Vertex AI Pipelines fournit un ensemble de types de visualisation prédéfinis pour évaluer le résultat d'une tâche de pipeline (par exemple, Metrics, ClassificationMetrics). Cependant, il existe de nombreux cas où une visualisation personnalisée est nécessaire. Vertex AI Pipelines propose deux approches principales pour générer des artefacts de visualisation personnalisés : les fichiers Markdown et HTML.
Importer les dépendances requises
Dans votre environnement de développement, importez les dépendances requises.
from kfp import dsl
from kfp.dsl import (
Output,
HTML,
Markdown
)
HTML de sortie
Pour exporter un fichier HTML, définissez un composant avec l'artefact Output[HTML].
Vous devez également écrire du contenu HTML sur le chemin d'accès de l'artefact. Dans cet exemple, vous utilisez une variable de chaîne pour représenter du contenu HTML.
@dsl.component
def html_visualization(html_artifact: Output[HTML]):
public_url = 'http://user-images.githubusercontent.com/37026441/140434086-d9e1099b-82c7-4df8-ae25-83fda2929088.png'
html_content = \
'<html><head></head><body><h1>Global Feature Importance</h1>\n<img src="{}" width="97%"/></body></html>'.format(public_url)
with open(html_artifact.path, 'w') as f:
f.write(html_content)
Artefact HTML dans la console Google Cloud :
Informations sur les artefacts HTML dans la console Google Cloud :
Cliquez sur "View HTML" (Afficher le code HTML) pour ouvrir le fichier HTML dans un nouvel onglet.
Markdown de sortie
Pour exporter un fichier Markdown, définissez un composant doté de l'artefact Output[Markdown]. Vous devez également écrire du contenu Markdown sur le chemin d'accès de l'artefact. Dans cet exemple, vous utilisez une variable de chaîne pour représenter le contenu Markdown.
@dsl.component
def markdown_visualization(markdown_artifact: Output[Markdown]):
import urllib.request
with urllib.request.urlopen('http://gist.githubusercontent.com/zijianjoy/a288d582e477f8021a1fcffcfd9a1803/raw/68519f72abb59152d92cf891b4719cd95c40e4b6/table_visualization.md') as table:
markdown_content = table.read().decode('utf-8')
with open(markdown_artifact.path, 'w') as f:
f.write(markdown_content)
Artefact Markdown dans la console Google Cloud :
Informations sur l'artefact Markdown dans la console Google Cloud :
Créer un pipeline
Après avoir défini votre composant avec l'artefact HTML ou Markdown, créez et exécutez un pipeline qui utilise ce composant.
@dsl.pipeline(
name=f'metrics-visualization-pipeline')
def metrics_visualization_pipeline():
html_visualization_op = html_visualization()
markdown_visualization_op = markdown_visualization()
Après avoir lancé l'exécution du pipeline, vous pouvez afficher le graphique de cette exécution dans Google Cloud Console. Ce graphique inclut les artefacts HTML et Markdown que vous avez déclarés dans les composants correspondants. Vous pouvez sélectionner ces artefacts pour afficher une visualisation détaillée.