Auf dieser Seite wird die PyTorch-Einbindung von Gemini Enterprise Agent Platform erläutert. Außerdem erfahren Sie, wie Sie PyTorch auf Gemini Enterprise Agent Platform verwenden. Die PyTorch-Einbindung von Gemini Enterprise Agent Platform erleichtert das Trainieren, Bereitstellen und Orchestrieren von PyTorch-Modellen in der Produktion.
Code in Notebooks ausführen
Die Agent Platform bietet zwei Optionen zum Ausführen Ihres Codes in Notebooks: Colab Enterprise und Vertex AI Workbench. Weitere Informationen zu diesen Optionen finden Sie unter Notebooklösung auswählen.
Vordefinierte Container für das Training
Die Gemini Enterprise Agent Platform bietet vordefinierte Docker-Container-Images für das Modelltraining. Diese Container sind nach Frameworks für maschinelles Lernen und Framework-Versionen organisiert und enthalten allgemeine Abhängigkeiten, die Sie in Ihrem Trainingscode verwenden können. Informationen darüber, welche PyTorch-Versionen vordefinierte Trainingscontainern umfassen und über das Trainieren von Modellen mit einem vordefinierten Trainingscontainer finden Sie unter Vordefinierte Container für benutzerdefiniertes Training.
Vordefinierte Container für die Bereitstellung von Inferenzanfragen
Die Gemini Enterprise Agent Platform bietet vordefinierte Docker-Container-Images für die Bereitstellung von Batch- und Onlineinferenzen. Diese Container sind nach Frameworks für maschinelles Lernen und Framework-Versionen organisiert und enthalten allgemeine Abhängigkeiten, die Sie in Ihrem Inferenzcode verwenden können. Informationen darüber, welche PyTorch-Versionen vordefinierte Inferenzcontainer umfassen und über das Bereitstellen von Modellen mit einem vordefinierten Inferenzcontainer finden Sie unter Vordefinierte Container für benutzerdefiniertes Training.
Verteiltes Training
Sie können das verteilte Training von PyTorch-Modellen auf der Gemini Enterprise Agent Platform verwenden. Beim Multi-Worker-Training können Sie mit dem Reduzierungsserver die Leistung für kollektive Vorgänge noch weiter optimieren. Weitere Informationen zum verteilten Training auf der Gemini Enterprise Agent Platform finden Sie unter Verteiltes Training.
Ressourcen für die Verwendung von PyTorch auf der Gemini Enterprise Agent Platform
Weitere Informationen, darunter zur Verwendung von PyTorch in der Gemini Enterprise Agent Platform, finden Sie in den folgenden Ressourcen:
- PyTorch-Modelle auf der Gemini Enterprise Agent Platform trainieren und optimieren: Erfahren Sie, wie Sie mit Gemini Enterprise Agent Platform Training ein Sentimenttextklassifizierungsmodell mit PyTorch erstellen und trainieren und wie Sie mit der Gemini Enterprise Agent Platform-Hyperparameter-Abstimmung Hyperparameter von PyTorch-Modellen optimieren.
- PyTorch-Modelle in der Gemini Enterprise Agent Platform bereitstellen: In dieser Anleitung wird die Bereitstellung eines PyTorch-Modells mit TorchServe als benutzerdefinierten Container beschrieben. Dazu werden die Modellartefakte in einem Vertex AI Inference-Dienst bereitgestellt.
- PyTorch ML-Workflows auf Agent Platform Pipelines orchestrieren: Informationen zum Erstellen und Orchestrieren von ML-Pipelines zum Trainieren und Bereitstellen von PyTorch-Modellen auf der Google Cloud Gemini Enterprise Agent Platform mit Agent Platform Pipelines
- Skalierbare ML-Workflows mit PyTorch auf Kubeflow Pipelines und Vertex-Pipelines: Sehen Sie sich Beispiele für PyTorch ML-Workflows für OSS Kubeflow Pipelines (Teil des Kubeflow-Projekts) und Agent Platform Pipelines an. Wir stellen neue PyTorch-Komponenten bereit, die den Kubeflow Pipelines hinzugefügt werden.
- PyTorch-Bildmodelle mit vordefinierten Containern auf der Agent Platform bereitstellen: In diesem Notebook wird ein PyTorch-Bildklassifizierungsmodell auf der Agent Platform mit vordefinierten PyTorch-Bereitstellungs-Images bereitgestellt.
Nächste Schritte
- Anleitung: Mit der Gemini Enterprise Agent Platform ein PyTorch-Bildklassifizierungsmodell in einer der vordefinierten Containerumgebungen der Gemini Enterprise Agent Platform mithilfe der Google Cloud Console trainieren.
Eine detaillierte Anleitung dazu finden Sie direkt in der Google Cloud Console. Klicken Sie dazu einfach auf Anleitung: