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.

Visualizza l'architettura del modello

Questa pagina fornisce informazioni su come utilizzare Cloud Logging per visualizzare i dettagli di un modello Vertex AI. Utilizzando Logging, puoi visualizzare:

Gli iperparametri del modello finale come coppie chiave-valore.
Gli iperparametri e i valori degli oggetti utilizzati durante l'addestramento e l'ottimizzazione del modello, nonché un valore obiettivo.

Per impostazione predefinita, i log vengono eliminati dopo 30 giorni.

Vengono trattati i seguenti argomenti:

Visualizzazione dei log di addestramento.
Campi log:

Prima di iniziare

Prima di poter visualizzare i log degli iperparametri del modello, devi addestrarlo.

Per eseguire questa attività, devi disporre delle seguenti autorizzazioni:

logging.logServiceIndexes.list nel progetto
logging.logServices.list nel progetto

Visualizzazione dei log di addestramento

Puoi utilizzare la console Google Cloud per accedere ai log degli iperparametri del modello finale e ai log degli iperparametri delle prove di ottimizzazione.

Nella console Google Cloud, vai alla pagina Modelli di Vertex AI.

Vai alla pagina Modelli
Nel menu a discesa Regione, seleziona la regione in cui si trova il modello.
Seleziona il tuo modello dall'elenco dei modelli.
Seleziona il numero di versione del modello.
Apri la scheda Dettagli versione.
Per visualizzare il log degli iperparametri del modello finale, vai alla riga Iperparametri del modello e fai clic su Modello.
1. C'è solo una voce di log. Espandi il payload come mostrato di seguito. Per maggiori dettagli, vedi Campi log.
Per visualizzare il log degli iperparametri delle prove di ottimizzazione, vai alla riga Iperparametri del modello e fai clic su Prove.
1. È presente una voce per ciascuna delle prove di ottimizzazione. Espandi il payload come mostrato di seguito. Per maggiori dettagli, vedi Campi log.

Campi log

I log delle attività sono strutturati come descritto nella documentazione sul tipo LogEntry.

I log dei modelli di Vertex AI contengono, tra gli altri campi:

labels: il campo log_type è impostato su automl_tables.
jsonPayload: i dettagli specifici della voce di log, forniti in formato di oggetto JSON. Per maggiori dettagli, consulta Contenuti di Payload per il log dell'iperparametri del modello finale o Contenuti di Payload per il log dell'iperparametri di una prova di ottimizzazione.
timestamp: la data e l'ora in cui il modello è stato creato o è stata eseguita la prova.

Contenuti del payload per il log dell'iperparametro del modello finale

Il campo jsonPayload per il log dell'iperparametro del modello finale contiene un campo modelParameters. Questo campo contiene una voce per ciascun modello che contribuisce al modello di ensemble finale. Ogni voce ha un campo hyperparameters, i cui contenuti dipendono dal tipo di modello. Per maggiori dettagli, vedi Elenco di iperparametri.

Contenuti del payload per il log degli iperparametri di una prova di ottimizzazione

Il campo jsonPayload per il log degli iperparametri di una prova di ottimizzazione contiene i seguenti campi:

Campo	Tipo	Descrizione
`modelStructure`	JSON	Una descrizione della struttura del modello Vertex AI. Questo campo contiene un campo `modelParameters`. Il campo `modelParameters` ha un campo `hyperparameters` i cui contenuti dipendono dal tipo di modello. Per maggiori dettagli, consulta l'elenco di iperparametri.
`trainingObjectivePoint`	JSON	L'obiettivo di ottimizzazione utilizzato per l'addestramento del modello. Questa voce include un timestamp e un valore obiettivo al momento della registrazione della voce di log.

Elenco di iperparametri

I dati degli iperparametri forniti nei log variano per ogni tipo di modello. Le seguenti sezioni descrivono gli iperparametri per ciascun tipo di modello.

Modelli di albero decisionale potenziato con gradiente

Regolarizzazione L1 dell'albero
Regolarizzazione L2 dell'albero
Profondità massima albero
Tipo di modello: GBDT
Numero di alberi
Complessità dell'albero

Modelli di rete neurale feed-forward

Tasso di abbandono
Abilita batchNorm (True o False)
Abilita l'incorporamento L1 (True o False)
Abilita l'incorporamento L2 (True o False)
Attiva L1 (True o False)
Attiva L2 (True o False)
Attiva layerNorm (True o False)
Abilita l'incorporamento numerico (True o False)
Dimensione livello nascosto
Tipo di modello: nn
Normalizza colonna numerica (True o False)
Numero di livelli incrociati
Numero di livelli nascosti
Ignora tipo di connessione (dense, disable, concat o slice_or_padding)

Passaggi successivi

Quando è tutto pronto per fare previsioni con il tuo modello di classificazione o regressione, hai due opzioni:

Inoltre, puoi:

Valuta il modello.
Leggi le informazioni generali su Cloud Logging.
Puoi esportare i log in BigQuery, Cloud Storage o Pub/Sub. Leggi Configurazione dell'esportazione dei log nella documentazione di Logging per scoprire come esportare i log delle attività.