Auf dieser Seite wird die TensorFlow-Integration der Gemini Enterprise Agent Platform erläutert. Außerdem erfahren Sie, wie Sie TensorFlow in der Gemini Enterprise Agent Platform verwenden. Die TensorFlow-Integration von Gemini Enterprise Agent Platform erleichtert das Trainieren, Bereitstellen und Orchestrieren von TensorFlow-Modellen in der Produktion.
Code in Notebooks ausführen
Die Agent Platform bietet zwei Optionen zum Ausführen Ihres Codes in Notebooks: Colab Enterprise und die Gemini Enterprise Agent Platform 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 zu den TensorFlow-Versionen mit vordefinierten Trainingscontainern und zum Trainieren von Modellen mit einem vordefinierten Trainingscontainer finden Sie unter Vordefinierte Container für benutzerdefiniertes Training.
Verteiltes Training
Sie können das verteilte Training von TensorFlow-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.
Vordefinierte Container für die Inferenz
Ähnlich wie vordefinierte Container für das Training bietet die Gemini Enterprise Agent Platform vordefinierte Container-Images zum Bereitstellen von Inferenzen und Erläuterungen aus TensorFlow-Modellen, die Sie entweder innerhalb oder außerhalb der Gemini Enterprise Agent Platform erstellt haben. Diese Images stellen HTTP-Inferenzserver bereit, mit denen Sie Inferenzanfragen mit minimaler Konfiguration bereitstellen können.
Informationen zu den TensorFlow-Versionen mit vordefinierten Trainingscontainern und zum Trainieren von Modellen mit einem vordefinierten Trainingscontainer finden Sie unter Vordefinierte Container für benutzerdefiniertes Training.
Optimierte TensorFlow-Laufzeit
Die optimierte TensorFlow-Laufzeit verwendet Modelloptimierungen und neue proprietäre Google-Technologien. Dadurch werden die Geschwindigkeit verbessert und die Kosten für Inferenzen im Vergleich zu den vorkonfigurierten Standardinferenzcontainern für TensorFlow der Gemini Enterprise Agent Platform gesenkt.
TensorFlow Cloud Profiler-Integration
Mit der TensorFlow Cloud Profiler-Integration von Gemini Enterprise Agent Platform lassen sich Modelle durch Überwachung und Optimierung der Leistung Ihres Trainingsjobs kostengünstiger und schneller trainieren. TensorFlow Cloud Profiler hilft Ihnen, den Ressourcenverbrauch von Trainingsvorgängen zu verstehen, damit Sie Leistungsengpässe identifizieren und beseitigen können.
Weitere Informationen zu Agent Platform TensorFlow Cloud Profiler finden Sie unter Leistung des Modelltrainings mit Profiler profilieren.
Ressourcen für die Verwendung von TensorFlow auf der Gemini Enterprise Agent Platform
Weitere Informationen, darunter zur Verwendung von TensorFlow in der Gemini Enterprise Agent Platform, finden Sie in den folgenden Ressourcen.
Vom Prototyp zur Produktion: Eine Videoreihe mit einem End-to-End-Beispiel zur Entwicklung und Bereitstellung eines benutzerdefinierten TensorFlow-Modells auf der Gemini Enterprise Agent Platform.
Trainingsleistung mit Reduction Server auf der Gemini Enterprise Agent Platform optimieren: Ein Blogpost zur Optimierung des verteilten Trainings auf der Gemini Enterprise Agent Platform mit Reduction Server.
Optimierung der Trainingsleistung mit TensorFlow Cloud Profiler in der Gemini Enterprise Agent Platform: In einem Blogpost erfahren Sie, wie Sie Leistungsengpässe in Ihrem Trainingsjob mithilfe von Gemini Enterprise Agent Platform TensorFlow Cloud Profiler ermitteln.
Batchvorhersage für benutzerdefiniertes Modell mit Featurefilterung: Eine Notebook-Anleitung, die Ihnen zeigt, wie Sie das Agent Platform SDK für Python verwenden, um ein benutzerdefiniertes tabellarisches Klassifizierungsmodell zu trainieren und Batchinferenz mit Feature-Filterung durchzuführen.
Agent Platform Pipelines: Benutzerdefiniertes Training mit vordefinierten Google CloudPipeline-Komponenten: Eine Notebook-Anleitung, die Ihnen zeigt, wie Sie Gemini Enterprise Agent Platform Pipelines mit vordefinierten Google Cloud Pipeline-Komponenten für benutzerdefiniertes Training verwenden.
TensorFlow-Modelle auf derselben VM für Vorhersagen hosten: Ein Codelab, das zeigt, wie Sie die Funktion für das gemeinsame Hosting von Modellen in der Gemini Enterprise Agent Platform verwenden, um mehrere Modelle auf derselben VM für Onlinevorhersagen zu hosten.