Prova i modelli Gemini 1.5, i nostri più recenti modelli multimodali di Vertex AI, e scopri cosa puoi creare con una finestra di contesto dei token da 1 milione. Prova i modelli Gemini 1.5, i nostri più recenti modelli multimodali di Vertex AI, e scopri cosa puoi creare con una finestra di contesto dei token da 1 milione.

Registra manualmente le metriche con Vertex AI Experiments

Le metriche delle serie temporali di TensorBoard possono essere registrate manualmente effettuando gli esperimenti Vertex AI. Queste metriche vengono visualizzate nella console Vertex AI Experiments o nell'app web per l'esperimento Vertex AI TensorBoard.

Per ulteriori dettagli sul logging di metriche e parametri, consulta Registrare manualmente i dati in un'esecuzione di un esperimento.

Python

def log_time_series_metrics_sample(
    experiment_name: str,
    run_name: str,
    metrics: Dict[str, float],
    step: Optional[int],
    wall_time: Optional[timestamp_pb2.Timestamp],
    project: str,
    location: str,
):
    aiplatform.init(experiment=experiment_name, project=project, location=location)

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

    aiplatform.log_time_series_metrics(metrics=metrics, step=step, wall_time=wall_time)

experiment_name: assegna un nome all'esperimento.
run_name: specifica un nome esecuzione.
metrics: dizionario in cui le chiavi sono nomi delle metriche e i valori sono valori delle metriche.
step: facoltativo. Indice dei passaggi di questo punto dati all'interno dell'esecuzione.
wall_time: facoltativo. Timestamp del timestamp reale quando questo punto dati viene generato dall'utente finale. Se non specificato, il valore wall_time viene generato in base al valore di time.time().
project: il tuo ID progetto. Puoi trovare questi ID nella pagina di benvenuto della console Google Cloud.
location: consulta l'elenco delle località disponibili. Se crei un'istanza TensorBoard, assicurati di utilizzare una regione che supporti TensorBoard.