Aggiungi l'esecuzione della pipeline all'esperimento

Console Google Cloud

1. Nella sezione Vertex AI della console Google Cloud, vai alla pagina Pipeline.
   Vai a Pipeline
2. Nell'elenco a discesa Regione, seleziona la regione in cui vuoi creare l'esecuzione della pipeline.
3. Fai clic su add_box Crea esecuzione per aprire il riquadro Crea esecuzione pipeline.
4. Specifica i seguenti dettagli per l'esecuzione.
   • Nel campo File, fai clic su Scegli per aprire il selettore di file. Passa al file JSON della pipeline compilata che vuoi eseguire, seleziona la pipeline e fai clic su Apri.
   • Il Nome pipeline utilizza per impostazione predefinita il nome specificato nella definizione della pipeline. (Facoltativo) Specifica un Nome pipeline diverso.
   • Specifica un Nome esecuzione per identificare in modo univoco questa esecuzione della pipeline.
5. Per specificare che l'esecuzione di questa pipeline utilizza un account di servizio personalizzato, una chiave di crittografia gestita dal cliente o una rete VPC in peering, fai clic su Opzioni avanzate (facoltativo).
   Utilizza le seguenti istruzioni per configurare opzioni avanzate come un account di servizio personalizzato.
   • Per specificare un account di servizio, selezionane uno dall'elenco a discesa Account di servizio.
     Se non specifichi un account di servizio, Vertex AI Pipelines esegue la pipeline utilizzando l'account di servizio Compute Engine predefinito.
     Scopri di più sulla configurazione di un account di servizio da utilizzare con Vertex AI Pipelines.
   • Per utilizzare una chiave di crittografia gestita dal cliente (CMEK), seleziona Utilizza una chiave di crittografia gestita dal cliente. Viene visualizzato l'elenco a discesa Seleziona una chiave gestita dal cliente. Nell'elenco a discesa Seleziona una chiave gestita dal cliente, scegli la chiave che vuoi utilizzare.
   • Per utilizzare una rete VPC in peering in questa esecuzione della pipeline, inserisci il nome della rete VPC nella casella Rete VPC in peering.
6. Fai clic su Continua.
   Vengono visualizzati il riquadro Cloud Storage e Parametri pipeline.
• Obbligatorio: inserisci la directory di output di Cloud Storage, ad esempio: gs://location_of_directory.
• (Facoltativo) Specifica i parametri da utilizzare per l'esecuzione di questa pipeline.
7. Fai clic su Invia per creare l'esecuzione della pipeline.
8. Dopo l'invio, la pipeline viene visualizzata nella tabella della console Google Cloud della pipeline.
9. Nella riga associata alla tua pipeline, fai clic su more_vert Mostra altro > Aggiungi all'esperimento
• Seleziona un esperimento esistente o creane uno nuovo.
• (Facoltativo) Se le esecuzioni dell'esperimento sono associate all'esperimento, vengono visualizzate nel menu a discesa. Seleziona un'esecuzione esperimento esistente.
10. Fai clic su Salva.

Confrontare l'esecuzione di una pipeline con le esecuzioni di esperimenti utilizzando la console Google Cloud

1. Nella console Google Cloud, vai alla pagina Esperimenti.
   <a{: class="button button-primary" l10n-attrs-original-order="href,target,class,track-name,track-type" l10n-encrypted-href="V3Ae1hvcBOij4KvUNiRrMltigmNHgUGOXn/QVSGplOhBlpxunv8WHL3F/z3"Esperimenti.
   Nella pagina Esperimenti viene visualizzato un elenco di esperimenti. </a{:>
2. Seleziona l'esperimento a cui vuoi aggiungere l'esecuzione della pipeline.
   Viene visualizzato un elenco di esecuzioni.
3. Seleziona le esecuzioni da confrontare, poi fai clic su Confronta
   
4. Fai clic sul pulsante Aggiungi esecuzione. Viene visualizzato un elenco di esecuzioni
5. Seleziona l'esecuzione della pipeline che vuoi aggiungere. L'esecuzione viene aggiunta.

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

I seguenti esempi utilizzano l'API PipelineJob.

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)