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.

Classi di monitoraggio

L'SDK Vertex AI per Python include classi utili per visualizzazione, misurazioni e monitoraggio. Queste classi possono essere raggruppate in tre tipi:

Corsi che utilizzano i metadati per tenere traccia delle risorse nel flusso di lavoro di machine learning (ML)
Corsi utilizzati per gli esperimenti di Vertex AI
Corsi utilizzati per Vertex AI TensorBoard

Gli argomenti seguenti forniscono una panoramica delle classi relative al monitoraggio e al monitoraggio di un flusso di lavoro ML nell'SDK Vertex AI per Python.

Classi di metadati

Puoi usare l'SDK Vertex AI per Python per creare Vertex ML Metadata e monitorare e analizzare i metadati nel flusso di lavoro ML. Per ulteriori informazioni, consulta la pagina Introduzione ai metadati Vertex ML.

`Artifact`

La classe Artifact rappresenta i metadati in un artefatto in Vertex AI. Un artefatto è un'entità discreta o un dato prodotto da un flusso di lavoro ML. Esempi di un artefatto sono un set di dati, un model e un file di input. Per maggiori informazioni, consulta Monitorare esecuzioni ed artefatti.

Quando crei una risorsa Artifact, devi specificare il relativo schema. Ogni tipo di artefatto ha uno schema univoco. Ad esempio, lo schema system.Dataset rappresenta un set di dati e lo schema system.Metrics rappresenta le metriche di valutazione. Per ulteriori informazioni, consulta Come utilizzare gli schemi di sistema.

Il seguente codice campione mostra come creare una risorsa Artifact che rappresenti un modello:

model_artifact = aiplatform.Artifact.create(
        schema_title="system.Model",
        display_name=PREPROCESSED_DATASET_NAME,
        uri=PREPROCESSED_DATASET_URI,

`Execution`

La classe Execution rappresenta i metadati in un'esecuzione in Vertex AI. Un'esecuzione è un passaggio in un flusso di lavoro ML. Esempi di esecuzione sono l'elaborazione dei dati, l'addestramento e la valutazione del modello. Un'esecuzione può consumare artefatti, come un set di dati, e produrre un artefatto, ad esempio un modello.

Utilizza aiplatform.start_execution per creare una risorsa Execution. Dopo aver creato una risorsa Execution, utilizza lo stesso metodo aiplatform.start_execution con il relativo parametro resume impostato su True per ripristinarla.

Il seguente codice campione mostra come creare una risorsa Execution:

with aiplatform.start_execution(schema_title='system.ContainerExecution',
                                display_name='trainer') as execution:
    execution.assign_input_artifacts([my_artifact])
    model = aiplatform.Artifact.create(uri='gs://my-uri', schema_title='system.Model')
    execution.assign_output_artifacts([model])

Corsi di Vertex AI Experiments

Puoi usare l'SDK Vertex AI per Python per creare ed eseguire gli esperimenti di Vertex AI. Usa gli esperimenti Vertex AI per tenere traccia delle metriche e dei parametri registrati per analizzare e ottimizzare il flusso di lavoro ML. Per ulteriori informazioni, consulta la pagina Introduzione agli esperimenti Vertex AI.

Per scoprire di più su come utilizzare i corsi Experiment e ExperimentRun, prova uno dei seguenti tutorial:

`Experiment`

La classe Experiment rappresenta un esperimento in Vertex AI. Utilizza un esperimento per analizzare le esecuzioni degli esperimenti e le esecuzioni delle pipeline con diverse configurazioni, ad esempio più artefatti e iperparametri di input.

Esistono due modi per creare una risorsa Experiment:

Il modo migliore per creare una Experiment è specificare un nome per l'esperimento come parametro quando chiami aiplatform.init:

# In a real world scenario it's likely you would specify more parameters
# when you call aiplatform.init. This sample shows only how to use the
# parameter used to create an Experiment.

# Specify a name for the experiment
EXPERIMENT_NAME = "your-experiment-name"

# Create the experiment
aiplatform.init(experiment=EXPERIMENT_NAME)

Puoi anche creare una Experiment chiamando aiplatform.Experiment.create. aiplatform.Experiment.create crea la risorsa Experiment ma non la imposta su un ambiente globale. Per questo motivo, non puoi eseguire l'esperimento con aiplatform.start_run. Il seguente codice campione mostra come utilizzare aiplatform.Experiment.create per creare un esperimento e poi eseguirlo:
```
# Specify a name for the experiment
EXPERIMENT_NAME = "your-experiment-name"
EXPERIMENT_RUN_NAME = "your-run"

# Create the experiment
experiment = aiplatform.Experiment.create(experiment_name=EXPERIMENT_NAME)
experiment_run = aiplatform.ExperimentRun.create(EXPERIMENT_RUN_NAME, experiment=EXPERIMENT_NAME)
```

`ExperimentRun`

La classe ExperimentRun rappresenta un'esecuzione di un esperimento.

Il seguente codice campione mostra come creare e avviare un'esecuzione di un esperimento e poi utilizzarlo per ottenere informazioni sull'esperimento. Per eliminare l'esecuzione dell'esperimento, recupera un riferimento all'istanza ExperimentRun e chiama il relativo metodo delete.

# Specify your project name, location, experiment name, and run name
PROJECT_NAME = "my-project"
LOCATION = "us-central1"
EXPERIMENT_NAME = "experiment-1"
RUN_NAME = "run-1"

# Create the experiment to run
aiplatform.init(experiment_name=EXPERIMENT_NAME,
                project=PROJECT_NAME,
                location=LOCATION)

# Create and run an ExperimentRun resource. Next, you can use it to get
# information about your experiment. For example, you can log parameters and
# metrics with specified key-value pairs.
with aiplatform.start_run(RUN_NAME):
     aiplatform.log_params({'learning_rate': 0.1, 'dropout_rate': 0.2})
     aiplatform.log_metrics({'accuracy': 0.9, 'recall': 0.8})

# Get a reference to the ExperimentRun resource, get the parameters logged to
# the run, get the summary metrics logged to the run, then delete it.
with aiplatform.start_run(RUN_NAME, resume=True) as run:
     run.get_params()
     run.get_metrics()
     run.delete()

Classi di Vertex AI TensorBoard

L'SDK Vertex AI per Python include classi per funzionare con una versione gestita di Vertex AI TensorBoard open source. Vertex AI TensorBoard è uno strumento utilizzato per monitorare misurazioni e visualizzazioni durante il flusso di lavoro ML. Per ulteriori informazioni, consulta la guida introduttiva all'utilizzo di Vertex AI TensorBoard.

Per scoprire di più sull'utilizzo dell'SDK Vertex AI per Python per il funzionamento con Vertex AI TensorBoard, prova uno dei seguenti tutorial sul blocco note:

`Tensorboard`

La classe Tensorboard rappresenta una risorsa gestita che archivia gli esperimenti di Vertex AI TensorBoard. Devi creare un'istanza Tensorboard prima di poter visualizzare gli esperimenti. Puoi creare più di un'istanza Tensorboard in un progetto Google Cloud.

Il seguente codice campione mostra come creare un'istanza Tensorboard:

# Specify your project name, location, and the name of your Tensorboard
PROJECT_NAME = "my-project"
LOCATION = "us-central1"
TENSORBOARD_NAME = "my-tensorboard"

aiplatform.init(project=PROJECT_NAME, location=LOCATION)

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

Passaggi successivi

Scopri di più sull'SDK Vertex AI.