הגדרה של Vertex AI TensorBoard

כדי להגדיר את Vertex AI TensorBoard, צריך:

  1. יצירת חשבון שירות עם ההרשאות הנדרשות.
  2. יצירת קטגוריה של Cloud Storage לאחסון יומנים של Vertex AI TensorBoard.
  3. יוצרים מכונה של Vertex AI TensorBoard.

יצירת חשבון שירות עם ההרשאות הנדרשות

כדי לשלב את Vertex AI TensorBoard עם אימון בהתאמה אישית, צריך לצרף חשבון שירות.

  1. יוצרים חשבון שירות:

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

    מחליפים את מה שכתוב בשדות הבאים:

    • ‫PROJECT_ID: מזהה הפרויקט שבו יוצרים את חשבון השירות.

    • ‫USER_SA_NAME: שם ייחודי לחשבון השירות שיוצרים.

  2. חשבון השירות החדש משמש את שירות ההדרכה של Gemini Enterprise Agent Platform כדי לגשת לשירותים ולמשאבים של Google Cloud . אם צריך, משתמשים בפקודות הבאות כדי להקצות את התפקידים האלה:

    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"
    

יצירת קטגוריה של Cloud Storage לאחסון יומנים של Vertex AI TensorBoard

כדי לאחסן את היומנים של Vertex AI TensorBoard שנוצרים על ידי סקריפט האימון, צריך קטגוריה של Cloud Storage. הקטגוריה צריכה להיות אזורית, כלומר לא במספר אזורים או בשני אזורים, והמשאבים הבאים צריכים להיות באותו אזור:

  • קטגוריה של Cloud Storage
  • משימת אימון של Gemini Enterprise Agent Platform
  • מכונה של Vertex AI TensorBoard

אפשר להשתמש בקטגוריה קיימת במקום לבצע את השלב של יצירת קטגוריה שמתואר כאן. אם משתמשים בקטגוריה קיימת, המיקום של הקטגוריה צריך להיות זהה למיקום שבו נוצר המכונה של Vertex AI TensorBoard.

UNIQUE_SUFFIX=$(python3 -c "import uuid; print(uuid.uuid4().hex[:8])")
GCS_BUCKET_NAME="PROJECT_ID-tb-logs-LOCATION_ID-${UNIQUE_SUFFIX}"
gcloud storage buckets create "gs://${GCS_BUCKET_NAME}" --location=LOCATION_ID

מחליפים את מה שכתוב בשדות הבאים:

  • ‫LOCATION_ID: המיקום שבו נוצר המכונה של Vertex AI TensorBoard, לדוגמה us-central1.

הפקודה GCS_BUCKET_NAME משמשת ליצירת משימת אימון בהתאמה אישית באמצעות REST.

יצירת מכונה של Vertex AI TensorBoard

כדי להציג את הניסויים, צריך קודם ליצור מכונה של Vertex AI TensorBoard, שהיא משאב אזורי שבו נשמרים הניסויים של Vertex AI TensorBoard. יש שתי אפשרויות. אתם יכולים להשתמש במכונה שמוגדרת כברירת מחדל או ליצור מכונה באופן ידני. אפשר ליצור כמה מכונות בפרויקט ובאזור, אבל רוב המשתמשים צריכים רק מכונה אחת.

שימוש במכונה שמוגדרת כברירת מחדל ב-Vertex AI TensorBoard

מופע ברירת מחדל של TensorBoard נוצר באופן אוטומטי כשמאתחלים ניסוי ב-Gemini Enterprise Agent Platform. ה-TensorBoard התומך הזה משויך לניסוי של Gemini Enterprise Agent Platform ומשמש בכל ההרצות הבאות של ניסויים ב-Gemini Enterprise Agent Platform. אפשר לאחזר את tensorboard_resource_name ישירות מהניסוי. זו הדרך הכי קלה להתחיל להשתמש ב-Vertex AI TensorBoard, והיא אמורה להתאים לצרכים של רוב המשתמשים.

Agent Platform SDK for Python

יוצרים ניסוי ב-Vertex AI TensorBoard עם מכונה שמוגדרת כברירת מחדל באמצעות Agent Platform SDK ל-Python. מאחזרים את tensorboard_resource_name מהניסוי. אפשר לקרוא מידע נוסף על init ועל Experiment במאמרי העזרה של Agent Platform SDK.

