecciona filas de archivos CSV extraídos en un tf.data.Dataset compatible con los modelos de entrenamiento personalizados de TensorFlow.
  • Crea un conjunto de datos de BigQuery a partir de archivos CSV
  • Extrae datos de la tabla BigQuery en una DMatrix compatible con los modelos de entrenamiento personalizado de XGBoost.
Colab
GitHub
Vertex AI Workbench
Vertex AI Data Labeling
Comienza a usar el etiquetado de datos de Vertex AI.
Aprende a usar el servicio de etiquetado de datos de Vertex AI. Obtén más información sobre el etiquetado de datos de Vertex AI.

Pasos del instructivo

  • Crea un grupo de especialistas para los etiquetadores de datos.
  • Crea un trabajo de etiquetado de datos.
  • Envía el trabajo de etiquetado de datos.
  • Enumera los trabajos de etiquetado de datos.
  • Cancela un trabajo de etiquetado de datos.
Colab
GitHub
Vertex AI Workbench
Vertex AI Experiments
Vertex ML Metadata
Compila el linaje de Vertex AI Experiment para el entrenamiento personalizado.
Aprende a integrar el código de procesamiento previo en un experimento de Vertex AI. Obtén más información sobre Vertex AI Experiments. Obtén más información sobre los Vertex ML Metadata.

Pasos del instructivo

  • Ejecuta el módulo para preprocesar datos
  • Crea un artefacto de conjunto de datos
  • Registra parámetros
  • Ejecuta el módulo para entrenar el modelo
  • Registra parámetros
  • Crea un artefacto de modelo
  • Asigna el linaje de seguimiento al conjunto de datos, el modelo y los parámetros
Colab
GitHub
Vertex AI Workbench
Vertex AI Experiments
Haz un seguimiento de los parámetros y métricas de los modelos entrenados de forma local.
Aprende a usar Vertex AI Experiments para comparar y evaluar los experimentos de modelos. Obtén más información sobre Vertex AI Experiments.

Pasos del instructivo

  • Registra los parámetros del modelo
  • registra las pérdidas y las métricas en cada ciclo de entrenamiento en Vertex AI TensorBoard
  • Registra las métricas de evaluación
Colab
GitHub
Vertex AI Workbench
Vertex AI Experiments
Vertex AI Pipelines
Compara ejecuciones de canalizaciones con Vertex AI Experiments.
Aprende a usar Vertex AI Experiments para registrar un trabajo de canalización y comparar diferentes trabajos de canalización. Obtén más información sobre Vertex AI Experiments. Obtén más información sobre Vertex AI Pipelines.

Pasos del instructivo

  • Formalizar un componente de entrenamiento
  • Compilar una canalización de entrenamiento
  • Ejecutar varios trabajos de canalización y registrar sus resultados
  • Comparar diferentes trabajos de canalización
Colab
GitHub
Vertex AI Workbench
Vertex AI TensorBoard
Borra experimentos desactualizados en Vertex AI TensorBoard.
Obtén información sobre cómo borrar experimentos desactualizados en Vertex AI TensorBoard para evitar costos de almacenamiento innecesarios. Obtén más información sobre Vertex AI TensorBoard.

Pasos del instructivo

  • Cómo borrar el experimento de TB con un par clave-valor de etiqueta predefinido <label_key, label_value="></label_key,>
  • Cómo borrar los experimentos de TB creados antes del create_time
  • Cómo borrar los experimentos de TB creados antes de update_time
Colab
GitHub
Vertex AI Workbench
Vertex AI Experiments
Registro automático de entrenamiento personalizado: secuencia de comandos local.
Obtén información sobre cómo registrar automáticamente los parámetros y las métricas de un experimento de AA que se ejecuta en el entrenamiento de Vertex AI mediante la integración de Vertex AI Experiments. Obtén más información sobre Vertex AI Experiments.

Pasos del instructivo

  • Formaliza el experimento de modelo en una secuencia de comandos
  • Ejecuta el entrenamiento de modelos con una secuencia de comandos local en el Vertex AI Training.
  • Consulta los parámetros y las métricas del experimento de AA en Vertex AI Experiments
Colab
GitHub
Vertex AI Workbench
Vertex AI Experiments
Vertex ML Metadata
Entrenamiento personalizado
Comienza a usar Vertex AI Experiments.
Aprende a usar Vertex AI Experiments cuando entrenas con Vertex AI. Obtén más información sobre Vertex AI Experiments. Obtén más información sobre los Vertex ML Metadata. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Entrenamiento local (notebook)
  • Crea un experimento
  • Crea una primera ejecución en el experimento
  • Parámetros de registro y métricas
  • Crea linaje de artefactos
  • Visualiza los resultados del experimento
  • Ejecuta una segunda ejecución
  • Compara las dos ejecuciones del experimento
  • Entrenamiento de la nube (Vertex AI)
  • Dentro de la secuencia de comandos de entrenamiento
Colab
GitHub
Vertex AI Workbench
Vertex AI Experiments
Registro automático
Obtén información para usar el registro automático de Vertex AI.

Pasos del instructivo

  • Habilitar el registro automático en el SDK de Vertex AI
  • Entrena el modelo de scikit-learn y observa la ejecución del experimento resultante con métricas y parámetros registrados de forma automática en Vertex AI Experiments sin configurar una ejecución de experimento.
  • Entrena el modelo de TensorFlow y verifica las métricas y los parámetros registrados de forma automática en Vertex AI Experiments mediante la configuración manual de una ejecución de experimento con “aiplatform.start_run()” y “aiplatform.end_run()”.
  • Inhabilita el registro automático en el SDK de Vertex AI, entrenar un modelo de PyTorch y verificar que ninguno de los parámetros o métricas se registren
Colab
GitHub
Vertex AI Workbench
Clasificación para datos tabulares
Vertex Explainable AI
Modelo de clasificación binaria tabular de entrenamiento de AutoML para explicaciones por lotes.
Aprende a usar AutoML para crear un modelo de clasificación binaria tabular a partir de una secuencia de comandos de Python y, luego, aprende a usar Vertex AI Batch Prediction para realizar predicciones con explicaciones. Obtén más información sobre la Clasificación para datos tabulares. Obtén más información sobre Vertex Explainable AI.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrena un modelo de clasificación binaria tabular de AutoML.
  • Visualiza las métricas de evaluación del modelo entrenado.
  • Realiza una solicitud de predicción por lotes con explicabilidad.
Colab
GitHub
Vertex AI Workbench
Clasificación para datos tabulares
Vertex Explainable AI
Modelo de clasificación tabular de entrenamiento de AutoML para explicaciones en línea.
Aprende a usar AutoML para crear un modelo de clasificación binaria tabular a partir de una secuencia de comandos de Python y, luego, aprende a usar Vertex AI Online Prediction para realizar predicciones en línea con explicaciones. Obtén más información sobre la Clasificación para datos tabulares. Obtén más información sobre Vertex Explainable AI.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrena un modelo de clasificación binaria tabular de AutoML.
  • Visualiza las métricas de evaluación del modelo entrenado.
  • Crea un recurso Extremo de entrega.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realiza una solicitud de predicción en línea con explicaciones.
  • Anular la implementación del recurso Modelo.
Colab
GitHub
Vertex AI Workbench
Vertex Explainable AI
Vertex AI Batch Prediction
Modelo de clasificación de imágenes de entrenamiento personalizado para la predicción por lotes con explicación
Aprende a usar Vertex AI Training y Explainable AI para crear un modelo de clasificación de imágenes personalizado con explicaciones y, luego, aprende a usar Vertex AI Batch Prediction para realizar una solicitud de predicción por lotes con explicaciones. Obtén más información sobre Vertex Explainable AI. Obtén más información sobre Predicción por lotes de Vertex AI.

Pasos del instructivo

  • Crea un trabajo personalizado de Vertex AI para entrenar un modelo de TensorFlow.
  • Visualiza la evaluación del modelo entrenado.
  • Establece parámetros de explicación para cuando se implementa el modelo.
  • Sube los artefactos del modelo entrenado y los parámetros de explicación como un recurso Model.
  • Realiza una predicción por lotes con explicaciones.
Colab
GitHub
Vertex AI Workbench
Vertex Explainable AI
Vertex AI Prediction
Modelo de clasificación de imágenes de entrenamiento personalizado para la predicción en línea con explicación
Aprende a usar Vertex AI Training y Explainable AI para crear un modelo de clasificación de imágenes personalizado con explicaciones y, luego, aprende a usar Vertex AI Prediction para realizar una solicitud de predicción en línea con explicaciones. Obtén más información sobre Vertex Explainable AI. Obtén más información sobre Vertex AI Prediction.

Pasos del instructivo

  • Crea un trabajo personalizado de Vertex AI para entrenar un modelo de TensorFlow.
  • Visualiza la evaluación del modelo entrenado.
  • Establece parámetros de explicación para cuando se implementa el modelo.
  • Sube los artefactos y las explicaciones del modelo entrenado como un recurso Model.
  • Crea un recurso Extremo de entrega.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realice una predicción con explicaciones.
  • Anular la implementación del recurso Modelo.
Colab
GitHub
Vertex AI Workbench
Vertex Explainable AI
Vertex AI Batch Prediction
Modelo de regresión tabular de entrenamiento personalizado para la predicción por lotes con explicación
Aprende a usar Vertex AI Training y Explainable AI para crear un modelo de clasificación de imágenes personalizado con explicaciones y, luego, aprende a usar Vertex AI Batch Prediction para realizar una solicitud de predicción por lotes con explicaciones. Obtén más información sobre Vertex Explainable AI. Obtén más información sobre Predicción por lotes de Vertex AI.

Pasos del instructivo

  • Crea un trabajo personalizado de Vertex AI para entrenar un modelo de TensorFlow.
  • Visualiza la evaluación del modelo entrenado.
  • Establece parámetros de explicación para cuando se implementa el modelo.
  • Sube los artefactos y las explicaciones del modelo entrenado como un recurso Model.
  • Realiza una predicción por lotes con explicaciones.
Colab
GitHub
Vertex AI Workbench
Vertex Explainable AI
Vertex AI Prediction
Modelo de regresión tabular de entrenamiento personalizado para la predicción en línea con explicación
Aprende a usar Vertex AI Training y Explainable AI para crear un modelo de clasificación de imágenes personalizado con explicaciones y, luego, aprende a usar Vertex AI Prediction para realizar una solicitud de predicción en línea con explicaciones. Obtén más información sobre Vertex Explainable AI. Obtén más información sobre Vertex AI Prediction.

Pasos del instructivo

  • Crea un trabajo personalizado de Vertex AI para entrenar un modelo de TensorFlow.
  • Visualiza la evaluación del modelo entrenado.
  • Establece parámetros de explicación para cuando se implementa el modelo.
  • Sube los artefactos y las explicaciones del modelo entrenado como un recurso Model.
  • Crea un recurso Extremo de entrega.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realice una predicción con explicaciones.
  • Anular la implementación del recurso Modelo.
Colab
GitHub
Vertex AI Workbench
Vertex Explainable AI
Vertex AI Prediction
Entrenamiento personalizado de modelos de regresión tabular para la predicción en línea con explicabilidad mediante get_metadata.
Aprende a crear un modelo personalizado a partir de una secuencia de comandos de Python en un contenedor de Docker compilado previamente de Google mediante el SDK de Vertex AI y, luego, envía una predicción con explicaciones en el modelo implementado. Obtén más información sobre Vertex Explainable AI. Obtén más información sobre Vertex AI Prediction.

Pasos del instructivo

  • Cree un trabajo personalizado de Vertex para entrenar un modelo.
  • Entrene un modelo de TensorFlow.
  • Recupere y cargue los artefactos del modelo.
  • Visualice la evaluación del modelo.
  • Establezca los parámetros de explicación.
  • Sube el modelo como recurso Modelo de Vertex AI.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realice una predicción con explicaciones.
  • Anular la implementación del recurso Modelo.
Colab
GitHub
Vertex AI Workbench
Vertex Explainable AI
Vertex AI Prediction
Explicación de la clasificación de imágenes con Vertex Explainable AI.
Aprende a configurar explicaciones basadas en atributos en un modelo de clasificación de imágenes previamente entrenado y realizar predicciones en línea y por lotes con explicaciones. Obtén más información sobre Vertex Explainable AI. Obtén más información sobre Vertex AI Prediction.

Pasos del instructivo

  • Descarga un modelo previamente entrenado de TensorFlow Hub
  • Sube un modelo para la implementación
  • Implementa el modelo para la predicción en línea
  • Realiza predicciones en línea con explicaciones
  • Realiza predicciones por lotes con explicaciones
Colab
GitHub
Vertex AI Workbench
Vertex Explainable AI
Explicación de la clasificación de texto con Vertex Explainable AI.
Aprende a configurar explicaciones basadas en atributos con el **método de Shapley de muestra** en un modelo de clasificación de texto de TensorFlow para realizar predicciones en línea con explicaciones. Obtén más información sobre Vertex Explainable AI.

Pasos del instructivo

  • Compila y entrena un modelo de clasificación de texto de TensorFlow
  • Sube un modelo para la implementación
  • Implementa el modelo para la predicción en línea
  • Realiza predicciones en línea con explicaciones
Colab
GitHub
Vertex AI Workbench
Vertex AI Feature Store
SDK de importación de transmisiones
Aprende a importar atributos de un DataFrame de Pandas a Vertex AI Feature Store con el método write_feature_values del SDK de Vertex AI. Más información sobre Vertex AI Feature Store

Pasos del instructivo

  • Crear un almacén de atributos.
  • Crea un tipo de entidad nuevo para tu almacén de atributos.
  • Importa los valores de atributos de DataFrame de Pandas en el tipo de entidad del almacén de atributos.
Colab
GitHub
Vertex AI Workbench
Vertex AI Feature Store
Entrega y recuperación de atributos en línea de datos de BigQuery con Vertex AI Feature Store.
Aprende a crear y usar una instancia de Feature Store en línea para alojar y entregar datos en BigQuery con Vertex AI Feature Store en un flujo de trabajo de extremo a extremo de valores de atributos que entregan y recuperan el recorrido del usuario. Más información sobre Vertex AI Feature Store

Pasos del instructivo

  • Aprovisiona una instancia de almacenamiento de atributos en línea para alojar y entregar datos.
  • Registra una vista de BigQuery con la instancia de Feature Store en línea y configura el trabajo de sincronización.
  • Usa el servidor en línea para fin de recuperar valores de atributos para la predicción en línea.
Colab
GitHub
Vertex AI Workbench
Vertex AI Feature Store
Entrega y recuperación en línea de atributos de datos de BigQuery con la entrega optimizada de Vertex AI Feature Store.
Aprende a crear y usar una instancia de Feature Store en línea para alojar y entregar datos en BigQuery con Vertex AI Feature Store en un flujo de trabajo de extremo a extremo para entregar y recuperar valores de atributos. Más información sobre Vertex AI Feature Store

Pasos del instructivo

  • Aprovisiona una instancia de Feature Store en línea para alojar y entregar datos con la entrega en línea optimizada con un extremo público o privado.
  • Registra una vista de BigQuery con la instancia de Feature Store en línea y configura el trabajo de sincronización.
  • Usa el servidor en línea para fin de recuperar valores de atributos para la predicción en línea.
Colab
GitHub
Vertex AI Workbench
Vertex AI Feature Store
Entrega de atributos en línea y datos de BigQuery de recuperación de vectores con el Vertex AI Feature Store.
Aprende a crear y usar una instancia de Feature Store en línea para alojar y entregar datos en BigQuery con Vertex AI Feature Store en un flujo de trabajo de extremo a extremo de la entrega de atributos y el recorrido del usuario de recuperación de vectores. Más información sobre Vertex AI Feature Store

Pasos del instructivo

  • Aprovisiona una instancia de almacenamiento de atributos en línea para alojar y entregar datos.
  • Crea una instancia de almacenamiento de atributos en línea para entregar una tabla de BigQuery.
  • Usa el servidor en línea para buscar vecinos más cercanos.
Colab
GitHub
Vertex AI Workbench
Vertex AI Feature Store
Usa Vertex AI Feature Store con el Dataframe de Pandas.
Aprende a usar Vertex AI Feature Store con el DataFrame de Pandas. Más información sobre Vertex AI Feature Store

Pasos del instructivo

  • Crea un almacén de atributos, un tipo de entidad y recursos de funciones.
  • Importa los valores de atributos del DataFrame de Pandas en el tipo de entidad.
  • Lee los valores de atributos de la entidad de Online Feature Store en el DataFrame de Pandas.
  • Entrega por lotes los valores de atributos de tu Feature Store en el DataFrame de Pandas.
  • Entrega en línea con valores de atributo actualizados.
  • Precisión de un momento determinado a fin de recuperar valores de atributos para el entrenamiento.
Colab
GitHub
Vertex AI Workbench
Vertex AI Feature Store
Predicciones en línea y por lotes mediante Vertex AI Feature Store (Heredado).
Aprende a usar Vertex AI Feature Store a fin de importar datos de atributos y acceder a los datos de atributos para las tareas de entrega en línea y sin conexión, como el entrenamiento. Más información sobre Vertex AI Feature Store

Pasos del instructivo

  • Crea un almacén de atributos, un tipo de entidad y recursos de funciones.
  • Importar los datos de los atributos al recurso de almacén de atributos
  • Entregar solicitudes de predicción en línea con atributos importados.
  • Acceder a atributos importados en trabajos sin conexión, como los de entrenamiento.
  • Usa la importación de transmisiones para importar una cantidad pequeña de datos.
Colab
GitHub
Vertex AI Workbench
Descripción general de la compatibilidad de IA generativa en Vertex AI
Inferencia por lotes y evaluación de Vertex AI LLM.
Aprende a usar Vertex AI para evaluar un modelo grande de lenguaje. Obtén más información sobre Descripción general de la compatibilidad de IA generativa en Vertex AI.

Pasos del instructivo

  • Crea un trabajo de Vertex AI Pipelines mediante una plantilla predefinida para la inferencia masiva.
  • Ejecuta la canalización mediante Vertex AI Pipelines
  • Produce resultados de predicción en un modelo para un conjunto de datos determinado.
GitHub
Vertex AI Workbench
Ajusta los modelos de texto con el ajuste RLHF
Aprendizaje por refuerzo con retroalimentación humana de Vertex AI LLM.
En este instructivo, usarás el RLHF de Vertex AI para ajustar y, además, implementar un modelo de modelo grande de lenguaje. Obtén más información sobre Ajusta los modelos de texto con el ajuste RLHF.

Pasos del instructivo

  • Establece la cantidad de pasos de ajuste del modelo.
  • Crear un trabajo de canalización de Vertex AI con una plantilla predefinida para el ajuste.
  • Ejecuta la canalización mediante Vertex AI Pipelines
  • Realiza predicciones en línea con el modelo ajustado.
Colab
GitHub
Vertex AI Workbench
incorporación de texto
Búsqueda semántica con incorporaciones.
En este instructivo, mostramos cómo crear una incorporación generada a partir de texto y realizar una búsqueda semántica. Obtén más información sobre la incorporación de texto.

Pasos del instructivo

  • Instalación e importaciones
  • Crear conjunto de datos de incorporación
  • Crea un índice
  • Consultar el índice
Colab
GitHub
Vertex AI Workbench
api de incorporación de texto
API de incorporación de texto nueva.
Aprende a llamar a las APIs más recientes de incorporación de texto en dos modelos nuevos, textembedding-gecko@002 y textembedding-gecko-multilingual@001: Obtén más información sobre la API de incorporación de texto.

Pasos del instructivo

  • Instalación e importaciones
  • Genera incorporaciones
Colab
GitHub
Vertex AI Workbench
Ajusta los modelos de texto con el ajuste supervisado
Ajuste de Vertex AI en un modelo de PEFT.
Aprende a usar un LLM de Vertex AI para ajustar y, luego, implementar un modelo grande de lenguaje de PEFT. Obtén más información sobre Ajusta los modelos de texto con el ajuste supervisado.

Pasos del instructivo

  • Obtén el modelo de Vertex AI LLM.
  • Ajustar el modelo
  • Esto creará automáticamente un extremo de Vertex AI y, luego, implementará el modelo en él.
  • Realiza una predicción con Vertex AI LLM.
  • Realiza una predicción con Vertex AI Prediction
Colab
GitHub
Vertex AI Workbench
API de PaLM
Usa el SDK de Vertex AI con modelos grandes de lenguaje.
Aprende a proporcionar entradas de texto a modelos grandes de lenguaje disponibles en Vertex AI para probar, ajustar y, luego, implementar modelos de lenguaje de IA generativa. Obtén más información sobre la API de PaLM.

Pasos del instructivo

  • Usa los extremos de predicción de la API de Vertex AI PaLM para recibir respuestas de IA generativas a un mensaje.
  • Usa el extremo de incorporación de texto para recibir una representación vectorial de un mensaje.
  • Realiza el ajuste rápido de un LLM, en función de los datos de entrenamiento de entrada/salida.
Colab
GitHub
Vertex AI Workbench
Búsqueda de vector
Usa incorporaciones multimodales de Vertex AI y la Búsqueda de vcector.
Aprende a codificar incorporaciones de texto personalizadas, crear un índice de vecinos más cercanos aproximados y realizar consultas en índices.

Pasos del instructivo

  • Convierte un conjunto de datos de imágenes en incorporaciones
  • Crea un índice
  • Sube incorporaciones al índice
  • Crea un extremo de índice
  • Implementa el índice en el extremo del índice
  • Realizar una consulta en línea
Colab
GitHub
Vertex AI Workbench
Vector Search
Usa Vector Search para preguntas de StackOverflow.
Aprende a codificar incorporaciones de texto personalizadas, crear un índice de vecinos más cercanos aproximados y realizar consultas en índices. Obtén más información sobre Vector Search.

Pasos del instructivo

  • Crea un índice de ANN
  • Crea un extremo de índice con una red de VPC
  • Implementa el índice de ANN
  • Realizar una consulta en línea
Colab
GitHub
Vertex AI Workbench
Vector Search
Vertex AI Embeddings for Text
Using Vector Search y Vertex AI Embeddings for Text en las preguntas de StackOverflow.
Aprende a codificar incorporaciones de texto, crear un índice de vecinos más cercanos aproximados y realizar consultas en índices. Obtén más información sobre Vector Search. Obtén más información sobre las Vertex AI Embeddings for Text.

Pasos del instructivo

  • Convierte un conjunto de datos de BigQuery en incorporaciones
  • Crea un índice
  • Sube incorporaciones al índice
  • Crea un extremo de índice
  • Implementa el índice en el extremo del índice
  • Realizar una consulta en línea
Colab
GitHub
Vertex AI Workbench
Vector Search
Crea un índice de Vector Search.
Obtén información sobre cómo crear el índice de vecino más cercano aproximado, consultar índices y validar el rendimiento del índice. Obtén más información sobre Vector Search.

Pasos del instructivo

  • Crea los índices de ANN y ataques de fuerza bruta
  • Crea un IndexEndpoint con una red de VPC
  • Implementa el índice de ANN y de índice de fuerza bruta
  • Realiza una consulta en línea
  • Recuperación del procesamiento
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Clasificación de datos de imágenes
Clasificación de imágenes de AutoML
Aprende a usar AutoML para entrenar un modelo de imagen y usar Vertex AI Prediction y Vertex AI Batch Prediction para realizar predicciones en línea y por lotes. Obtén más información sobre Migra a Vertex AI. Obtén más información sobre la Clasificación para datos de imágenes.

Pasos del instructivo

  • Entrenar un modelo de clasificación de imágenes de AutoML
  • Realizar una predicción por lotes.
  • Implementa el modelo en un extremo
  • Haz una predicción en línea
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Detección de objetos para datos de imágenes
Detección de objetos de imágenes de AutoML.
Aprende a usar AutoML para entrenar un modelo de imagen y usar Vertex AI Prediction y Vertex AI Batch Prediction para realizar predicciones en línea y por lotes. Obtén más información sobre Migra a Vertex AI. Obtén más información sobre la Detección de objetos para datos de imágenes.

