Configura Vertex AI TensorBoard

Di seguito sono riportati i requisiti per configurare Vertex AI TensorBoard:

1. Crea un account di servizio con le autorizzazioni richieste.
2. Crea un bucket Cloud Storage per archiviare i log di Vertex AI TensorBoard.
3. Crea un'istanza di Vertex AI TensorBoard.

Crea un account di servizio con le autorizzazioni richieste

L'integrazione di Vertex AI TensorBoard con l'addestramento personalizzato richiede il collegamento di un account di servizio.

Nota: se hai già un account di servizio che utilizzi per l'addestramento personalizzato, puoi saltare questo passaggio. Assicurati che il account di servizio abbia il ruolo Amministratore Storage (roles/storage.admin) e il ruolo Utente della piattaforma agentica Gemini Enterprise. (roles/aiplatform.user) associato.

1. Crea un account di servizio:

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

   Sostituisci quanto segue:

   • PROJECT_ID: l'ID del progetto in cui stai creando un account di servizio.

   • USER_SA_NAME: un nome univoco per il service account che stai creando.

2. Il nuovo account di servizio viene utilizzato dal servizio di addestramento della piattaforma agentica Gemini Enterprise per accedere Google Cloud a servizi e risorse. Se necessario, utilizza i seguenti comandi per concedere questi ruoli:

   Nota: per eseguire questi comandi, devi disporre almeno dell'autorizzazione setIamPolicy a livello di progetto. Per maggiori dettagli, consulta Autorizzazioni richieste.

   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"
   

Crea un bucket Cloud Storage per archiviare i log di Vertex AI TensorBoard

È necessario un bucket Cloud Storage per archiviare i log di Vertex AI TensorBoard generati dallo script di addestramento. Il bucket deve essere regionale ovvero non multiregionale o a due regioni, e le seguenti risorse devono trovarsi nella stessa regione:

• Bucket Cloud Storage
• Job di addestramento della piattaforma agentica Gemini Enterprise
• Istanza di Vertex AI TensorBoard

Puoi utilizzare un bucket esistente anziché seguire il passaggio di creazione del bucket descritto qui. Quando utilizzi un bucket esistente, la località del bucket deve essere la stessa in cui è stata creata l'istanza di Vertex AI TensorBoard.

GCS_BUCKET_NAME="PROJECT_ID-tensorboard-logs-LOCATION_ID"
gcloud storage buckets create "gs://${GCS_BUCKET_NAME}" --location=LOCATION_ID

Sostituisci LOCATION_ID con la località in cui è stata creata l'istanza di Vertex AI TensorBoard, ad esempio us-central1.

GCS_BUCKET_NAME viene utilizzato per creare un job di addestramento personalizzato con REST.

Crea un'istanza di Vertex AI TensorBoard

Prima di poter visualizzare gli esperimenti, deve essere presente un'istanza di Vertex AI TensorBoard, ovvero una risorsa regionalizzata che memorizza gli esperimenti di Vertex AI TensorBoard. Ci sono due opzioni. Puoi utilizzare un'istanza predefinita o crearne una manualmente. Puoi creare più istanze all'interno di un progetto e di una regione, ma la maggior parte degli utenti ha bisogno di una sola istanza.

Utilizza l'istanza di Vertex AI TensorBoard predefinita

Quando inizializzi un esperimento Vertex AI , viene creata automaticamente un'istanza TensorBoard predefinita. Questo TensorBoard di backup è associato all'esperimento Vertex AI e viene utilizzato con tutte le esecuzioni successive di Vertex AI Experiments. Il tensorboard_resource_name può essere recuperato direttamente dall'esperimento. Questo è il modo più semplice per iniziare a utilizzare Vertex AI TensorBoard e dovrebbe soddisfare le esigenze della maggior parte degli utenti.

SDK Vertex AI Python

Crea un esperimento di Vertex AI TensorBoard con un'istanza predefinita utilizzando l'SDK Vertex AI Python. Recupera il tensorboard_resource_name dall'esperimento. Consulta init ed Esperimento nella documentazione di riferimento dell'SDK della piattaforma agentica.

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: il nome dell'esperimento.
• experiment_description: una descrizione dell'esperimento.
• project: Il PROJECT_ID del progetto in cui vuoi creare l'istanza di TensorBoard.
• location: la località in cui creare l'istanza di TensorBoard. La località di Vertex AI TensorBoard è regionale. Assicurati di selezionare una regione che supporti Vertex AI TensorBoard.

Crea manualmente un'istanza di Vertex AI TensorBoard

Puoi creare manualmente un'istanza di Vertex AI TensorBoard. Questa opzione è utile per gli utenti che hanno più familiarità con la Google Cloud console, per gli utenti che hanno bisogno di un TensorBoard abilitato per CMEK (vedi CMEK) o per gli utenti che vogliono utilizzare più TensorBoard. Questa istanza può essere specificata direttamente quando inizializzi un esperimento Vertex AI, avvii un'esecuzione dell'esperimento o configuri il codice di addestramento.

SDK Agent Platform Python

Crea un'istanza di Vertex AI TensorBoard utilizzando l'SDK Vertex AI 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: Il PROJECT_ID del progetto in cui vuoi creare l'istanza di TensorBoard.
• display_name: un nome descrittivo per l'istanza di Vertex AI TensorBoard.
• location: la località in cui creare l'istanza di TensorBoard. La località di Vertex AI TensorBoard è regionale. Assicurati di selezionare una regione che supporti Vertex AI TensorBoard

Google Cloud CLI

Utilizza Google Cloud CLI per creare un'istanza di Vertex AI TensorBoard.

1. Installa gcloud CLI.
2. Inizializza Google Cloud CLI eseguendo gcloud init.
3. Per confermare l'installazione, esplora i comandi.
   

    gcloud ai tensorboards --help 

   
   I comandi includono create, describe, list, update, e delete. Se necessario, puoi seguire questi passaggi per impostare i valori predefiniti per il progetto e la località prima di procedere.
   
4. Esegui l'autenticazione a gcloud CLI.
   

   gcloud auth application-default login

5. Crea un'istanza di Vertex AI TensorBoard fornendo un nome progetto e un nome visualizzato. La prima volta in un progetto, questo passaggio potrebbe richiedere alcuni minuti per essere completato per la prima volta in un progetto. Prendi nota del nome dell'istanza di Vertex AI TensorBoard (ad esempio: projects/123/locations/us-central1/tensorboards/456) stampato alla fine del seguente comando. Ti servirà nei passaggi successivi.
   

   gcloud ai tensorboards create --display-name DISPLAY_NAME \
          --project PROJECT_NAME
        

   
   Sostituisci quanto segue:
   
   • PROJECT_NAME: il progetto in cui vuoi creare l'istanza di TensorBoard.
   • DISPLAY_NAME: un nome descrittivo per l'istanza di TensorBoard.

Google Cloud Console

Se vuoi che i dati di Vertex AI TensorBoard siano criptati, devi abilitare la chiave CMEK durante la creazione dell'istanza.

Segui questi passaggi per creare un'istanza di Vertex AI TensorBoard abilitata per CMEK utilizzando la Google Cloud console.

1. Se non hai familiarità con Vertex AI o stai avviando un nuovo progetto, configura il progetto e l'ambiente di sviluppo.
2. Nella sezione Vertex AI della Google Cloud console, vai alla pagina Esperimenti.
   
   Vai alla pagina Esperimenti
3. Vai alla scheda Istanze TensorBoard.
4. Fai clic su Crea nella parte superiore della pagina.
5. Seleziona una località dall'elenco a discesa Regione.
6. (Facoltativo) Aggiungi una descrizione.
7. (Facoltativo) In Crittografia, seleziona Chiave di crittografia gestita dal cliente (CMEK) e seleziona una chiave gestita dal cliente.
8. Fai clic su Crea per creare l'istanza di TensorBoard.

Terraform

L'esempio seguente utilizza la risorsa Terraform google_vertex_ai_tensorboard per creare un'istanza di Vertex AI TensorBoard non criptata.

Per scoprire come applicare o rimuovere una configurazione Terraform, consulta Comandi Terraform di base.

Terraform

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

Elimina un'istanza di TensorBoard

L'eliminazione di un'istanza di TensorBoard comporta l'eliminazione di TensorBoard e di tutti gli esperimenti e le esecuzioni di TensorBoard associati. Gli esperimenti Vertex AI a cui è associata l'istanza non vengono eliminati.

Per eliminare un esperimento Vertex AI Experiments e gli esperimenti di Vertex AI TensorBoard associati, consulta Eliminare un esperimento.

SDK Agent Platform Python

Elimina un'istanza di Vertex AI TensorBoard utilizzando l'SDK Vertex AI 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: fornisci il nome della risorsa TensorBoard.
• project: l'PROJECT_ID in cui si trova l'istanza di TensorBoard.
• location: la località in cui si trova l'istanza di TensorBoard.

Google Cloud Console

Segui questi passaggi per eliminare un'istanza di Vertex AI TensorBoard utilizzando la Google Cloud console.

1. Nella sezione Vertex AI della Google Cloud console, vai alla Esperimenti pagina.
   
   Vai alla pagina Esperimenti
2. Seleziona la scheda Istanze TensorBoard. Viene visualizzato un elenco di istanze TensorBoard.
3. Seleziona e fai clic su Elimina

Termini pertinenti

Questi termini, "nome della risorsa TensorBoard" e "ID istanza TensorBoard", sono citati in numerosi esempi.

Nome della risorsa TensorBoard

Il nome della risorsa TensorBoard viene utilizzato per identificare completamente l'istanza di Vertex AI TensorBoard. Il formato è il seguente:

projects/PROJECT_ID_OR_NUMBER/locations/REGION/tensorboards/TENSORBOARD_INSTANCE_ID

Il nome della risorsa TensorBoard viene stampato nei messaggi di log quando viene creato utilizzando gcloud CLI o l'SDK Vertex AI oppure può essere creato fornendo i valori appropriati per i segnaposto.

SDK Vertex AI Python

Il nome della risorsa TensorBoard può essere recuperato da un Vertex AI Experiments utilizzando l'SDK Vertex AI.

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: il nome dell'esperimento.
• project: l'PROJECT_ID dell'esperimento.
• location: la località in cui si trova l'esperimento.

ID istanza TensorBoard

L'ID istanza TensorBoard è un valore ID generato associato a un'istanza di TensorBoard. Per trovare TENSORBOARD_INSTANCE_ID, vai alla sezione Esperimenti di Vertex AI della Google Cloud console e seleziona la scheda Istanze TensorBoard.

Puoi anche recuperare l'ID istanza dal nome della risorsa TensorBoard.