Per semplificare il monitoraggio, la condivisione e l'analisi di un modello, l'SDK Vertex AI per Python fornisce un'API che serializza un modello di machine learning in una classe ExperimentModel
e lo registra in Vertex AI Experiments.
Dopo aver selezionato il modello migliore da utilizzare, puoi registrarlo da Vertex AI Experiments a Vertex AI Model Registry.
I framework supportati sono scikit-learn, XGBoost e Tensorflow.
Salva e registra il modello di ML
Salva modelli
L'SDK Vertex AI fornisce il metodo
save_model
per serializzare un modello ML,
caricarlo su Cloud Storage e rappresentare il modello come
artefatto Vertex ML Metadata.
Python
project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibilimodel
: (obbligatorio). un modello di machine learning.(Union["sklearn.base.BaseEstimator", "xgb.Booster", "tf.Module"])
artifact_id
: facoltativo. L'ID risorsa dell'artefatto. Questo ID deve essere univoco a livello globale in un metadataStore. Potrebbe contenere fino a 63 caratteri. I caratteri validi sono[a-z0-9_-]
. Il primo carattere non può essere un numero o un trattino.uri
: facoltativo. Una directory gcs in cui salvare il file del modello. Se non viene fornito un URI, viene utilizzatogs://default-bucket/timestamp-uuid-frameworkName-model
. Se non è impostato un bucket gestione temporanea predefinito, viene creato un nuovo bucket.input_example
: facoltativo. Ogni modello prende i dati di input e produce una previsione. Ogni modello accetta un particolare formato di input (ad esempio un numero, una stringa o un array 2D) e viene archiviato come file YAML nell'URI GCS. Accetta list, dict, pd.DataFrame e np.ndarray. Il valore all'interno di un elenco deve essere uno scalare o un elenco. Il valore all'interno di un dict deve essere uno scalare, un elenco o np.ndarray.(Union[list, dict, pd.DataFrame, np.ndarray])
.display_name
: il nome visualizzato dell'elemento.
Modelli di log
L'SDK Vertex AI fornisce un metodo
log_model
che orchestra
save_model
e un passaggio aggiuntivo per registrare l'artefatto Vertex ML Metadata
nell'esecuzione attuale dell'esperimento. Il metodo log_model
per gestire e analizzare più modelli ML in Vertex AI Experiments.
Python
experiment_name
: indica il nome dell'esperimento. Puoi trovare l'elenco degli esperimenti nella console Google Cloud selezionando "Esperimenti" nel menu di navigazione delle sezioni.run_name
: specifica un nome esecuzione.project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.model
: obbligatorio. un modello di machine learning.(Union["sklearn.base.BaseEstimator", "xgb.Booster", "tf.Module"])
uri
: facoltativo. Una directory gcs in cui salvare il file del modello. Se non viene fornito un URI,viene utilizzatogs://default-bucket/timestamp-uuid-frameworkName-model
. Se non è impostato un bucket gestione temporanea predefinito, viene creato un nuovo bucket.input_example
: facoltativo. Ogni modello prende i dati di input e produce una previsione. Ogni modello accetta un particolare formato di input (ad esempio un numero, una stringa o un array 2D) e viene archiviato come file YAML nell'URI GCS. Accetta list, dict, pd.DataFrame e np.ndarray. Il valore all'interno di un elenco deve essere un tipo scalare o un elenco. Il valore all'interno di un dict deve essere uno scalare, un elenco o np.ndarray.(Union[list, dict, pd.DataFrame, np.ndarray])
.display_name
: facoltativo. Il nome visualizzato dell'elemento.
Traccia ExperimentModel
Ottieni modello di esperimento
Per utilizzare get_experiment_model
per restituire un modello salvato, trasmettilo l'ID artefatto del modello salvato.
Python
project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.artifact_id
: obbligatorio: l'ID risorsa del modello esistente.
Visualizza i modelli dell'esperimento
Il metodo get_experiment_models
ottiene un elenco di tutti i
ExperimentModel
registrati in una determinata
esecuzione di un esperimento.
Python
run_name
: specifica un nome esecuzione.experiment
: indica il nome dell'esperimento. Puoi trovare l'elenco degli esperimenti nella console Google Cloud selezionando "Esperimenti" nel menu di navigazione delle sezioni.project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.
Recupero informazioni modello
Il metodo get_model_info
restituisce i metadati del modello di una determinata istanza ExperimentModel
, ad esempio classe del modello o tipo di framework.
Python
artifact_id
: obbligatorio, l'ID risorsa dell'elementoExperimentModel
esistente.project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.
Carica ExperimentModel
Carica modello
Il metodo load_experiment_model
consente di deserializzare un'istanza
ExperimentModel
per tornare al modello ML originale.
Python
artifact_id
: (obbligatorio). L'ID risorsa dell'elementoExperimentModel
esistente. Esempio:artifact_id="my-sklearn-model"
project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.
Registra ExperimentModel
Registra modello salvato
L'API register_experiment_model
consente di registrare il modello ritenuto migliore in Vertex AI Model Registry con una quantità minima di configurazione. L'API sceglie automaticamente un container di previsione predefinito in base al framework e alla versione del modello.
Python
artifact_id
: (obbligatorio). L'ID risorsa dell'elementoExperimentModel
esistente.project
: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.location
: consulta l'elenco delle località disponibili.display_name
: facoltativo. Il nome del modello registrato definito dall'utente.
Visualizza l'elenco delle esecuzioni dell'esperimento nella console Google Cloud
- 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.com
</a{:> - Seleziona l'esperimento che vuoi controllare.
Viene visualizzato un elenco di esecuzioni.