Pasos del instructivo

  • Entrena un modelo de detección de objetos de AutoML.
  • Realizar una predicción por lotes.
  • Implementa el modelo en un extremo
  • Haz una predicción en línea
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Seguimiento de objetos para datos de video
Seguimiento de objetos de AutoML Video.
Aprende a usar AutoML para entrenar un modelo de video y usar Vertex AI Batch Prediction a fin de realizar predicciones por lotes. Obtén más información sobre Migra a Vertex AI. Obtén más información sobre el seguimiento de objetos para datos de video.

Pasos del instructivo

  • Entrena un modelo de seguimiento de objetos de video de AutoML.
  • Realizar una predicción por lotes
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Clasificación para datos tabulares
Clasificación binaria tabular de AutoML.
En este instructivo, crearás un modelo de clasificación binaria tabular de AutoML y, luego, implementarás la predicción en línea desde una secuencia de comandos de Python con el SDK de Vertex AI. Obtén más información sobre Migra a Vertex AI. Obtén más información sobre la Clasificación para datos tabulares.

Pasos del instructivo

  • Crea un recurso de Conjunto de datos de Vertex AI.
  • Entrenar el modelo.
  • Visualiza la evaluación del modelo.
  • Implementar el recurso Modelo en un recurso Extremo de entrega.
  • Realiza una predicción.
  • Anula la implementación del Modelo
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Clasificación de datos de texto
Clasificación del texto AutoML
El objetivo de este notebook es compilar un modelo de clasificación de texto de AutoML. Obtén más información sobre Migra a Vertex AI. Obtén más información sobre la Clasificación para datos de texto.

Pasos del instructivo

  • Establece el nombre de la tarea y el prefijo de Cloud Storage
  • Copia los datos de entrenamiento de demostración de texto de AutoML para crear un conjunto de datos administrado
  • Crea un conjunto de datos en Vertex AI.
  • Configura un trabajo de entrenamiento
  • Inicia un trabajo de entrenamiento y crea un modelo en Vertex AI
  • Copia datos de predicción de demostración de texto de AutoML para crear trabajos de predicción por lotes
  • Realiza un trabajo de predicción por lotes en el modelo
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Extracción de entidades para datos de texto
Extracción de entidades de texto de AutoML.
El objetivo de este notebook es compilar un modelo de extracción de entidades de texto de AutoML. Obtén más información sobre Migra a Vertex AI. Obtén más información sobre la extracción de entidades para datos de texto.

Pasos del instructivo

  • Establece el nombre de la tarea y el prefijo de Cloud Storage
  • Copia los datos de entrenamiento de demostración de video de AutoML para crear un conjunto de datos administrado
  • Crea un conjunto de datos en Vertex AI.
  • Configura un trabajo de entrenamiento
  • Inicia un trabajo de entrenamiento y crea un modelo en Vertex AI
  • Copia datos de predicción de demostración de AutoML Video para crear un trabajo de predicción por lotes
  • Realiza un trabajo de predicción por lotes en el modelo
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Análisis de opiniones para datos de texto
Análisis de opiniones por texto de AutoML
El objetivo de este notebook es compilar un modelo de análisis de opiniones en texto de AutoML. Obtén más información sobre Migra a Vertex AI. Obtén más información sobre el Análisis de opiniones para datos de texto.

Pasos del instructivo

  • Copia los datos de entrenamiento de demostración de video de AutoML para crear un conjunto de datos administrado
  • Crea un conjunto de datos en Vertex AI.
  • Configura un trabajo de entrenamiento
  • Inicia un trabajo de entrenamiento y crea un modelo en Vertex AI
  • Copia datos de predicción de demostración de AutoML Video para crear un trabajo de predicción por lotes
  • Realiza un trabajo de predicción por lotes en el modelo
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Clasificación de datos de video
Clasificación de video de AutoML
Aprende a usar AutoML para entrenar un modelo de video y usar Vertex AI Batch Prediction a fin de realizar predicciones por lotes. Obtén más información sobre Migra a Vertex AI. Obtén más información sobre la Clasificación de datos de video.

Pasos del instructivo

  • Entrenar un modelo de clasificación de videos de AutoML
  • Realizar una predicción por lotes
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Entrenamiento personalizado
Clasificación de imágenes personalizada con un contenedor de entrenamiento personalizado.
Aprende a entrenar un modelo de clasificación de imágenes de TensorFlow con un contenedor personalizado y un entrenamiento de Vertex AI. Obtén más información sobre Migra a Vertex AI. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Empaqueta el código de entrenamiento en una aplicación de Python
  • Crea contenedores para la aplicación de entrenamiento con Cloud Build y Artifact Registry.
  • Crea un trabajo de entrenamiento de contenedor personalizado en Vertex AI y ejecútalo.
  • Evalúa el modelo generado a partir del trabajo de entrenamiento.
  • Crea un recurso de modelo para el modelo entrenado en Vertex AI Model Registry.
  • Ejecuta un trabajo de predicción por lotes de Vertex AI
  • Implementa el modelo en un extremo de Vertex AI.
  • Ejecuta un trabajo de predicción en línea en el recurso del modelo
  • Limpia los recursos creados.
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Entrenamiento personalizado
Clasificación de imágenes personalizada con un contenedor de entrenamiento compilado previamente.
Aprende a entrenar un modelo de clasificación de imágenes de TensorFlow con un contenedor compilado previamente y el entrenamiento de Vertex AI. Obtén más información sobre Migra a Vertex AI. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Empaqueta el código de entrenamiento en una aplicación de Python
  • Crea contenedores para la aplicación de entrenamiento con Cloud Build y Artifact Registry.
  • Crea un trabajo de entrenamiento de contenedor personalizado en Vertex AI y ejecútalo.
  • Evalúa el modelo generado a partir del trabajo de entrenamiento.
  • Crea un recurso de modelo para el modelo entrenado en Vertex AI Model Registry.
  • Ejecuta un trabajo de predicción por lotes de Vertex AI
  • Implementa el modelo en un extremo de Vertex AI.
  • Ejecuta un trabajo de predicción en línea en el recurso del modelo
  • Limpia los recursos creados.
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Entrenamiento personalizado
Modelo personalizado de scikit-learn con contenedor de entrenamiento compilado previamente.
Aprende a usar Vertex AI Training para crear un modelo entrenado personalizado y usar Vertex AI Batch Prediction para realizar una predicción por lotes en el modelo entrenado. Obtén más información sobre Migra a Vertex AI. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Crea un trabajo personalizado de Vertex AI para entrenar un modelo de scikitlearn.
  • Sube los artefactos del modelo entrenado como un recurso Modelo.
  • Realizar una predicción por lotes.
  • Implementa el modelo en un extremo
  • Haz una predicción en línea
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Entrenamiento personalizado
Modelo personalizado de XGBoost con contenedor de entrenamiento compilado previamente.
Aprende a usar Vertex AI Training para crear un modelo entrenado personalizado y usar Vertex AI Batch Prediction para realizar una predicción por lotes en el modelo entrenado. Obtén más información sobre Migra a Vertex AI. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Crea un trabajo personalizado de Vertex AI para entrenar un modelo de scikitlearn.
  • Sube los artefactos del modelo entrenado como un recurso Modelo.
  • Realizar una predicción por lotes.
  • Implementa el modelo en un extremo
  • Haz una predicción en línea
Colab
GitHub
Vertex AI Workbench
Migra a Vertex AI
Entrenamiento personalizado
Ajuste de hiperparámetros
Obtén información sobre cómo usar el hiperparámetro de Vertex AI para crear y ajustar un modelo entrenado personalizado. Obtén más información sobre Migra a Vertex AI. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Crea un trabajo de ajuste de hiperparámetros de Vertex AI para entrenar un modelo de TensorFlow.
Colab
GitHub
Vertex AI Workbench
Documentación de Google Artifact Registry
Comienza a usar Google Artifact Registry.
Aprende a usar Google Artifact Registry. Obtén más información sobre la documentación de Google Artifact Registry.

Pasos del instructivo

  • Crear un repositorio privado de Docker.
  • Etiquetar una imagen de contenedor, específica del repositorio privado de Docker.
  • Envía una imagen de contenedor al repositorio privado de Docker.
  • Extrae una imagen de contenedor del repositorio privado de Docker.
  • Borra un repositorio privado de Docker.
Colab
GitHub
Vertex AI Workbench
Vertex ML Metadata
Entrenamiento personalizado
Experimentos de Vertex AI
Haz un seguimiento de los parámetros y métricas de los trabajos de entrenamiento personalizados.
Obtén información sobre cómo usar el SDK de Vertex AI para Python a fin de obtener más información sobre Vertex ML Metadata. Más información sobre el entrenamiento personalizado Obtén más información sobre Vertex AI Experiments.

Pasos del instructivo

  • Realiza un seguimiento de los parámetros de entrenamiento y las métricas de predicción para un trabajo de entrenamiento personalizado.
  • Extrae y realiza análisis de todos los parámetros y métricas en un experimento.
Colab
GitHub
Vertex AI Workbench
Vertex ML Metadata
Haz un seguimiento de los parámetros y métricas de los modelos entrenados de forma local.
Aprende a usar Vertex ML Metadata para hacer un seguimiento de los parámetros de entrenamiento y las métricas de evaluación. Obtén más información sobre los Vertex ML Metadata.

Pasos del instructivo

  • Realiza un seguimiento de los parámetros y las métricas de un modelo entrenado de forma local.
  • Extrae y realiza análisis de todos los parámetros y métricas en un experimento.
Colab
GitHub
Vertex AI Workbench
Vertex ML Metadata
Vertex AI Pipelines
Realiza un seguimiento de los artefactos y las métricas en las ejecuciones de Vertex AI Pipelines mediante Vertex ML Metadata.
Obtén información sobre cómo realizar un seguimiento de los artefactos y las métricas con las ejecuciones de Vertex ML Metadata en Vertex AI Pipelines. Obtén más información sobre los Vertex ML Metadata. Obtén más información sobre Vertex AI Pipelines.

Pasos del instructivo

  • Usa el SDK de Kubeflow Pipelines para compilar una canalización de AA que se ejecute en Vertex AI
  • La canalización creará un conjunto de datos, entrenará un modelo de scikitlearn y lo implementará en un extremo
  • Escribe componentes personalizados de canalización que generen artefactos y metadatos
  • Compara las ejecuciones de Vertex AI Pipelines en la consola de Cloud y de manera programática
  • Realiza un seguimiento de los artefactos generados por canalización
  • Consulta los metadatos de ejecución de tu canalización
Colab
GitHub
Vertex AI Workbench
Evaluación de modelos de Vertex AI
Clasificación de datos tabulares
Evalúa los resultados de la predicción por lotes a partir de un modelo de clasificación tabular de AutoML.
Obtén información sobre cómo entrenar un modelo de clasificación tabular de AutoML de Vertex AI y aprende a evaluarlo a través de un trabajo de canalización de Vertex AI con google_cloud_pipeline_components: Obtén más información sobre Vertex AI Evaluación del modelo. Obtén más información sobre la Clasificación para datos tabulares.

Pasos del instructivo

  • Crea un conjunto de datos de Vertex AI.
  • Entrena un modelo de clasificación tabular de AutoML en el recurso de Conjunto de datos.
  • Importa el AutoML model resource entrenado a la canalización.
  • Ejecuta un trabajo de predicción por lotes.
  • Evalúa el modelo de AutoML mediante el componente de evaluación de clasificación.
  • Importa las métricas de regresión al recurso del modelo de AutoML.
Colab
GitHub
Vertex AI Workbench
Evaluación de modelos de Vertex AI
Regresión de datos tabulares
Evalúa los resultados de la predicción por lotes a partir del modelo de regresión tabular de AutoML.
Obtén más información sobre cómo evaluar un recurso de un modelo de Vertex AI a través de un trabajo de canalización de Vertex AI con google_cloud_pipeline_components: Obtén más información sobre la evaluación de modelos de Vertex AI. Obtén más información sobre la Regresión de datos tabulares.