Python

from google.cloud import aiplatform


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,
    )

    tensorboard = aiplatform.Experiment(experiment_name).get_backing_tensorboard_resource()
    print(f"Tensorboard resource name: {tensorboard.name}")

experiment_name: str, experiment_description: str, project: str, location: str,
  • ‫experiment_name: השם של הניסוי.
  • ‫experiment_description: תיאור הניסוי.
  • ‫ project: ה-PROJECT_ID של הפרויקט שבו רוצים ליצור את המכונה של TensorBoard.
  • ‫location: המיקום שבו יוצרים את המכונה של TensorBoard. המיקום של Vertex AI TensorBoard הוא אזורי. חשוב לבחור אזור שתומך ב-Vertex AI TensorBoard.

יצירה ידנית של מכונה של Vertex AI TensorBoard

אתם יכולים ליצור באופן ידני Vertex AI TensorBoard. האפשרות הזו שימושית למשתמשים שמעדיפים להשתמש במסוף Google Cloud , למשתמשים שצריכים TensorBoard עם CMEK (ראו CMEK) או למשתמשים שרוצים להשתמש בכמה TensorBoards. אפשר לציין את המכונה הזו ישירות כשמאתחלים ניסוי ב-Gemini Enterprise Agent Platform, כשמתחילים הרצת ניסוי או כשמגדירים את קוד האימון.

Agent Platform SDK for Python

יוצרים מכונה של Vertex AI TensorBoard באמצעות Agent Platform SDK ל-Python.

Python

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

  • ‫project: PROJECT_ID של הפרויקט שבו רוצים ליצור את המכונה של TensorBoard.
  • ‫display_name: שם תיאורי למכונה של Vertex AI TensorBoard.
  • ‫location: המיקום שבו יוצרים את המכונה של TensorBoard. המיקום של Vertex AI TensorBoard הוא אזורי. חשוב לבחור אזור שתומך ב-Vertex AI TensorBoard.

Google Cloud CLI

משתמשים ב-Google Cloud CLI כדי ליצור מכונה של Vertex AI TensorBoard.

  1. התקנת ה-CLI של gcloud
  2. מפעילים את Google Cloud CLI באמצעות הפקודה gcloud init.
  3. כדי לוודא שההתקנה בוצעה, בודקים את הפקודות.
     gcloud ai tensorboards --help 

    הפקודות כוללות את create,‏ describe,‏ list,‏ update ו-delete. במידת הצורך, אתם יכולים לבצע את השלבים האלה כדי להגדיר ערכי ברירת מחדל לפרויקט ולמיקום לפני שתמשיכו.
  4. מאמתים את ה-CLI של gcloud.
    gcloud auth application-default login
  5. יוצרים מכונה של Vertex AI TensorBoard באמצעות שם הפרויקט והשם המוצג. בפעם הראשונה שמבצעים את השלב הזה בפרויקט, הוא יכול להימשך כמה דקות. שימו לב לשם של מכונת Vertex AI TensorBoard (לדוגמה: projects/123/locations/us-central1/tensorboards/456) שמופיע בסוף הפקודה הבאה. תצטרכו אותו בשלבים הבאים.
    gcloud ai tensorboards create --display-name DISPLAY_NAME \
           --project PROJECT_NAME
         

    מחליפים את הערכים הבאים:
    • ‫PROJECT_NAME: הפרויקט שבו רוצים ליצור את המכונה של TensorBoard.
    • ‫DISPLAY_NAME: שם תיאורי למכונה של TensorBoard.

מסוףGoogle Cloud

אם אתם רוצים להצפין את הנתונים של Vertex AI TensorBoard, אתם צריכים להפעיל את מפתח ה-CMEK כשאתם יוצרים את המכונה.

כדי ליצור מכונה של Vertex AI TensorBoard עם CMEK באמצעות מסוף Google Cloud :

  1. אם אתם משתמשים חדשים ב-Gemini Enterprise Agent Platform או מתחילים פרויקט חדש, הגדירו את הפרויקט ואת סביבת הפיתוח.
  2. בקטע Gemini Enterprise Agent Platform במסוף Google Cloud , נכנסים לדף ניסויים.

    כניסה לדף "ניסויים"
  3. עוברים לכרטיסייה TensorBoard Instances.
  4. לוחצים על יצירה בחלק העליון של הדף.
  5. בוחרים מיקום מהרשימה הנפתחת Region.
  6. (אופציונלי) מוסיפים תיאור.
  7. (אופציונלי) בקטע Encryption, בוחרים באפשרות Customer-managed encryption key (CMEK) ובוחרים מפתח בניהול הלקוח.
  8. לוחצים על Create כדי ליצור את המכונה של TensorBoard.

יצירת מכונה של TensorBoard

Terraform

בדוגמה הבאה נעשה שימוש במשאב Terraform‏ google_vertex_ai_tensorboard כדי ליצור מכונה לא מוצפנת של Vertex AI TensorBoard.

כדי ללמוד איך להחיל הגדרות ב-Terraform או להסיר אותן, ראו פקודות בסיסיות ב-Terraform.

Terraform

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

מחיקת מכונה של TensorBoard

כשמוחקים מכונה של TensorBoard, נמחקים גם כל הניסויים וההרצות שמשויכים אליה. הניסוי ב-Vertex AI Experiments שמשויך למכונה לא נמחק.

כדי למחוק ניסוי ב-Vertex AI Experiments ואת הניסויים שמשויכים אליו ב-Vertex AI TensorBoard, קראו את המאמר מחיקת ניסוי.

Agent Platform SDK for Python

מחיקת מכונה של Vertex AI TensorBoard באמצעות Agent Platform SDK ל-Python.

Python

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()

  • ‫tensorboard_resource_name: שם המשאב של TensorBoard.
  • ‫project: PROJECT_ID שבו נמצא המכונה של TensorBoard.
  • ‫location: המיקום של המכונה של TensorBoard.

מסוףGoogle Cloud

כדי למחוק מכונה של Vertex AI TensorBoard באמצעות Google Cloud מסוף Google Cloud:

  1. בקטע Gemini Enterprise Agent Platform במסוף Google Cloud , נכנסים לדף Experiments.

    כניסה לדף "ניסויים"
  2. לוחצים על הכרטיסייה TensorBoard Instances. מופיעה רשימה של מכונות TensorBoard.
  3. לוחצים על ואז על מחיקה.

מחיקת מכונה של TensorBoard

מונחים רלוונטיים

המונחים "שם המשאב של TensorBoard" ו "מזהה המכונה של TensorBoard" מופיעים בדוגמאות רבות.

שם המשאב של TensorBoard

שם המשאב של TensorBoard משמש לזיהוי מלא של המכונה של Vertex AI TensorBoard. הפורמט הוא:

projects/PROJECT_ID_OR_NUMBER/locations/REGION/tensorboards/TENSORBOARD_INSTANCE_ID

שם המשאב של TensorBoard מודפס בהודעות היומן כשיוצרים אותו באמצעות ה-CLI של gcloud או Vertex AI SDK, או שאפשר ליצור אותו על ידי הזנת הערכים המתאימים בפלייסהולדרים.

Agent Platform SDK for Python

אפשר לאחזר את שם המשאב של TensorBoard מ-Vertex AI Experiments באמצעות Vertex AI SDK.

Python

from google.cloud import aiplatform


def get_experiment_backing_tensorboard_sample(
    experiment_name: str,
    project: str,
    location: str,
):
    backing_tensorboard = aiplatform.Experiment(
        project=project,
        location=location,
        experiment_name=experiment_name
    ).get_backing_tensorboard_resource()

    return backing_tensorboard.name

  • ‫experiment_name: השם של הניסוי.
  • ‫project: PROJECT_ID של הניסוי.
  • ‫location: המיקום שבו נמצא הניסוי.

מזהה המכונה של TensorBoard

מזהה המכונה של TensorBoard הוא ערך מזהה שנוצר ומשויך למכונה של TensorBoard. כדי למצוא את TENSORBOARD_INSTANCE_ID, נכנסים לדף Experiments בקטע Gemini Enterprise Agent Platform במסוף Google Cloud ובוחרים בכרטיסייה TensorBoard Instances.

אפשר גם לאחזר את מזהה המכונה משם המשאב של TensorBoard. מזהה TensorBoard