Menyiapkan Vertex AI TensorBoard

Berikut ini yang diperlukan untuk menyiapkan Vertex AI TensorBoard:

1. Buat akun layanan dengan izin yang diperlukan.
2. Membuat bucket Cloud Storage untuk menyimpan log Vertex AI TensorBoard.
3. Membuat instance Vertex AI TensorBoard.

Membuat akun layanan dengan izin yang diperlukan

Integrasi Vertex AI TensorBoard dengan pelatihan khusus memerlukan akun layanan.

1. Membuat akun layanan

   gcloud --project=PROJECT_ID iam service-accounts create USER_SA_NAME
   

   Ganti kode berikut:

   • PROJECT_ID: ID project tempat Anda membuat akun layanan

   • USER_SA_NAME: nama unik untuk akun layanan yang Anda buat

2. Akun layanan baru ini digunakan oleh Vertex AI Training Service untuk mengakses layanan dan resource Google Cloud. Gunakan perintah berikut untuk memberikan peran ini jika diperlukan:

   SA_EMAIL="USER_SA_NAME@PROJECT_ID.iam.gserviceaccount.com"
   
   gcloud projects add-iam-policy-binding PROJECT_ID \
      --member="serviceAccount:${SA_EMAIL}" \
      --role="roles/storage.admin"
   
   gcloud projects add-iam-policy-binding PROJECT_ID \
      --member="serviceAccount:${SA_EMAIL}" \
      --role="roles/aiplatform.user"
   

Membuat bucket Cloud Storage untuk menyimpan log Vertex AI TensorBoard

Bucket Cloud Storage diperlukan untuk menyimpan log Vertex AI TensorBoard yang dihasilkan oleh skrip pelatihan Anda. Bucket ini harus bersifat regional—bukan multi-region atau dual-region—dan resource berikut harus berada di region yang sama:

• Bucket Cloud Storage
• Tugas pelatihan Vertex AI
• Instance Vertex AI TensorBoard

Anda dapat menggunakan bucket yang sudah ada, dan tidak perlu mengikuti langkah pembuatan bucket yang dijelaskan di sini. Jika menggunakan bucket yang sudah ada, REGION bucket harus berada di region yang sama dengan tempat instance Vertex AI TensorBoard Anda dibuat.

LOCATION=LOCATION_ID
GCS_BUCKET_NAME="PROJECT_ID-tensorboard-logs-${LOCATION_ID}"
gsutil mb -l ${LOCATION_ID} "gs://${GCS_BUCKET_NAME}"

Ganti LOCATION_ID dengan region tempat instance Vertex AI TensorBoard Anda dibuat, misalnya us-central1.

Buat instance Vertex AI TensorBoard

Instance Vertex AI TensorBoard, yang merupakan resource regional yang menyimpan eksperimen Vertex AI TensorBoard, harus ada sebelum eksperimen dapat divisualisasikan. Ada dua opsi. Anda dapat menggunakan instance default atau membuatnya secara manual. Anda dapat membuat beberapa instance dalam sebuah project dan region, tetapi sebagian besar pengguna hanya memerlukan satu instance.

Menggunakan instance Vertex AI TensorBoard default

Instance TensorBoard default otomatis dibuat saat menginisialisasi eksperimen Vertex AI. TensorBoard pendukung ini dikaitkan dengan eksperimen Vertex AI dan digunakan dengan semua Eksperimen Vertex AI berikutnya yang berjalan. Ini adalah cara termudah untuk mulai menggunakan Vertex AI TensorBoard dan dapat memenuhi sebagian besar kebutuhan pengguna.

def create_experiment_default_tensorboard_sample(
    experiment_name: str,
    experiment_description: str,
    project: str,
    location: str,
):
    aiplatform.init(
        experiment=experiment_name,
        experiment_description=experiment_description,
        project=project,
        location=location,
    )

Membuat instance Vertex AI TensorBoard secara manual

Anda dapat membuat Vertex AI TensorBoard secara manual. Hal ini berguna bagi pengguna yang lebih memahami konsol Google Cloud, pengguna yang memerlukan TensorBoard yang mendukung CMEK (lihat CMEK), atau pengguna yang ingin menggunakan beberapa TensorBoard. Instance ini kemudian dapat ditentukan secara langsung saat menginisialisasi eksperimen Vertex AI, memulai Uji Coba, atau mengonfigurasi kode pelatihan.

def create_tensorboard_sample(
    project: str,
    location: str,
    display_name: Optional[str] = None,
):
    aiplatform.init(project=project, location=location)

    tensorboard = aiplatform.Tensorboard.create(
        display_name=display_name,
        project=project,
        location=location,
    )

    aiplatform.init(
        project=project,
        location=location,
        experiment_tensorboard=tensorboard
    )

    return tensorboard

resource "google_vertex_ai_tensorboard" "default" {
  display_name = "vertex-ai-tensorboard-sample-name"
  region       = "us-central1"
}

Menghapus instance TensorBoard

Menghapus instance TensorBoard akan menghapus TensorBoard tersebut serta semua eksperimen TensorBoard terkait dan pengoperasian TensorBoard. Eksperimen Vertex AI yang terkait dengan instance tidak dihapus.

Untuk menghapus Eksperimen Vertex AI dan eksperimen Vertex AI TensorBoard terkait, lihat Menghapus eksperimen.

def delete_tensorboard_instance_sample(
    tensorboard_resource_name: str,
    project: str,
    location: str,
):
    aiplatform.init(project=project, location=location)

    tensorboard = aiplatform.Tensorboard(
        tensorboard_name=tensorboard_resource_name
    )

    tensorboard.delete()

Istilah yang relevan

Istilah ini, "Nama resource TensorBoard", dan "ID instance TensorBoard" disebut dalam banyak contoh.

Nama resource TensorBoard

Nama Resource TensorBoard digunakan untuk sepenuhnya mengidentifikasi instance Vertex AI TensorBoard. Formatnya adalah sebagai berikut:

projects/PROJECT_ID_OR_NUMBER/locations/REGION/tensorboards/TENSORBOARD_INSTANCE_ID

Nama resource TensorBoard dicetak dalam pesan log saat dibuat menggunakan gcloud CLI atau Vertex AI SDK, atau dapat dibuat dengan memberikan nilai yang sesuai untuk placeholder.

ID instance TensorBoard

ID instance TensorBoard adalah nilai ID yang dihasilkan yang terkait dengan instance TensorBoard. Untuk menemukan TENSORBOARD_INSTANCE_ID, buka bagian Vertex AI halaman Eksperimen di Google Cloud Console, lalu pilih tab TensorBoard Instances.