Nesta página, explicamos a integração do PyTorch da Gemini Enterprise Agent Platform e oferecemos recursos que mostram como usar o PyTorch na Gemini Enterprise Agent Platform. A integração do PyTorch com a plataforma de agentes do Gemini Enterprise facilita o treinamento, a implantação e a orquestração de modelos do PyTorch na produção.
Executar código em notebooks
A Agent Platform oferece duas opções para executar o código em notebooks: Colab Enterprise e Gemini Enterprise Agent Platform Workbench. Para saber mais sobre essas opções, consulte Escolher uma solução de notebook.
Contêineres pré-criados para treinamento
A Gemini Enterprise Agent Platform oferece imagens de contêiner do Docker pré-criadas para treinamento de modelo. Esses contêineres são organizados por frameworks de aprendizado de máquina, versões de framework e incluem dependências comuns que podem ser usadas no código de treinamento. Para saber quais versões do PyTorch têm contêineres de treinamento pré-criados e como treinar modelos com um contêiner de treinamento pré-criado, consulte Contêineres pré-criados para treinamento personalizado.
Contêineres pré-criados para veicular inferências
A plataforma de agente do Gemini Enterprise oferece imagens de contêiner do Docker pré-criadas para veicular inferências em lote e on-line. Esses contêineres são organizados por frameworks de aprendizado de máquina, versões de framework e incluem dependências comuns que podem ser usadas no código de inferência. Para saber quais versões do PyTorch têm contêineres de inferência pré-criados e como veicular modelos com um contêiner de inferência pré-criado, consulte Contêineres pré-criados para treinamento personalizado.
Treinamento distribuído
É possível executar o treinamento distribuído de modelos PyTorch na Gemini Enterprise Agent Platform. Para o treinamento de vários workers, é possível usar o Servidor de redução para otimizar ainda mais o desempenho para operações coletivas com redução de tudo. Para saber mais sobre o treinamento distribuído na plataforma de agentes do Gemini Enterprise, consulte Treinamento distribuído.
Recursos para usar o PyTorch na Gemini Enterprise Agent Platform
Para saber mais e começar a usar o PyTorch na plataforma de agentes do Gemini Enterprise, consulte os recursos a seguir:
- Como treinar e ajustar modelos do PyTorch na Gemini Enterprise Agent Platform: como usar o Treinamento da Gemini Enterprise Agent Platform para criar e treinar um modelo de classificação de texto de sentimento usando o PyTorch e Ajuste de hiperparâmetros da Gemini Enterprise Agent Platform para ajustar os hiperparâmetros de modelos do PyTorch.
- Como implantar modelos do PyTorch na plataforma de agentes do Gemini Enterprise: percorra a implantação de um modelo do Pytorch usando o TorchServe como um contêiner personalizado, implantando os artefatos de modelo para um serviço da Vertex AI Inference.
- Orquestração dos fluxos de trabalho de ML do PyTorch nos pipelines da Agent Platform: como criar e orquestrar pipelines de ML para treinamento e implantação de modelos do PyTorch na Google Cloud Gemini Enterprise Agent Platform usando os pipelines da Agent Platform.
- Fluxos de trabalho de ML escalonáveis usando o PyTorch nos pipelines do Kubeflow e do Vertex : Veja alguns exemplos de fluxos de trabalho de ML baseados em PyTorch nos Pipelines do Kubeflow do OSS, (parte do projeto Kubeflow) e Pipelines da plataforma de agentes. Compartilhamos os novos componentes integrados do PyTorch adicionados aos Pipelines do Kubeflow.
- Como disponibilizar modelos de imagem do PyTorch com contêineres predefinidos na plataforma de agentes: este notebook implanta um modelo de classificação de imagens do PyTorch na plataforma de agentes usando imagens predefinidas do PyTorch.
A seguir
- Tutorial: use a plataforma de agentes do Gemini Enterprise para treinar um modelo de classificação
de imagens PyTorch em um dos ambientes de contêiner pré-criados da plataforma
de agentes do Gemini Enterprise usando o console Google Cloud .
Para seguir as instruções detalhadas desta tarefa diretamente no console do Google Cloud , clique em Orientação: