Tracking classes

L'SDK Agent Platform per Python include classi per facilitare la visualizzazione, le misurazioni e il monitoraggio. Queste classi possono essere raggruppate in tre tipi:

  • Classi che utilizzano i metadati per monitorare le risorse nel flusso di lavoro di machine learning (ML)
  • Classi utilizzate per Experiments on Agent Platform
  • Classi utilizzate per un'istanza di Vertex AI TensorBoard della piattaforma agente

I seguenti argomenti forniscono una panoramica delle classi relative al monitoraggio di un flusso di lavoro ML nell'SDK Agent Platform per Python.

Classi di metadati

Puoi utilizzare l'SDK Agent Platform per Python per creare i metadati ML di Gemini Enterprise Agent Platform per monitorare e analizzare i metadati nel tuo workflow ML. Per saperne di più, consulta Introduzione a Gemini Enterprise Agent Platform ML Metadata.

Artifact {: id="artifact-class"}

La classe Artifact rappresenta i metadati in un artefatto in Gemini Enterprise Agent Platform. Un artefatto è un'entità o un dato distinto prodotto da un flusso di lavoro ML. Esempi di artefatto includono un set di dati o un modello. Per saperne di più, consulta Monitora esecuzioni e artefatti.

Quando crei una risorsa Artifact, devi specificarne lo 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 saperne di più, consulta Come utilizzare gli schemi di sistema.

Il seguente codice campione mostra come creare una risorsa Artifact che rappresenta 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 Gemini Enterprise Agent Platform. Un'esecuzione è un passaggio di un flusso di lavoro ML. Esempi di esecuzione sono il trattamento dei dati, l'addestramento e la valutazione del modello. Un'esecuzione può utilizzare artefatti, come un set di dati, e produrre un artefatto, come 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 parametro resume impostato su True per riprenderla.

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])

Classi di Vertex AI Experiments

Puoi utilizzare l'SDK Agent Platform per Python per creare ed eseguire esperimenti su Agent Platform. Utilizza Esperimenti su Agent Platform per monitorare le metriche basate sui log e i parametri per analizzare e ottimizzare il workflow ML. Per saperne di più, consulta Introduzione agli esperimenti su Agent Platform.

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

Experiment

La classe Experiment rappresenta un esperimento in Gemini Enterprise Agent Platform. Utilizza un esperimento per analizzare le relative esecuzioni di esperimenti ed esecuzioni di pipeline con configurazioni diverse, ad esempio più artefatti di input e iperparametri.

Esistono due modi per creare una risorsa Experiment:

  1. Il modo preferito per creare un 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)

  2. Puoi anche creare un Experiment chiamando il numero 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 l'esecuzione di un esperimento.

Il seguente codice campione mostra come creare e avviare l'esecuzione di un esperimento, quindi 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=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 Agent Platform per Python include classi per lavorare 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 saperne di più, consulta Inizia a utilizzare Vertex AI TensorBoard.

Per scoprire di più sull'utilizzo dell'SDK Agent Platform per Python per lavorare con Vertex AI TensorBoard, prova uno dei seguenti tutorial sui blocchi 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,
)

TensorboardExperiment

TensorboardExperiment rappresenta un gruppo di oggetti TensorboardRun. Un'istanza TensorboardRun rappresenta i risultati di un job di addestramento eseguito in una Tensorboard.

TensorboardRun

Un'istanza della classe TensorboardRun viene mappata a un job di addestramento eseguito in un Tensorboard con un insieme specificato di iperparametri, una definizione del modello, un set di dati e altro ancora.

TensorboardTimeSeries

La classe TensorboardTimeSeries rappresenta una serie prodotta nelle esecuzioni di addestramento.

Passaggi successivi