Pasos del instructivo

  • Crea un conjunto de datos de Vertex AI.
  • Configura un AutoMLTabularTrainingJob
  • Ejecuta el AutoMLTabularTrainingJob, que muestra un modelo
  • Importa un AutoML model resource previamente entrenado a la canalización
  • Ejecuta un trabajo de predicción por lotes en la canalización.
  • Evalúa el modelo de AutoML mediante el componente de evaluación de regresión
  • Importa las métricas de regresión al recurso del modelo de AutoML
Colab
GitHub
Vertex AI Workbench
Evaluación de modelos de Vertex AI
Clasificación de datos de texto
Canalizaciones de clasificación de texto de AutoML con google-cloud-pipeline-components.
Obtén información sobre cómo usar Vertex AI Pipelines y los componentes de canalización de Google Cloud para compilar y evaluar un modelo de clasificación de texto de AutoML. Obtén más información sobre Vertex AI Model Evaluation. Obtén más información sobre la Clasificación para datos de texto.

Pasos del instructivo

  • Crea un conjunto de datos de Vertex AI.
  • Entrena un modelo de clasificación de texto de AutoML en el recurso Conjunto de datos.
  • Importa el AutoML model resource entrenado a la canalización.
  • Ejecuta un trabajo de predicción por lotes.
  • Evalúa el modelo de AutoML mediante el componente de evaluación de clasificación.
  • Importa las métricas de regresión al recurso del modelo de AutoML.
Colab
GitHub
Vertex AI Workbench
Evaluación de modelos de Vertex AI
Clasificación de datos de video
Evalúa los resultados de la predicción por lotes a partir del modelo de clasificación de videos de AutoML.
Obtén información sobre cómo entrenar un modelo de clasificación de video de AutoML de Vertex AI y aprende a evaluarlo a través de un trabajo de canalización de Vertex AI con google_cloud_pipeline_components: Obtén más información sobre Vertex AI Evaluación del modelo. Obtén más información sobre la Clasificación de datos de video.

Pasos del instructivo

  • Crea un conjunto de datos de Vertex AI.
  • Entrena un modelo de clasificación de videos de AutoML en el recurso Vertex AI Dataset.
  • Importa el recurso de modelo de AutoML Vertex AI entrenado a la canalización.
  • Ejecuta un trabajo de predicción por lotes dentro de la canalización.
  • Evalúa el modelo de AutoML con el componente de evaluación de clasificación
  • Importa las métricas de clasificación al recurso de modelo de Vertex AI de AutoML.
Colab
GitHub
Vertex AI Workbench
Evaluación de modelos de Vertex AI
Entrenamiento de Vertex AI
Evalúa los resultados de BatchPrediction a partir de un modelo de clasificación tabular personalizado.
En este instructivo, entrenarás un modelo de RandomForest de scikit-learn, lo guardarás en Vertex AI Model Registry y aprenderás a evaluarlo mediante un trabajo de canalización de Vertex AI con google_cloud_pipeline_components. Obtén más información sobre Vertex AI Model Evaluation. Obtén más información sobre Vertex AI Training.

Pasos del instructivo

  • Recupera el conjunto de datos de la fuente pública.
  • Preprocesa los datos de forma local y guarda los datos de prueba en BigQuery.
  • Entrena un modelo de clasificación de RandomForest con el paquete de scikitlearn para Python.
  • Crea un contenedor personalizado en Artifact Registry para las predicciones.
  • Sube el modelo a Vertex AI Model Registry.
  • Crea y ejecuta una canalización de Vertex AI
Colab
GitHub
Vertex AI Workbench
Evaluación de modelos de Vertex AI
Entrenamiento personalizado
Evalúa los resultados de la predicción por lotes a partir del modelo de regresión tabular personalizado.
Obtén más información sobre cómo evaluar un recurso de un modelo de Vertex AI a través de un trabajo de canalización de Vertex AI con google_cloud_pipeline_components: Obtén más información sobre la evaluación de modelos de Vertex AI. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Crea un CustomTrainingJob de Vertex AI para entrenar un modelo.
  • Ejecuta el CustomTrainingJob
  • Recupera y carga los artefactos del modelo.
  • Visualiza la evaluación del modelo.
  • Sube el modelo como recurso Modelo de Vertex AI.
  • Importa un recurso de modelo de Vertex AI previamente entrenado en la canalización.
  • Ejecuta un trabajo de predicción por lotes en la canalización.
  • Evalúa el modelo mediante el componente de evaluación de regresión.
  • Importa las métricas de regresión al recurso de modelo de Vertex AI.
Colab
GitHub
Vertex AI Workbench
Evaluación de modelos en Vertex AI
Comienza a importar una evaluación de modelo personalizada a Vertex AI Model Registry.
Aprende a crear y subir una evaluación de modelo personalizada, y a subir la evaluación de modelo personalizada a una entrada de recurso del modelo en Vertex AI Model Registry. Obtén más información sobre la evaluación de modelos en Vertex AI.

Pasos del instructivo

  • Importa un modelo previamente entrenado (en buen estado) a Vertex AI Model Registry.
  • Crea una evaluación de modelo personalizada
  • Importa las métricas de evaluación del modelo al modelo correspondiente en Vertex AI Model Registry.
  • Enumera la evaluación del modelo correspondiente en Vertex AI Model Registry.
  • Construye una segunda evaluación de modelo personalizada.
  • Importa las segundas métricas de evaluación del modelo correspondiente en Vertex AI Model Registry.
  • Enumera la segunda evaluación del modelo correspondiente en Vertex AI Model Registry.
Colab
GitHub
Vertex AI Workbench
Vertex AI Model Monitoring para predicciones por lotes
Predicción por lotes de Vertex AI con Model Monitoring.
Aprende a usar el servicio de Vertex AI Model Monitoring para detectar desvíos y anomalías en la predicción por lotes. Obtén más información sobre Vertex AI Model Monitoring para las predicciones por lotes.

Pasos del instructivo

  • Sube un modelo previamente entrenado como un recurso del modelo de Vertex AI.
  • Genera solicitudes de predicción por lotes
  • Interpreta las estadísticas, las visualizaciones y otros datos que informa el atributo de supervisión de modelos
Colab
GitHub
Vertex AI Workbench
Vertex AI Model Monitoring
Vertex AI Model Monitoring para modelos tabulares de AutoML.
Aprende a usar el servicio de Vertex AI Model Monitoring para detectar sesgos y desvíos de atributos en las solicitudes de predicción de entrada para modelos tabulares de AutoML. Obtén más información sobre Vertex AI Model Monitoring.

Pasos del instructivo

  • Entrenar un modelo de AutoML.
  • Implementa el recurso Modelo en el recurso Extremo.
  • Configura el recurso Extremo para la supervisión de modelos.
  • Genera solicitudes de predicción sintéticas para sesgos.
  • Genera solicitudes de predicción sintéticas para el desvío.
  • Espera la notificación de alerta por correo electrónico.
Colab
GitHub
Vertex AI Workbench
Vertex AI Model Monitoring
Vertex AI Model Monitoring para la predicción por lotes en modelos de imagen de AutoML
Obtén información sobre cómo usar Vertex AI Model Monitoring con Vertex AI Batch Prediction con un modelo de clasificación de imágenes de AutoML para detectar una imagen fuera de distribución. Obtén más información sobre Vertex AI Model Monitoring.

Pasos del instructivo

  • 1. Entrenar un modelo de clasificación de imágenes de AutoML
  • 2. Envía una predicción por lotes que contenga imágenes de distribución dentro y fuera de las distribuciones.
  • 3. Usa Model Monitoring para calcular la puntuación de anomalía en cada imagen.
  • 4. Identifica las imágenes en la solicitud de predicción por lotes que están fuera de distribución.
Colab
GitHub
Vertex AI Workbench
Vertex AI Model Monitoring
Vertex AI Model Monitoring para la predicción en línea en modelos de imagen de AutoML
Obtén información sobre cómo usar Vertex AI Model Monitoring con Vertex AI Online Prediction con un modelo de clasificación de imágenes de AutoML para detectar una imagen fuera de distribución. Obtén más información sobre Vertex AI Model Monitoring.

Pasos del instructivo

  • 1. Entrenar un modelo de clasificación de imágenes de AutoML
  • 2. Crear un extremo.
  • 3. Implementa el modelo en el extremo y configúralo para la supervisión.
  • 4. Envía una predicción en línea que contenga imágenes en distribución y fuera de ella.
  • 5. Usa Model Monitoring para calcular la puntuación de anomalía en cada imagen.
  • 6. Identifica las imágenes en la solicitud de predicción en línea que están fuera de distribución.
Colab
GitHub
Vertex AI Workbench
Vertex AI Model Monitoring
Vertex AI Model Monitoring para modelos tabulares personalizados.
Aprende a usar el servicio de Vertex AI Model Monitoring para detectar sesgos y desvíos de atributos en las solicitudes de predicción de entrada para modelos tabulares personalizados. Obtén más información sobre Vertex AI Model Monitoring.

Pasos del instructivo

  • Descarga un modelo tabular personalizado previamente entrenado.
  • Sube el modelo previamente entrenado como un recurso Modelo.
  • Implementa el recurso Modelo en el recurso Extremo.
  • Configura el recurso Extremo para la supervisión de modelos.
  • Genera solicitudes de predicción sintéticas para sesgos.
  • Espera la notificación de alerta por correo electrónico.
  • Genera solicitudes de predicción sintéticas para el desvío.
  • Espera la notificación de alerta por correo electrónico.
Colab
GitHub
Vertex AI Workbench
Vertex AI Model Monitoring
Vertex AI Model Monitoring para modelos tabulares personalizados con el contenedor de TensorFlow Serving.
Aprende a usar el servicio de Vertex AI Model Monitoring para detectar sesgos y desvíos de atributos en las solicitudes de predicción de entrada, para modelos tabulares personalizados, mediante un contenedor de implementación personalizado. Obtén más información sobre Vertex AI Model Monitoring.

Pasos del instructivo

  • Descarga un modelo tabular personalizado previamente entrenado.
  • Sube el modelo previamente entrenado como un recurso Modelo.
  • Implementar el recurso Modelo en un recurso Extremo con el objeto binario de entrega de TensorFlow Serving.
  • Configura el recurso Extremo para la supervisión de modelos.
  • Genera solicitudes de predicción sintéticas para sesgos.
  • Espera la notificación de alerta por correo electrónico.
  • Genera solicitudes de predicción sintéticas para el desvío.
  • Espera la notificación de alerta por correo electrónico.
Colab
GitHub
Vertex AI Workbench
Vertex AI Model Monitoring
Vertex AI Model Monitoring para la configuración de modelos tabulares.
Aprende a configurar el servicio de Vertex AI Model Monitoring para detectar sesgos y desvíos de atributos en las solicitudes de predicción de entrada. Obtén más información sobre Vertex AI Model Monitoring.

Pasos del instructivo

  • Descarga un modelo tabular personalizado previamente entrenado.
  • Sube el modelo previamente entrenado como un recurso Modelo.
  • Implementa el recurso Modelo en el recurso Extremo.
  • Configura el recurso Extremo para la supervisión de modelos.
  • Detección de sesgo y desvío para las entradas de atributos.
  • Detección de sesgo y desvío para las atribuciones de atributos.
  • Generación automática del esquema de entrada mediante el envío de 1,000 solicitudes de predicción.
  • Enumera, pausa, reanuda y borra trabajos de supervisión.
  • Reinicia el trabajo de supervisión con un esquema de entrada predefinido.
  • Visualiza datos supervisados registrados.
Colab
GitHub
Vertex AI Workbench
Vertex AI Model Monitoring
Vertex AI Model Monitoring para modelos de XGBoost.
Aprende a usar el servicio de Vertex AI Model Monitoring para detectar sesgos y desvíos de atributos en las solicitudes de predicción de entrada para modelos XGBoost. Obtén más información sobre Vertex AI Model Monitoring.

Pasos del instructivo

  • Descarga un modelo XGBoost previamente entrenado.
  • Sube el modelo previamente entrenado como un recurso Modelo.
  • Implementa el recurso Modelo en el recurso Extremo.
  • Configura el recurso Extremo para la supervisión de modelos
Colab
GitHub
Vertex AI Workbench
Vertex AI Model Monitoring
Vertex AI Model Monitoring con atribuciones de atributos de Explainable AI.
Aprende a usar el servicio de Vertex AI Model Monitoring para detectar desvíos y anomalías en las solicitudes de predicción de un recurso de modelo de Vertex AI implementado. Obtén más información sobre Vertex AI Model Monitoring.

Pasos del instructivo

  • Sube un modelo previamente entrenado como un recurso del modelo de Vertex AI.
  • Crea un recurso Extremo de Vertex AI.
  • Implementa el recurso Modelo en el recurso Extremo.
  • Configura el recurso Extremo para la supervisión de modelos.
  • Inicializa la distribución del modelo de referencia para la supervisión de modelos.
  • Genera solicitudes de predicción sintéticas
  • Comprende cómo interpretar las estadísticas, las visualizaciones y otros datos que informa el atributo de supervisión de modelos
Colab
GitHub
Vertex AI Workbench
Registro de modelos de Vertex AI
Comienza a usar Vertex AI Model Registry.
Obtén información sobre cómo usar Vertex AI Model Registry para crear y registrar varias versiones de un modelo. Obtén más información sobre Vertex AI Model Registry.

Pasos del instructivo

  • Crea y registra una primer versión de un modelo en Vertex AI Model Registry
  • Crea y registra una segunda versión de un modelo en Vertex AI Model Registry
  • Actualiza la versión del modelo que es la predeterminada (en buen estado)
  • Borra una versión del modelo
  • Vuelve a entrenar la próxima versión del modelo
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Componentes de AutoML
Clasificación para datos tabulares
Canalizaciones tabulares de AutoML mediante google-cloud-pipeline-components.
Obtén información sobre cómo usar Vertex AI Pipelines y los componentes de canalización de Google Cloud para compilar un modelo de clasificación tabular de AutoML. Obtén más información sobre Vertex AI Pipelines. Obtén más información sobre los componentes de AutoML. Obtén más información sobre la Clasificación para datos tabulares.

Pasos del instructivo

  • Crea una canalización de KFP
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Evaluación de modelos en Vertex AI
Metodología de desafío frente a en buen estado para la implementación del modelo en producción.
Aprende a crear una canalización de Vertex AI, que entrena una versión nueva del desafío de un modelo, evalúa el modelo y compara la evaluación con el modelo existente en buen estado en producción, para determinar si el modelo de desafío se convierte en el modelo en buen estado para la sustitución del modelo. Obtén más información sobre Vertex AI Pipelines. Obtén más información sobre la evaluación de modelos en Vertex AI.

Pasos del instructivo

  • Importa un modelo previamente entrenado (en buen estado) a Vertex AI Model Registry.
  • Importa las métricas de evaluación de modelos sintéticos al modelo correspondiente (en buen estado).
  • Crea un recurso Extremo de Vertex AI
  • Implementa el modelo en buen estado en el recurso Extremo.
  • Crear una Vertex AI Pipeline
  • Obtén el modelo en buen estado.
  • Importa otra instancia (desafío) del modelo previamente entrenado.
  • Registra el modelo previamente entrenado (desafío) como una nueva versión del modelo en buen estado existente.
  • Crea una evaluación de modelo sintético.
  • Importa las métricas de evaluación del modelo sintético al modelo de desafío correspondiente.
  • Compara las evaluaciones y establece los modelos en buen estado o los desafíos como los predeterminados.
  • Implementa el nuevo modelo con interconexión.
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Estructuras de control de la canalización con el SDK de KFP.
Aprende a usar el SDK de KFP para compilar canalizaciones que usen bucles y condicionales, incluidos los ejemplos anidados. Obtén más información sobre Vertex AI Pipelines.

Pasos del instructivo

  • Crea una canalización de KFP
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Componentes de entrenamiento personalizado
Entrenamiento personalizado con componentes de canalización de Google Cloud compilados previamente
Obtén información sobre cómo usar Vertex AI Pipelines y los componentes de canalización de Google Cloud para compilar un modelo personalizado. Obtén más información sobre Vertex AI Pipelines. Obtén más información sobre los componentes de entrenamiento personalizados.

Pasos del instructivo

  • Crea una canalización de KFP
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Componentes de Vertex AI Batch Prediction
Entrenamiento y predicción por lotes con la fuente y el destino de BigQuery para un modelo de clasificación tabular personalizado.
En este instructivo, entrenarás un modelo de clasificación tabular de scikit-learn y crearás un trabajo de predicción por lotes para él a través de una canalización de Vertex AI mediante google_cloud_pipeline_components. Obtén más información sobre Vertex AI Pipelines. Obtén más información sobre los componentes de Vertex AI Batch Prediction.

Pasos del instructivo

  • Crea un conjunto de datos en BigQuery.
  • Reserva algunos datos aparte del conjunto de datos de origen para la predicción por lotes.
  • Crea un paquete de Python personalizado para la aplicación de entrenamiento.
  • Sube el paquete de Python a Cloud Storage.
  • Crea una canalización de Vertex AI que
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Ajuste de hiperparámetros de Vertex AI
Comienza a usar los componentes de canalización de ajuste de hiperparámetros de Vertex AI.
Obtén información sobre cómo usar los componentes de canalización de Google Cloud compilados previamente para el ajuste de hiperparámetros de Vertex AI. Obtén más información sobre Vertex AI Pipelines. Obtén más información sobre Vertex AI Hyperparameter Tuning.

Pasos del instructivo

  • Construye una canalización para
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Comienza a usar la administración de máquinas para Vertex AI Pipelines.
Aprende a convertir un componente de entrenamiento personalizado autónomo en un CustomJob de Vertex AI, en el que:

Pasos del instructivo

  • Crea un componente personalizado con un trabajo de entrenamiento autónomo.
  • Ejecuta una canalización mediante la configuración de nivel de componente para recursos de máquina
  • Convertir el componente de entrenamiento autónomo en un JobCustom de Vertex AI.
  • Ejecuta una canalización con la configuración customjoblevel para los recursos de la máquina
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Componentes de AutoML
Canalizaciones de clasificación de imágenes de AutoML mediante google-cloud-pipeline-components.
Obtén información sobre cómo usar Vertex AI Pipelines y los componentes de canalización de Google Cloud para compilar un modelo de clasificación de imágenes de AutoML. Obtén más información sobre Vertex AI Pipelines. Obtén más información sobre los componentes de AutoML.

Pasos del instructivo

  • Crea una canalización de KFP
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Componentes de AutoML
Regresión de datos tabulares
Canalizaciones de regresión tabular de AutoML mediante google-cloud-pipeline-components.
Obtén información sobre cómo usar Vertex AI Pipelines y los componentes de canalización de Google Cloud para compilar un modelo de regresión tabular de AutoML. Obtén más información sobre Vertex AI Pipelines. Obtén más información sobre los componentes de AutoML. Obtén más información sobre la Regresión de datos tabulares.

Pasos del instructivo

  • Crea una canalización de KFP
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Componentes de AutoML
Canalizaciones de clasificación de texto de AutoML con google-cloud-pipeline-components.
Obtén información sobre cómo usar Vertex AI Pipelines y los componentes de canalización de Google Cloud para compilar un modelo de clasificación de texto de AutoML. Obtén más información sobre Vertex AI Pipelines. Obtén más información sobre los componentes de AutoML.

Pasos del instructivo

  • Crea una canalización de KFP
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Componentes de BigQuery ML
Entrena un modelo de adquisición y predicción con Swivel, BigQuery ML y Vertex AI Pipelines.
Aprende a compilar una canalización simple de BigQuery ML mediante canalizaciones de Vertex AI para calcular las incorporaciones de texto de contenido de artículos y clasificarlos en la categoría *adquisiciones corporativas.* Obtén más información sobre Vertex AI Pipelines. Obtén más información sobre los componentes de BigQuery ML.

Pasos del instructivo

  • Crea un componente para el trabajo de Dataflow que transfiera datos a BigQuery
  • Crea un componente para los pasos de procesamiento previo a fin de que se ejecuten en los datos en BigQuery.
  • Crea un componente para entrenar un modelo de regresión logística con BigQuery ML
  • Compila y configura una canalización de Kubeflow DSL con todos los componentes creados.
  • Compila y ejecuta la canalización en Vertex AI Pipelines
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Componentes de entrenamiento personalizado
Entrena, sube e implementa modelos mediante los componentes de canalización de Google Cloud.
Obtén información sobre cómo usar Vertex AI Pipelines y los componentes de canalización de Google Cloud para compilar e implementar un modelo personalizado. Obtén más información sobre Vertex AI Pipelines. Obtén más información sobre los componentes de entrenamiento personalizados.

Pasos del instructivo

  • Crea una canalización de KFP
Colab
GitHub
Vertex AI Workbench
Componentes de Vertex AI Pipelines
Componentes de Vertex AI Model
Sube, predice y evalúa modelos con google-cloud-pipeline-components.
Obtén información sobre cómo evaluar un modelo personalizado con una canalización con componentes de google_cloud_pipeline_components y un componente de canalización personalizado que compilas. Obtén más información sobre Vertex AI Pipelines. Obtén más información sobre los componentes del modelo de Vertex AI.

Pasos del instructivo

  • Sube un modelo previamente entrenado como un recurso Modelo.
  • Ejecutar un BatchPredictionJob en el recurso “Modelo” con datos de verdad fundamental.
  • Generar artefacto de Métricas de evaluación sobre el recurso “Modelo”.
  • Compara las métricas de evaluación con un umbral.
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Canalizaciones de IA de Vertex con KFP 2.x.
Aprende a usar Vertex AI Pipelines y KFP 2.

Pasos del instructivo

  • Crea una canalización de KFP
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Componentes básicos de Python basados en funciones y E/S de componentes.
Aprende a usar el SDK de KFP para compilar componentes básicos de Python basados en funciones y, luego, aprende a usar Vertex AI Pipelines para ejecutar la canalización. Obtén más información sobre Vertex AI Pipelines.

Pasos del instructivo

  • Compila componentes de KFP basados en funciones de Python.
  • Construye una canalización de KFP.
  • Pasa artefactos y parámetros entre los componentes, tanto por referencia de ruta de acceso como por valor.
  • Usa el método kfp.dsl.importer.
  • Compila la canalización de KFP.
  • Ejecuta la canalización de KFP con Vertex AI Pipelines
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Visualización de métricas y comparación de ejecuciones con el SDK de KFP.
Aprende a usar el SDK de KFP para compilar canalizaciones que generen métricas de evaluación. Obtén más información sobre Vertex AI Pipelines.

Pasos del instructivo

  • Crea componentes de KFP
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Metodología de aspirantes múltiple frente a campeones para la implementación de modelos en producción.
Aprende a construir una canalización de Vertex AI, que evalúa los datos de producción nuevos de un modelo implementado en comparación con otras versiones del modelo para determinar si un modelo aspirante se convierte en el modelo de campeón para su reemplazo en producción.

Pasos del instructivo

  • Importa un modelo previamente entrenado (campeón) a Vertex AI Model Registry.
  • Importa métricas sintéticas de evaluación de entrenamiento de modelos al modelo correspondiente (campeón).
  • Crea un recurso Extremo de Vertex AI
  • Implementa el modelo de campeón en el recurso Extremo.
  • Importa versiones adicionales (aspirantes) del modelo implementado.
  • Importa las métricas de evaluación de entrenamiento de modelos sintéticos a los modelos correspondientes (aspirante).
  • Crear una canalización de Vertex AI
  • Obtén el modelo de campeón.
  • (Falso) Configura el modelo de campeón con datos de producción
  • Importa métricas sintéticas de evaluación de entrenamiento y producción para el modelo de campeón.
  • Obtén los modelos más competitivos.
  • (Falso) Ajuste el modelo de aspirante con datos de producción
  • Importa métricas sintéticas de evaluación de entrenamiento y producción para los modelos de aspirante.
  • Compara las evaluaciones de los competidores con el campeón y establece el nuevo campeón como predeterminado.
  • Implementa el nuevo modelo de campeón.
Colab
GitHub
Vertex AI Workbench
Vertex AI Pipelines
Introducción a las canalizaciones para KFP.
Aprende a usar el SDK de KFP para compilar canalizaciones que generen métricas de evaluación. Obtén más información sobre Vertex AI Pipelines.

