Classi di monitoraggio

L'SDK Vertex AI Python include classi che aiutano con 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 Vertex AI Experiments
  • Classi utilizzate per una Vertex AI TensorBoard

Gli argomenti seguenti forniscono una panoramica delle classi relative al monitoraggio e al controllo di un workflow ML in SDK Vertex AI Python.

Classi di metadati

Puoi utilizzare l'SDK Vertex AI Python per creare Vertex ML Metadata per aiutarti a monitorare e analizzare i metadati nel workflow ML. Per ulteriori informazioni, consulta Introduzione a Vertex ML Metadata.

Artifact

La classe Artifact rappresenta i metadati in un artefatto nella piattaforma Gemini Enterprise Agent. Un artefatto è un'entità discreta o un insieme di dati prodotto da un flusso di lavoro ML. Esempi di artefatto sono un set di dati, un modello e un file di input. Per saperne di più, consulta Monitorare le esecuzioni e gli 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 di un'esecuzione in Gemini Enterprise Agent Platform. Un'esecuzione è un passaggio in un flusso di lavoro ML. Esempi di esecuzione sono l'elaborazione dei dati, l'addestramento e la valutazione del modello. Un'esecuzione può utilizzare artefatti, ad esempio un set di dati, e produrre un artefatto, ad esempio 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 Vertex AI Experiments

Puoi utilizzare l'SDK Vertex AI Python per creare ed eseguire Vertex AI Experiments. Utilizza Vertex AI Experiments per monitorare le metriche e i parametri registrati per analizzare e ottimizzare il flusso di lavoro ML. Per ulteriori informazioni, consulta Introduzione a Vertex AI Experiments.

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 dell'esperimento e esecuzioni della 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, ottieni un riferimento all'istanza ExperimentRun e chiama il suo 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 Vertex AI TensorBoard

L'SDK Vertex AI per Python include classi per lavorare con una versione gestita di open source Vertex AI TensorBoard. Vertex AI TensorBoard è uno strumento utilizzato per monitorare le misurazioni e le visualizzazioni durante il flusso di lavoro ML. Per saperne di più, consulta Guida introduttiva a Vertex AI TensorBoard.

Per scoprire di più su come utilizzare l'SDK Vertex AI 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 di Tensorboard prima che gli esperimenti possano essere visualizzati. Puoi creare più di un'istanza Tensorboard in un progetto Google Cloud .

Il seguente codice campione mostra come creare un'istanza di 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 TensorBoard.

TensorboardRun

Un'istanza della classe TensorboardRun corrisponde a un job di addestramento eseguito in 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