Pipelineausführung zu Test hinzufügen

Google Cloud Console

1. Rufen Sie in der Google Cloud Console im Abschnitt "Vertex AI" die Seite Pipelines auf.
   Zu Pipelines
2. Wählen Sie in der Drop-down-Liste Region die Region aus, in der Sie eine Pipeline erstellen möchten.
3. Klicken Sie auf add_boxAusführung erstellen, um den Bereich Pipeline-Ausführung erstellen zu öffnen.
4. Geben Sie die folgenden Ausführungsdetails an.
   • Klicken Sie im Feld Datei auf Auswählen, um die Dateiauswahl zu öffnen. Wechseln Sie zur JSON-Datei der kompilierten Pipeline, die Sie ausführen möchten, wählen Sie die Pipeline aus und klicken Sie auf Öffnen.
   • Als Pipelinename wird standardmäßig der Name verwendet, den Sie in der Pipelinedefinition angegeben haben. Geben Sie optional einen anderen Pipelinenamen an.
   • Geben Sie einen Ausführungsnamen an, um diese Pipelineausführung eindeutig zu identifizieren.
5. Wenn Sie angeben möchten, dass diese Pipelineausführung ein benutzerdefiniertes Dienstkonto, einen vom Kunden verwalteten Verschlüsselungsschlüssel oder ein Peering-VPC-Netzwerk verwendet, klicken Sie auf Erweiterte Optionen.
   Gehen Sie nach der folgenden Anleitung vor, um erweiterte Optionen wie ein benutzerdefiniertes Dienstkonto zu konfigurieren.
   • Wählen Sie zum Angeben eines Dienstkontos ein Dienstkonto aus der Drop-down-Liste Dienstkonto aus.
     Wenn Sie kein Dienstkonto angeben, führt Vertex AI-Pipelines Ihre Pipeline mit dem Compute Engine-Standarddienstkonto aus.
     Weitere Informationen zum Konfigurieren eines Dienstkontos für die Verwendung mit Vertex AI-Pipelines.
   • Wählen Sie Vom Kunden verwalteten Verschlüsselungsschlüssel verwenden aus, um einen vom Kunden verwalteten Verschlüsselungsschlüssel (Customer-Managed Encryption Key, CMEK) zu verwenden. Die Drop-down-Liste Vom Kunden verwalteten Schlüssel auswählen wird angezeigt. Wählen Sie in der Drop-down-Liste Vom Kunden verwalteten Schlüssel auswählen den Schlüssel aus, den Sie verwenden möchten.
   • Damit Sie ein Peering-VPC-Netzwerk in dieser Pipeline verwenden können, geben Sie den Namen des VPC-Netzwerks in das Feld Peering-VPC-Netzwerk ein.
6. Klicken Sie auf Weiter.
   Der Speicherort Cloud Storage und der Bereich Pipeline-Parameter werden angezeigt.
• Erforderlich: Geben Sie das Cloud Storage-Ausgabeverzeichnis an, z. B. gs://location_of_directory.
• Optional: Geben Sie die Parameter an, die Sie für diese Pipelineausführung verwenden möchten.
7. Klicken Sie auf Senden, um die Pipelineausführung zu erstellen.
8. Nachdem die Pipeline gesendet wurde, wird sie in der Tabelle der Pipeline-Google Cloud Console angezeigt.
9. Klicken Sie in der Zeile, die mit der Pipeline verknüpft ist, auf more_vert Mehr ansehen > Zum Test hinzufügen.
• Wählen Sie einen Test aus oder erstellen Sie einen neuen Test.
• Optional: Wenn Testausführungen mit dem Test verknüpft sind, werden sie im Drop-down-Menü angezeigt. Wählen Sie eine vorhandene Testausführung aus.
10. Klicken Sie auf Speichern.

Pipelineausführung mit Testausführungen in der Google Cloud Console vergleichen

1. Rufen Sie in der Google Cloud Console die Seite Tests auf.
   <a{: class="button button-primary" l10n-attrs-original-order="href,target,class,track-name,track-type" l10n-encrypted-href="V3Ae1hvcBOij4KvUNiRrMltigmNHgUGOXn/QVSGplOhBlpxunv8WHL3F/z3VuS9rwbZOYpOQCXa+v4aZ0dt03w==" target="console" track-name="consoleLink" track-type="tasks" }="">Tests aufrufen.
   Eine Liste der Tests wird auf der Seite Tests angezeigt. </a{:>
2. Wählen Sie den Test aus, dem Sie die Pipeline hinzufügen möchten.
   Es wird eine Liste der Ausführungen angezeigt.
3. Wählen Sie die Vergleiche aus, die Sie vergleichen möchten, und klicken Sie dann auf Vergleichen
   .
4. Klicken Sie auf Ausführung hinzufügen. Es wird eine Liste der Ausführungen angezeigt.
5. Wählen Sie die Pipelineausführung aus, die Sie hinzufügen möchten. Die Ausführung wird hinzugefügt.

Vertex AI SDK für Python {:#sdk-add-pipeline-run}

In den folgenden Beispielen wird die PipelineJob API verwendet.

def log_pipeline_job_to_experiment_sample(
    experiment_name: str,
    pipeline_job_display_name: str,
    template_path: str,
    pipeline_root: str,
    project: str,
    location: str,
    parameter_values: Optional[Dict[str, Any]] = None,
):
    aiplatform.init(project=project, location=location)

    pipeline_job = aiplatform.PipelineJob(
        display_name=pipeline_job_display_name,
        template_path=template_path,
        pipeline_root=pipeline_root,
        parameter_values=parameter_values,
    )

    pipeline_job.submit(experiment=experiment_name)

def log_pipeline_job_sample(
    experiment_name: str,
    run_name: str,
    pipeline_job: aiplatform.PipelineJob,
    project: str,
    location: str,
):
    aiplatform.init(experiment=experiment_name, project=project, location=location)

    aiplatform.start_run(run=run_name, resume=True)

    aiplatform.log(pipeline_job=pipeline_job)