Pasos del instructivo

  • Define y compila una canalización de Vertex AI.
  • Especifica qué cuenta de servicio usar para la ejecución de una canalización.
Colab
GitHub
Vertex AI Workbench
Componentes de AutoML
Componentes de BigQuery ML
BigQuery ML y AutoML: Experimenta con Vertex AI.
Aprende a usar Vertex AI Predictions para el prototipado rápido de un modelo. Obtén más información sobre los componentes de AutoML. Obtén más información sobre los componentes de BigQuery ML.

Pasos del instructivo

  • Crea un conjunto de datos de entrenamiento de BigQuery y Vertex AI.
  • Entrena un modelo de BigQuery ML y AutoML
  • Extraer métricas de evaluación de los modelos de BigQuery ML y AutoML
  • Selecciona el modelo mejor entrenado.
  • Implementa el modelo mejor entrenado.
  • Prueba la infraestructura del modelo implementado.
Colab
GitHub
Vertex AI Workbench
Vertex AI Batch Prediction
Predicción personalizada por lotes de modelos con filtrado de atributos.
Aprende a crear un modelo entrenado de forma personalizada a partir de una secuencia de comandos de Python en un contenedor de Docker con el SDK de Vertex AI para Python y, luego, ejecuta o incluye un lista de atributos para ejecutar un trabajo de predicción por lotes. Obtén más información sobre Vertex AI Batch Prediction.

Pasos del instructivo

  • Crea una TrainingPipeline personalizada de Vertex AI para entrenar un modelo.
  • Entrene un modelo de TensorFlow.
  • Envía un trabajo de predicción por lotes.
Colab
GitHub
Vertex AI Workbench
Predicción de Vertex AI
Comienza a usar el servidor NVIDIA Triton.
Aprende a implementar un contenedor que ejecute el servidor Nvidia Triton con un recurso de modelo de Vertex AI en un extremo de Vertex AI para realizar predicciones en línea. Obtén más información sobre Vertex AI Prediction.

Pasos del instructivo

  • Descarga los artefactos del modelo desde TensorFlow Hub.
  • Crea el archivo de configuración de entrega de Triton para el modelo.
  • Construye un contenedor personalizado, con la imagen de entrega de Triton, para la implementación del modelo.
  • Sube el modelo como recurso Modelo de Vertex AI.
  • Implementa el recurso Modelo de Vertex AI en un recurso Extremo de Vertex AI.
  • Realiza una solicitud de predicción
  • Anula la implementación del recurso Modelo y borra el Extremo
Colab
GitHub
Vertex AI Workbench
Raw Predict
Comienza a usar las funciones de entrega de TensorFlow con la predicción sin procesar de Vertex AI.
Aprende a usar la predicción sin procesar de Vertex AI en un recurso de extremo de Vertex AI. Obtén más información sobre Raw Predict.

Pasos del instructivo

  • Descarga artefactos de modelo de clasificación tabular previamente entrenados para un estimador de TensorFlow 1.x.
  • Sube el modelo del estimador de TensorFlow como un recurso de Vertex AI Model.
  • Crea un recurso Extremo.
  • Implementa el recurso Modelo en el recurso Extremo.
  • Realiza una predicción sin procesar en línea a la instancia de recurso del modelo implementada en el recurso de extremo.
Colab
GitHub
Vertex AI Workbench
Obtén predicciones a partir de un modelo entrenado personalizado
Comienza a usar TensorFlow Serving con Vertex AI Prediction.
Obtén información sobre cómo usar Vertex AI Prediction en un recurso de extremo de Vertex AI con objetos binarios de entrega de TensorFlow Serving. Obtén más información sobre cómo obtener predicciones a partir de un modelo entrenado personalizado.

Pasos del instructivo

  • Descargar un modelo de clasificación de imágenes previamente entrenado desde TensorFlow Hub.
  • Crea una función de entrega para recibir datos de imagen comprimidos y genera datos descomprimidos de forma previa para la entrada del modelo.
  • Subir el modelo y la función de entrega de TensorFlow Hub como recurso de Vertex AI Model.
  • Crea un recurso de extremos.
  • Implementar el recurso Modelo en un recurso Extremo con el objeto binario de entrega de TensorFlow Serving.
  • Realiza una predicción en línea a la instancia de recurso del modelo implementada en el recurso de extremo.
  • Realiza una predicción por lotes a la instancia de recurso del modelo
Colab
GitHub
Vertex AI Workbench
Extremos privados
Comienza a usar extremos privados de Vertex AI.
Obtén información sobre cómo usar los recursos de extremo privado de Vertex AI. Obtén más información sobre Extremos privados.

Pasos del instructivo

  • Crea un recurso de extremo privado.
  • Configurar una conexión de intercambio de tráfico de VPC.
  • Configura el objeto binario de entrega de un recurso de modelo para la implementación en un recurso de extremo privado.
  • Implementa un recurso de modelo en un recurso de extremo privado.
  • Envía una solicitud de predicción a un extremo privado.
Colab
GitHub
Vertex AI Workbench
Modelos de lenguaje de Vertex AI
LLM de Verlex AI y predicción de transmisiones.
Obtén información sobre cómo usar LLM de Vertex AI para descargar un modelo de LLM previamente entrenado, realizar predicciones y ajustar el modelo. Obtén más información sobre Modelos de lenguaje de Vertex AI.

Pasos del instructivo

  • Carga un modelo de generación de texto previamente entrenado.
  • Realiza una predicción sin transmisión
  • Carga un modelo de generación de texto previamente entrenado que admita la transmisión.
  • Realiza una predicción de transmisión
  • Cargar un modelo de chat previamente entrenado.
  • Realiza una sesión de chat interactiva local.
  • Realiza una predicción por lotes con un modelo de generación de texto.
  • Realiza una predicción por lotes con un modelo de incorporación de texto.
Colab
GitHub
Vertex AI Workbench
Contenedores previamente compilados para la predicción
Entrega modelos de imágenes de PyTorch con contenedores precompilados en Vertex AI.
Obtén información sobre cómo empaquetar y, luego, implementar un modelo de clasificación de imágenes de PyTorch con un contenedor de Vertex AI compilado previamente con TorchServe para entregar predicciones en línea y por lotes. Obtén más información sobre los contenedores compilados previamente para el entrenamiento.

Pasos del instructivo

  • Descarga un modelo de imagen previamente entrenado de PyTorch
  • Crea un controlador de modelos personalizado
  • Empaqueta artefactos de modelo en un archivo de modelo
  • Sube un modelo para la implementación
  • Implementa el modelo para la predicción
  • Haz predicciones en línea
  • Haz predicciones por lotes
Colab
GitHub
Vertex AI Workbench
Vertex AI Prediction
Entrena y, luego, implementa modelos de PyTorch con contenedores compilados con anterioridad en Vertex AI.
Aprende a compilar, entrenar y, luego, implementar un modelo de clasificación de imágenes de PyTorch mediante contenedores compilados previamente para el entrenamiento y la predicción personalizados.

Pasos del instructivo

  • Empaqueta la aplicación de entrenamiento en una distribución de fuente de Python
  • Configura y ejecuta el trabajo de entrenamiento en un contenedor compilado previamente
  • Empaqueta artefactos de modelo en un archivo de modelo
  • Sube un modelo para la implementación
  • Implementa el modelo con un contenedor precompilado para la predicción
  • Haz predicciones en línea
Colab
GitHub
Vertex AI Workbench
Vertex AI Training
Servidor de reducción de Vertex AI
Entrenamiento distribuido de PyTorch con Vertex AI Reduction Server.
Obtén información sobre cómo crear un trabajo de entrenamiento distribuido de PyTorch que use el framework y las herramientas de entrenamiento distribuido de PyTorch y, luego, ejecutar el trabajo de entrenamiento en el servicio de entrenamiento de Vertex AI con Reduction Server. Obtén más información sobre Vertex AI Training. Obtén más información sobre Vertex AI Reduction Server.

Pasos del instructivo

  • Crea una aplicación de entrenamiento distribuido de PyTorch
  • Empaqueta la aplicación de entrenamiento con contenedores compilados previamente
  • Crea un trabajo personalizado en Vertex AI con el servidor de reducción
  • Envía y supervisa el trabajo
Colab
GitHub
Vertex AI Workbench
Clasificación para datos de video
Ejemplo de AutoML Video Classification.
El objetivo de este notebook es compilar un modelo de AutoML Video Classification. Obtén más información sobre la Clasificación de datos de video.

Pasos del instructivo

  • Establece el nombre de la tarea y el prefijo de Cloud Storage
  • Copia los datos de entrenamiento de demostración de video de AutoML para crear un conjunto de datos administrado
  • Crea un conjunto de datos en Vertex AI.
  • Configura un trabajo de entrenamiento
  • Inicia un trabajo de entrenamiento y crea un modelo en Vertex AI
  • Copia datos de predicción de demostración de AutoML Video para crear un trabajo de predicción por lotes
  • Realiza un trabajo de predicción por lotes en el modelo
Colab
GitHub
Vertex AI Workbench
Entrenamiento personalizado
Entrenamiento personalizado con un paquete de Python, un conjunto de datos de texto administrado y un contenedor de TF Serving.
Aprende a crear un modelo personalizado mediante el entrenamiento de paquetes de Python personalizado y a entregar el modelo mediante el contenedor de TensorFlow Serving para la predicción en línea. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Crea funciones de utilidad a fin de descargar datos y preparar archivos CSV para crear un conjunto de datos administrado de Vertex AI
  • Descargar datos
  • Prepara archivos CSV para crear conjuntos de datos administrados
  • Crea un paquete de entrenamiento personalizado de Python
  • Crea contenedores de TensorFlow Serving
  • Ejecuta un entrenamiento de paquetes de Python personalizado con un conjunto de datos de texto administrado
  • Implementa un modelo y crea un extremo en Vertex AI
  • Predice en el extremo
  • Crea un trabajo de predicción por lotes en el modelo
Colab
GitHub
Vertex AI Workbench
Flujo de trabajo tabular para TabNet
Vertex AI Explanations con modelos de TabNet.
Aprende a proporcionar una herramienta de trazado de muestra para visualizar el resultado de TabNet, que es útil en la explicación del algoritmo. Obtén más información sobre el flujo de trabajo tabular para TabNet.

Pasos del instructivo

  • Configura el proyecto.
  • Descarga los datos de predicción de los datos de entrenamiento previo del modelo Syn2.
  • Visualiza y comprende la importancia de los atributos según el resultado de las máscaras.
  • Limpia el recurso que se creó en este instructivo.
Colab
GitHub
Vertex AI Workbench
Flujo de trabajo tabular para TabNet
Comienza a usar el algoritmo integrado TabNet para entrenar modelos tabulares.
Aprende a ejecutar el algoritmo compilado Vertex AI TabNet para entrenar modelos tabulares personalizados. Obtén más información sobre el flujo de trabajo tabular para TabNet.

Pasos del instructivo

  • Obtén los datos de entrenamiento.
  • Configura los parámetros de entrenamiento para el contenedor de Vertex AI TabNet.
  • Entrena el modelo mediante Vertex AI Training con datos de CSV.
  • Sube el modelo como recurso Modelo de Vertex AI.
  • Implementa el recurso Modelo de Vertex AI en un recurso Extremo de Vertex AI.
  • Realiza una predicción con el modelo implementado.
  • Ajuste de hiperparámetros del modelo de TabNet de Vertex AI.
Colab
GitHub
Vertex AI Workbench
Flujo de trabajo tabular para TabNet
Vertex AI TabNet.
Aprende a ejecutar un modelo TabNet en Vertex AI. Obtén más información sobre el flujo de trabajo tabular para TabNet.

