Classi modello

L'SDK Vertex AI include la classe Model per lavorare con un modello che addestri e poi utilizzi per le previsioni. L'SDK include anche la classe ModelEvaluation per valutare le metriche sui modelli AutoML addestrati. Per ulteriori informazioni sui modelli, vedi Addestra e utilizza i tuoi modelli.

Model

La classe Model rappresenta un modello addestrato registrato in Model Registry di Gemini Enterprise Agent Platform. Utilizzi un modello addestrato per generare previsioni.

Utilizza il metodo aiplatform.Model() per trovare e restituire un riferimento a un modello. Puoi specificare un modello utilizzando il nome o l'ID. Poiché più modelli in un progetto possono condividere lo stesso nome, ti consigliamo di specificare un modello con il relativo ID modello. Il seguente esempio di codice mostra come utilizzare un ID modello per trovare e restituire un riferimento a un modello esistente:

MODEL_ID="my-sample-model-ID"
model = aiplatform.Model(model_name=MODEL_ID)

Dopo aver fatto riferimento a un modello addestrato, puoi utilizzare le proprietà e i metodi di Model per utilizzarlo e ottenere previsioni.

Crea un modello registrato

Per creare una risorsa modello registrata in Model Registry di Gemini Enterprise Agent Platform, chiama il metodo run su una classe di job di addestramento. I seguenti metodi creano un modello, lo addestrano, lo registrano nel registro dei modelli di Gemini Enterprise Agent Platform e restituiscono un riferimento al modello.

Il seguente codice campione mostra come creare una risorsa CustomTrainingJob e poi utilizzare il relativo metodo run per creare un modello, addestrarlo, registrarlo nel registro dei modelli della piattaforma di agenti Gemini Enterprise e restituire un riferimento al modello:

# Create a custom training job using a script
job = aiplatform.CustomTrainingJob(
    display_name="my-training-job",
    script_path="task.py",
    container_uri="us-docker.pkg.dev/vertex-ai/training/tf-cpu.2-8:latest",
    requirements=["google-cloud-bigquery>=2.20.0", "db-dtypes", "protobuf<3.20.0"],
    model_serving_container_image_uri="us-docker.pkg.dev/vertex-ai/prediction/tf2-cpu.2-8:latest",
)

# Create and train your model using a BigQuery dataset. The method
# returns a reference to the trained model.
model = job.run(
    dataset=dataset,
    model_display_name="my-model-name",
    bigquery_destination=f"bq://{project_id}",
    args=CMDARGS,
)

Creare un modello non registrato

Per creare un modello non registrato in Model Registry di Gemini Enterprise Agent Platform, utilizza la classe CustomJob e il relativo metodo run. Il metodo CustomJob.run addestra un modello, ma non lo registra in Gemini Enterprise Agent Platform Model Registry e non restituisce un riferimento al modello.

Se utilizzi la classe CustomJob, devi utilizzare uno script per scrivere il modello in una posizione come un bucket Cloud Storage. Per saperne di più, consulta Esportare un modello di ML addestrato.

Registra un modello

Se hai un modello non registrato nel registro dei modelli di Gemini Enterprise Agent Platform, devi registrarlo per poter gestire il ciclo di vita del modello. Model Registry di Gemini Enterprise Agent Platform è un repository centrale che fornisce una panoramica dei tuoi modelli per consentirti di gestirli. Per maggiori informazioni, consulta Introduzione a Model Registry di Gemini Enterprise Agent Platform.

L'SDK Vertex AI include i seguenti metodi per importare un modello in Gemini Enterprise Agent Platform Model Registry. Fai clic su uno dei metodi per saperne di più nella guida di riferimento dell'SDK Vertex AI.

Esegui il deployment di un modello

Dopo aver registrato un modello, devi eseguirne il deployment in un endpoint prima di poterlo utilizzare per le previsioni. Utilizza il metodo Model.deploy per eseguire il deployment del modello in un Endpoint. Per maggiori informazioni, vedi Esegui il deployment di un modello su un endpoint.

ModelEvaluation

Utilizza la classe ModelEvaluation per ottenere metriche di valutazione per i modelli AutoML, come precisione e richiamo, per aiutarti a determinare le prestazioni dei tuoi modelli. Per saperne di più, consulta Valutazione del modello in Gemini Enterprise Agent Platform.

L'esempio di codice seguente mostra come elencare tutte le valutazioni per un modello con ID modello model-id che si trova in un progetto con ID progetto my-project e nella regione us-central1:

model = aiplatform.Model('projects/my-project/locations/us-central1/models/{model-id}')

evaluations = model.list_model_evaluations()

Il seguente esempio di codice mostra come ottenere la valutazione del modello per un modello con ID modello model-id che si trova in un progetto con ID progetto my-project e nella regione us-central1:

model = aiplatform.Model('projects/my-project/locations/us-central1/models/{model-id}')

# Return the first evaluation with no arguments. You can also specify a model
# using its model ID.
evaluation = model.get_model_evaluation()

eval_metrics = evaluation.metrics

Per creare un riferimento a una valutazione del modello, utilizza il nome della risorsa o l'ID modello e l'ID valutazione. Il seguente esempio di codice mostra come creare un riferimento a una valutazione del modello utilizzando il nome della risorsa:

evaluation = aiplatform.ModelEvaluation(
  evaluation_name='projects/my-project/locations/us-central1/
    models/{model-id}/evaluations/{evaluation-id}')

eval_metrics = evaluation.metrics

Il seguente esempio di codice mostra come creare un riferimento a una valutazione del modello utilizzando l'ID modello e l'ID valutazione:

evaluation.metrics = aiplatform.ModelEvaluation(
  evaluation_name={evaluation-id},
  model_id={model-id})

eval_metrics = evaluation.metrics

Passaggi successivi