Pasos del instructivo

  • 1. Crear
Colab
GitHub
Vertex AI Workbench
Componentes de canalización de Google Cloud
Prophet para datos tabulares
Entrena un modelo de Prophet con flujos de trabajo tabulares de Vertex AI.
Obtén información sobre cómo crear varios modelos de Prophet mediante una canalización de Vertex AI de entrenamiento a partir de los componentes de canalización de Google Cloud y, luego, realiza una predicción por lotes con la canalización de predicción correspondiente. Obtén más información sobre los componentes de canalización de Google Cloud. Obtén más información sobre Prophet para datos tabulares.

Pasos del instructivo

  • 1. Entrena los modelos de Prophet.
  • 1. Consulta las métricas de evaluación.
  • 1. Realiza una predicción por lotes con los modelos de Prophet
Colab
GitHub
Vertex AI Workbench
Flujo de trabajo tabular para TabNet
Canalización de TabNet.
Aprende a crear modelos de clasificación en datos tabulares con dos de los flujos de trabajo tabulares de TabNet de Vertex AI. Obtén más información sobre el flujo de trabajo tabular para TabNet.

Pasos del instructivo

  • Crea un CustomJob de TabNet. Esta es la mejor opción si sabes qué hiperparámetros usar para el entrenamiento.
  • Crea un HyperparameterTuningJob de TabNet. Esto te permite obtener el mejor conjunto de hiperparámetros para tu conjunto de datos.
Colab
GitHub
Vertex AI Workbench
Flujo de trabajo tabular para el modelo amplio y profundo
Canalización de amplitud y profundidad.
Aprende a crear dos modelos de clasificación con flujos de trabajo tabulares y amplios de Vertex AI. Obtén más información sobre el flujo de trabajo tabular para el algoritmo de amplitud y profundidad.

Pasos del instructivo

  • Crea un CustomJob del algoritmo de amplitud y profundidad. Esta es la mejor opción si sabes qué hiperparámetros usar para el entrenamiento.
  • Crea un HyperparameterTuningJob del algoritmo de amplitud y profundidad. Esto te permite obtener el mejor conjunto de hiperparámetros para tu conjunto de datos.
Colab
GitHub
Vertex AI Workbench
Vertex AI TensorBoard
Entrenamiento personalizado
Entrenamiento personalizado de Vertex AI TensorBoard con contenedor personalizado.
Aprende a crear un trabajo de entrenamiento personalizado con contenedores personalizados y supervisa tu proceso de entrenamiento en Vertex AI TensorBoard casi en tiempo real. Obtén más información sobre Vertex AI TensorBoard. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Crea un repositorio y una configuración de Docker.
  • Crea una imagen de contenedor personalizada con el código de entrenamiento personalizado.
  • Configura una cuenta de servicio y buckets de Google Cloud Storage.
  • Crea e inicia el trabajo de entrenamiento personalizado con tu contenedor personalizado.
Colab
GitHub
Vertex AI Workbench
Vertex AI TensorBoard
Entrenamiento personalizado
Entrenamiento personalizado de Vertex AI TensorBoard con contenedor compilado previamente.
Aprende a crear un trabajo de entrenamiento personalizado con contenedores compilados previamente y supervisa tu proceso de entrenamiento en Vertex AI TensorBoard casi en tiempo real. Obtén más información sobre Vertex AI TensorBoard. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Configura una cuenta de servicio y buckets de Google Cloud Storage.
  • Escribe el código de entrenamiento personalizado.
  • Empaqueta y sube tu código de entrenamiento a Google Cloud Storage
  • Crea e inicia tu trabajo de entrenamiento personalizado con Vertex AI TensorBoard habilitado para supervisión casi en tiempo real.
Colab
GitHub
Vertex AI Workbench
Vertex AI TensorBoard
Ajuste de hiperparámetros de Vertex AI con TensorBoard con el panel de HParams.
En este instructivo, se muestra cómo registrar los resultados del experimento de hiperparámetros en TensorFlow y visualizar los resultados en el panel de Hparams de Vertex AI TensorBoard. Obtén más información sobre Vertex AI TensorBoard.

Pasos del instructivo

  • Adapta las ejecuciones de TensorFlow para registrar hiperparámetros y métricas.
  • Inicia ejecuciones y regístralas en un directorio superior.
  • Visualiza los resultados en el panel de HParams de Vertex AI TensorBoard.
Colab
GitHub
Vertex AI Workbench
Vertex AI TensorBoard Profiler
Genera perfiles de rendimiento de entrenamiento de modelos con Vertex AI TensorBoard Profiler.
Obtén más información sobre cómo habilitar el generador de perfiles de TensorBoard de Vertex AI para trabajos de entrenamiento personalizados. Obtén más información sobre Generador de perfiles de TensorBoard de Vertex AI.

Pasos del instructivo

  • Configura una cuenta de servicio y un bucket de Cloud Storage
  • Crea una instancia de Vertex AI TensorBoard
  • Crea y ejecuta un trabajo de entrenamiento personalizado que habilite Vertex AI TensorBoard Profiler
  • Visualiza el panel del Generador de perfiles de TensorBoard de Vertex AI para depurar el rendimiento del entrenamiento de modelos
Colab
GitHub
Vertex AI Workbench
Vertex AI TensorBoard Profiler
Genera perfiles del rendimiento del entrenamiento de modelos con Vertex AI TensorBoard Profiler en entrenamiento personalizado con contenedor compilado previamente.
Aprende a habilitar Vertex AI TensorBoard Profiler en Vertex AI para trabajos de entrenamiento personalizados con un contenedor compilado previamente. Obtén más información sobre Generador de perfiles de TensorBoard de Vertex AI.

Pasos del instructivo

  • Prepara tu código de entrenamiento personalizado y cárgalo como un paquete de Python en un contenedor compilado previamente
  • Crea y ejecuta un trabajo de entrenamiento personalizado que habilite Vertex AI TensorBoard Profiler
  • Visualiza el panel del Generador de perfiles de TensorBoard de Vertex AI para depurar el rendimiento del entrenamiento de modelos
Colab
GitHub
Vertex AI Workbench
Vertex AI TensorBoard
Vertex AI Pipelines
Integración de Vertex AI TensorBoard en Vertex AI Pipelines.
Aprende a crear una canalización de entrenamiento con el SDK de KFP, ejecutarla en Vertex AI Pipelines y supervisar el proceso de entrenamiento en Vertex AI TensorBoard casi en tiempo real. Obtén más información sobre Vertex AI TensorBoard. Obtén más información sobre Vertex AI Pipelines.

Pasos del instructivo

  • Configura una cuenta de servicio y buckets de Google Cloud Storage.
  • Construye una canalización de KFP con tu código de entrenamiento personalizado.
  • Compilar y ejecutar la canalización de KFP en Vertex AI Pipelines con Vertex AI TensorBoard habilitado para la supervisión casi en tiempo real.
Colab
GitHub
Vertex AI Workbench
Vertex AI: Ajuste de hiperparámetros
Ajuste de hiperparámetros con Vertex AI distribuido.
En este notebook, puedes crear un modelo entrenado personalizado a partir de una secuencia de comandos de Python en un contenedor de Docker. Obtén más información sobre Vertex AI Hyperparameter Tuning.

Pasos del instructivo

  • Realiza entrenamientos con un paquete de Python.
  • Informa la exactitud con el ajuste de hiperparámetros
  • Guarda los artefactos del modelo en Cloud Storage mediante Cloud StorageFuse.
Colab
GitHub
Vertex AI Workbench
Entrenamiento personalizado
Comienza a usar Vertex AI Training para LightGBM.
Obtén más información sobre cómo usar Vertex AI Training para entrenar un modelo personalizado de LightGBM. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Realiza entrenamientos con un paquete de Python.
  • Guarda los artefactos del modelo en Cloud Storage mediante Cloud StorageFuse.
  • Construye un servidor de predicción de FastAPI.
  • Construye una imagen de implementación de Dockerfile.
  • Prueba la imagen de implementación de forma local.
  • Crea un recurso de Modelo de Vertex AI.
Colab
GitHub
Vertex AI Workbench
Entrenamiento distribuido de Vertex AI
Comienza a usar el entrenamiento distribuido de Vertex AI.
Aprende a usar el entrenamiento distribuido de Vertex AI cuando entrenas con Vertex AI. Obtén más información sobre Vertex AI Distributed Training.

Pasos del instructivo

  • MirroredStrategy
Colab
GitHub
Vertex AI Workbench
Vertex AI: Ajuste de hiperparámetros
Ejecuta el ajuste de hiperparámetros para un modelo de TensorFlow.
Obtén información sobre cómo ejecutar un trabajo de Vertex AI Hyperparameter Tuning para un modelo de TensorFlow. Obtén más información sobre Vertex AI Hyperparameter Tuning.

Pasos del instructivo

  • Modifica el código de entrenamiento de la aplicación para el ajuste de hiperparámetros.
  • Aloja en un contenedor el código de entrenamiento de la aplicación.
  • Configura e iniciar un trabajo de ajuste de hiperparámetros con el SDK de Vertex AI para Python
Colab
GitHub
Vertex AI Workbench
Vertex AI: Ajuste de hiperparámetros
Ajuste de hiperparámetros de Vertex AI para XGBoost.
Obtén información sobre cómo usar el ajuste de hiperparámetros de Vertex AI para entrenar un modelo personalizado de XGBoost. Obtén más información sobre Vertex AI Hyperparameter Tuning.

Pasos del instructivo

  • Realiza entrenamientos con un paquete de Python.
  • Informa la exactitud con el ajuste de hiperparámetros
  • Guarda los artefactos del modelo en Cloud Storage mediante Cloud StorageFuse.
  • Crea un recurso de Modelo de Vertex AI.
Colab
GitHub
Vertex AI Workbench
Vertex AI Training
Entrenamiento paralelo de datos distribuidos de varios nodos de clasificación de imágenes de PyTorch en la CPU con entrenamiento de Vertex mediante un contenedor personalizado.
Obtén información sobre cómo crear un trabajo de entrenamiento distribuido de PyTorch con el SDK de Vertex AI para Python y los contenedores personalizados. Obtén más información sobre Vertex AI Training.

Pasos del instructivo

  • Configura el proyecto de Google Cloud
Colab
GitHub
Vertex AI Workbench
Vertex AI Training
Entrenamiento paralelo de datos distribuidos de NCCL de varios nodos de clasificación de imágenes de PyTorch en la CPU con entrenamiento de Vertex mediante un contenedor personalizado.
Obtén información sobre cómo crear un trabajo de entrenamiento distribuido de PyTorch con el SDK de Vertex AI para Python y los contenedores personalizados. Obtén más información sobre Vertex AI Training.

Pasos del instructivo

  • Compila un contenedor personalizado con Artifact Registry y Docker
  • Crea una instancia de TensorBoard de Vertex AI para almacenar tu experimento de Vertex AI
  • Ejecuta un CustomContainerTrainingJob del SDK de Vertex AI
Colab
GitHub
Vertex AI Workbench
Entrenamiento personalizado
Entrena, ajusta e implementa un modelo de clasificación de opiniones de texto de PyTorch en Vertex AI.
Aprende a compilar, entrenar, ajustar e implementar un modelo de PyTorch en Vertex AI. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Crea un paquete de entrenamiento para el modelo de clasificación de texto.
  • Entrena el modelo con entrenamiento personalizado en Vertex AI.
  • Verifica los artefactos del modelo creados.
  • Crear un contenedor personalizado para las predicciones.
  • Implementar el modelo entrenado en un extremo de Vertex AI con el contenedor personalizado para las predicciones.
  • Envía solicitudes de predicción en línea al modelo implementado y valida.
  • Limpia los recursos creados en este notebook.
Colab
GitHub
Vertex AI Workbench
Integración de PyTorch en Vertex AI
Entrena un modelo PyTorch en Vertex AI con datos de Cloud Storage.
Obtén más información sobre cómo crear un trabajo de entrenamiento con PyTorch y un conjunto de datos almacenado en Cloud Storage. Obtén más información sobre la integración de PyTorch en Vertex AI.

Pasos del instructivo

  • Escribe una secuencia de comandos de entrenamiento personalizada que cree tus conjuntos de datos de entrenamiento y prueba, y entrene el modelo.
  • Ejecuta un CustomTrainingJob del SDK de Vertex AI
Colab
GitHub
Vertex AI Workbench
Entrenamiento distribuido
Usa Torchrun de PyTorch para simplificar el entrenamiento de varios nodos con contenedores personalizados.
En este instructivo, aprenderás a entrenar un modelo de Imagenet con Torchrun de PyTorch en varios nodos. Obtén más información sobre el entrenamiento distribuido.

Pasos del instructivo

  • Crea una secuencia de comandos de shell para iniciar un clúster de ETCD en el nodo principal
  • Crea una secuencia de comandos de entrenamiento con el código del repositorio de GitHub de PyTorch Elastic
  • Crea contenedores que descarguen los datos y, luego, inicia un clúster de ETCD en el host
  • Entrena el modelo a través de varios nodos con GPU
Colab
GitHub
Vertex AI Workbench
Entrenamiento personalizado
Entrenamiento de XGBoost distribuido con Dask.
Aprende a crear un trabajo de entrenamiento distribuido con XGBoost con Dask. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Configura las variables “PROJECT_ID” y “REGION” para tu proyecto de Google Cloud.
  • Crear un bucket de Cloud Storage para almacenar los artefactos de tu modelo.
  • Compila un contenedor personalizado de Docker que aloje tu código de entrenamiento y envía la imagen de contenedor a Artifact Registry.
  • Ejecuta un CustomContainerTrainingJob del SDK de Vertex AI
Colab
GitHub
Vertex AI Workbench
Vertex AI Vizier
Optimiza varios objetivos con Vertex AI Vizier.
Obtén información sobre cómo usar Vertex AI Vizier para optimizar un estudio de varios objetivos. Obtén más información sobre Vertex AI Vizier.

Pasos del instructivo

Colab
GitHub
Vertex AI Workbench
Vertex AI Vizier
Comienza a usar Vertex AI Vizier.
Obtén información sobre cómo usar Vertex AI Vizier para el entrenamiento con Vertex AI. Obtén más información sobre Vertex AI Vizier.

Pasos del instructivo

  • Ajuste de hiperparámetros con el algoritmo aleatorio
  • Ajuste de hiperparámetros con el algoritmo de Vizier (bayesiano).
  • Sugerencia de pruebas y actualización de resultados para el estudio de Vizier
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
Vertex AI Training
Entrena un modelo de clasificación de clases múltiples para la segmentación de anuncios.
Aprende a recopilar datos de BigQuery, procesarlos previamente y a entrenar un modelo de clasificación de clases múltiples en un conjunto de datos de comercio electrónico. Obtén más información sobre Vertex AI Workbench. Obtén más información sobre Vertex AI Training.

Pasos del instructivo

  • Recupera los datos necesarios de BigQuery
  • Preprocesa los datos
  • Entrena un modelo de clasificación de TensorFlow (>=2.4)
  • Evalúa la pérdida para el modelo entrenado
  • Automatiza la ejecución del notebook mediante la función del ejecutor
  • Guarda el modelo en una ruta de Cloud Storage
  • Limpia los recursos creados
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
Vertex Explainable AI
Predicción de tarifas de taxis con el conjunto de datos de viajes en taxi de Chicago.
El objetivo de este notebook es proporcionar una descripción general de las funciones más recientes de Vertex AI, como **Explainable AI** y **BigQuery en Notebooks**, si intentas resolver un problema de predicción de la tarifa de taxi. Obtén más información sobre Vertex AI Workbench. Obtén más información sobre Vertex Explainable AI.

Pasos del instructivo

  • Carga el conjunto de datos con BigQuery en Notebooks”.
  • Realiza un análisis de datos exploratorios en el conjunto de datos
  • Selección de atributos y procesamiento previo.
  • Compila un modelo de regresión lineal mediante scikitlearn.
  • Configura el modelo para Vertex Explainable AI.
  • Implementa el modelo en Vertex AI.
  • Prueba el modelo implementado
  • Realizar una limpieza
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
BigQuery ML
Previsión de la demanda minorista con Vertex AI y BigQuery ML
Obtén información sobre cómo compilar un modelo ARIMA (automático integrado automático) de BigQuery ML en datos de venta minorista. Obtén más información sobre Vertex AI Workbench. Más información sobre BigQuery ML

Pasos del instructivo

  • Explorar los datos
  • Modelo con BigQuery y el modelo ARIMA
  • Evaluar el modelo
  • Evalúa los resultados del modelo con BigQuery ML (en datos de entrenamiento)
  • Evalúa los resultados del modelo MAE, MAPE, MSE y RMSE (en datos de prueba)
  • Usa la función del ejecutor
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
BigQuery ML
Análisis exploratorio interactivo de datos de BigQuery en un notebook.
Aprende sobre varias formas de explorar y obtener estadísticas de los datos de BigQuery en un entorno de notebook de Jupyter. Obtén más información sobre Vertex AI Workbench. Más información sobre BigQuery ML

Pasos del instructivo

  • Usa Python y SQL para consultar datos públicos en BigQuery
  • Explora el conjunto de datos con BigQuery INFORMATION_SCHEMA
  • Crea elementos interactivos para ayudarte a explorar partes interesantes de los datos
  • Haz una correlación exploratoria y un análisis de series temporales
  • Crea resultados estáticos e interactivos (tablas de datos y trazados) en el notebook
  • Guarda algunos resultados en Cloud Storage
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
Entrenamiento personalizado
Compila un modelo de detección de fraudes en Vertex AI.
En este instructivo, se muestra el análisis de datos y la compilación de modelos mediante un conjunto de datos financieros sintéticos. Obtén más información sobre Vertex AI Workbench. Más información sobre el entrenamiento personalizado

Pasos del instructivo

  • Instalación de bibliotecas obligatorias
  • Lee el conjunto de datos de un bucket de Cloud Storage
  • Realiza análisis exploratorios en el conjunto de datos
  • Procesa de forma previa el conjunto de datos
  • Entrena un modelo de bosque aleatorio mediante scikitlearn
  • Guarda el modelo en un bucket de Cloud Storage
  • Crea un recurso de modelo de Vertex AI y, luego, impleméntalo en un extremo
  • Cómo ejecutar la Herramienta WhatIf en datos de prueba
  • Anula la implementación del modelo y limpia los recursos del modelo
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
BigQuery ML
Predicción de deserción para desarrolladores de videojuegos mediante Google Analytics 4 y BigQuery ML
Aprende a entrenar, evaluar un modelo de propensión en BigQuery ML. Obtén más información sobre Vertex AI Workbench. Más información sobre BigQuery ML

Pasos del instructivo

  • Explora una exportación de datos de Google Analytics 4 en BigQuery.
  • Prepara los datos de entrenamiento con datos de comportamiento demográficos y etiquetas (deserción o no deserción).
  • Entrena un modelo de XGBoost con BigQuery ML.
  • Evalúa un modelo con BigQuery ML
  • Predicción sobre los usuarios que desaparecerán con BigQuery ML.
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
Predicción de inventario en datos de comercio electrónico mediante Vertex AI.
En este instructivo, se muestra cómo realizar análisis exploratorios de datos, procesar previamente datos, entrenar modelo, evaluar modelo, implementar modelo y configurar la Herramienta What-If.

Pasos del instructivo

  • Carga el conjunto de datos desde BigQuery con la integración BigQuery in Notebooks.
  • Analiza el conjunto de datos.
  • Procesa de manera previa los atributos en el conjunto de datos.
  • Compila un modelo clasificador de bosque aleatorio que prediga si se venderá un producto en los próximos 60 días.
  • Evalúa el modelo.
  • Implementa el modelo con Vertex AI.
  • Configura y prueba con la Herramienta WhatIf
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
Vertex AI Training
Mantenimiento predictivo con Vertex AI.
Aprende a ejecutar la función del ejecutor de Vertex AI Workbench para automatizar un flujo de trabajo a fin de entrenar e implementar un modelo. Obtén más información sobre Vertex AI Workbench. Obtén más información sobre Vertex AI Training.

Pasos del instructivo

  • Carga el conjunto de datos requerido desde un bucket de Cloud Storage.
  • Analiza los campos presentes en el conjunto de datos
  • Selecciona los datos necesarios para el modelo de mantenimiento predictivo.
  • Entrena un modelo de regresión de XGBoost para predecir la vida útil restante.
  • Evaluúa el modelo
  • Ejecuta el notebook al extremo como un trabajo de entrenamiento mediante el ejecutor.
  • Implementa el modelo en Vertex AI.
  • Realizar una limpieza
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
BigQuery ML
Análisis de optimización de precios en datos de precios de CDM.
El objetivo de este notebook es compilar un modelo de optimización de precios con BigQuery ML. Obtén más información sobre Vertex AI Workbench. Más información sobre BigQuery ML

Pasos del instructivo

  • Carga el conjunto de datos requerido desde un bucket de Cloud Storage.
  • Analiza los campos presentes en el conjunto de datos.
  • Procesa los datos para compilar un modelo
  • Compila un modelo de previsión de BigQuery ML sobre los datos procesados
  • Obtén valores previstos del modelo de BigQuery ML.
  • Interpreta las previsiones para identificar los mejores precios.
  • Realizar una limpieza
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
Análisis de opiniones para los datos de texto
Análisis de opiniones con AutoML Natural Language y Vertex AI.
Aprende a entrenar e implementar un modelo de análisis de opiniones de AutoML y hacer predicciones. Obtén más información sobre Vertex AI Workbench. Obtén más información sobre el Análisis de opiniones para datos de texto.

Pasos del instructivo

  • Carga los datos requeridos.
  • Realiza un procesamiento previo de los datos.
  • Selecciona los datos requeridos para el modelo.
  • Carga el conjunto de datos en conjuntos de datos administrados de Vertex AI.
  • Entrena un modelo de opinión mediante el entrenamiento de AutoML Text.
  • Evaluúa el modelo
  • Implementa el modelo en Vertex AI.
  • Obtén predicciones.
  • Realizar una limpieza
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
Dataproc Serverless para Spark
Resume y analiza datos de BigQuery con Dataproc.
En este instructivo de notebook, se ejecuta un trabajo de Apache Spark que recupera datos del conjunto de datos “Actividad de GitHub” de BigQuery, consulta los datos y, luego, vuelve a escribir los resultados en BigQuery. Obtén más información sobre Vertex AI Workbench. Obtén más información sobre Dataproc Serverless para Spark.

Pasos del instructivo

  • Configura un proyecto de Google Cloud y un clúster de Dataproc.
  • Configura el sparkbigqueryconnector.
  • Transfiere datos de BigQuery a un DataFrame de Spark.
  • Procesamiento previo de los datos transferidos.
  • Consulta el lenguaje de programación que se usa con mayor frecuencia en repositorios de monoglot.
  • Consulta el tamaño promedio (MB) del código en cada idioma almacenado en repositorios de monoglot.
  • Consulta los archivos de lenguajes que se encuentran con mayor frecuencia en repositorios políglotas.
  • Vuelve a escribir los resultados de la consulta en BigQuery.
  • Borra los recursos creados para este instructivo de notebook.
Colab
GitHub
Vertex AI Workbench
Vertex AI Workbench
Dataproc
SparkML con Dataproc y BigQuery.
En este instructivo, se ejecuta un trabajo de Apache Spark ML que recupera datos del conjunto de datos de BigQuery, realiza análisis exploratorios de datos, limpia los datos, ejecuta ingeniería de atributos, entrena el modelo, lo evalúa, genera resultados y lo guarda en un bucket de Cloud Storage. Obtén más información sobre Vertex AI Workbench. Obtén más información sobre Dataproc.

Pasos del instructivo

  • Configura un proyecto de Google Cloud y un clúster de Dataproc.
  • Crea un bucket de Cloud Storage y un conjunto de datos de BigQuery.
  • Configura el sparkbigqueryconnector.
  • Transfiere datos de BigQuery a un DataFrame de Spark.
  • Realiza análisis exploratorios de datos (EDA)
  • Visualiza los datos con muestras.
  • Limpia los datos.
  • Selecciona las características.
  • Entrena el modelo.
  • Genera resultados.
  • Guarda el modelo en un bucket de Cloud Storage.
  • Borra los recursos creados para el instructivo.
Colab
GitHub
Vertex AI Workbench