בדף הזה מוסבר על השילוב של TensorFlow ב-Gemini Enterprise Agent Platform, ומוצגים מקורות מידע שמסבירים איך להשתמש ב-TensorFlow ב-Gemini Enterprise Agent Platform. השילוב של TensorFlow ב-Gemini Enterprise Agent Platform מאפשר לכם לאמן, לפרוס ולתזמר מודלים של TensorFlow בסביבת הייצור בקלות רבה יותר.
הרצת קוד ב-notebooks
פלטפורמת הסוכנים מספקת שתי אפשרויות להרצת הקוד ב-notebooks: Colab Enterprise ו-Vertex AI Workbench. מידע נוסף על האפשרויות האלה זמין במאמר בנושא בחירת פתרון למחברת.
מאגרי תגים מוכנים מראש לאימון
פלטפורמת הסוכנים של Gemini Enterprise מספקת קובצי אימג' לקונטיינרים של Docker שנוצרו מראש לאימון מודלים. המאגדים האלה מאורגנים לפי מסגרות למידת מכונה וגרסאות של מסגרות, והם כוללים תלות נפוצות שאולי תרצו להשתמש בהן בקוד ההדרכה.
במאמר קונטיינרים מוכנים מראש לאימון בהתאמה אישית מוסבר אילו גרסאות של TensorFlow כוללות קונטיינרים מוכנים מראש לאימון, ואיך לאמן מודלים באמצעות קונטיינר מוכן מראש לאימון.
אימון מבוזר
אתם יכולים להריץ אימון מבוזר של מודלים של TensorFlow ב-Gemini Enterprise Agent Platform. באימון עם כמה תהליכי worker, אפשר להשתמש בשרת לצמצום כדי לשפר עוד יותר את הביצועים של פעולות קולקטיביות מסוג all-reduce. מידע נוסף על אימון מבוזר ב-Gemini Enterprise Agent Platform זמין במאמר בנושא אימון מבוזר.
קונטיינרים מוכנים מראש להסקת מסקנות
בדומה לקונטיינרים מוכנים מראש לאימון, Gemini Enterprise Agent Platform מספקת תמונות קונטיינר מוכנות מראש להצגת מסקנות והסברים ממודלים של TensorFlow שיצרתם בתוך Gemini Enterprise Agent Platform או מחוצה לה. התמונות האלה מספקות שרתי היסק HTTP שאפשר להשתמש בהם כדי להכניס היסקים לשימוש בסביבת הייצור עם מינימום הגדרה.
במאמר קונטיינרים מוכנים מראש לאימון בהתאמה אישית מוסבר אילו גרסאות של TensorFlow כוללות קונטיינרים מוכנים מראש לאימון, ואיך לאמן מודלים באמצעות קונטיינר מוכן מראש לאימון.
זמן ריצה אופטימלי של TensorFlow
סביבת זמן הריצה האופטימלית של TensorFlow משתמשת באופטימיזציות של מודלים ובטכנולוגיות קנייניות חדשות של Google כדי לשפר את המהירות ולהפחית את העלות של מסקנות בהשוואה למאגרי מידע סטנדרטיים של מסקנות שנוצרו מראש ב-TensorFlow ב-Gemini Enterprise Agent Platform.
שילוב של TensorFlow Cloud Profiler
אתם יכולים לאמן מודלים בצורה זולה ומהירה יותר על ידי מעקב אחר הביצועים של משימת האימון וביצוע אופטימיזציה שלה באמצעות השילוב של TensorFlow Cloud Profiler ב-Gemini Enterprise Agent Platform. TensorFlow Cloud Profiler עוזר לכם להבין את צריכת המשאבים של פעולות האימון, כדי שתוכלו לזהות צווארי בקבוק בביצועים ולבטל אותם.
מידע נוסף על Agent Platform TensorFlow Cloud Profiler זמין במאמר Profile model training performance using Profiler.
מקורות מידע לשימוש ב-TensorFlow ב-Gemini Enterprise Agent Platform
כדי לקבל מידע נוסף ולהתחיל להשתמש ב-TensorFlow ב-Gemini Enterprise Agent Platform, אפשר לעיין במקורות המידע הבאים.
מאב טיפוס לייצור: סדרת סרטונים שכוללת דוגמה מקצה לקצה לפיתוח ולפריסה של מודל TensorFlow בהתאמה אישית ב-Gemini Enterprise Agent Platform.
אופטימיזציה של ביצועי האימון באמצעות Reduction Server ב-Gemini Enterprise Agent Platform: פוסט בבלוג בנושא אופטימיזציה של אימון מבוזר ב-Gemini Enterprise Agent Platform באמצעות Reduction Server.
איך לשפר את ביצועי האימון באמצעות TensorFlow Cloud Profiler ב-Gemini Enterprise Agent Platform: פוסט בבלוג שמסביר איך לזהות צווארי בקבוק בביצועים של משימת האימון באמצעות TensorFlow Cloud Profiler ב-Gemini Enterprise Agent Platform.
חיזוי באצווה של מודל בהתאמה אישית עם סינון תכונות: מדריך ב-Notebook שמראה איך להשתמש ב-Agent Platform SDK for Python כדי לאמן מודל סיווג טבלאי בהתאמה אישית ולבצע הסקה באצווה עם סינון תכונות.
צינורות עיבוד נתונים של Agent Platform: אימון מותאם אישית באמצעות רכיבי צינור עיבוד נתונים מוכנים מראש Google Cloud: מדריך מחברת שמראה איך להשתמש בצינורות עיבוד נתונים של Gemini Enterprise Agent Platform עם רכיבי צינור עיבוד נתונים מוכנים מראש Google Cloud לאימון מותאם אישית.
אירוח משותף של מודלים של TensorFlow באותה מכונה וירטואלית לצורך חיזויים: ב-Codelab הזה נסביר איך להשתמש בתכונת האירוח המשותף במודל ב-Gemini Enterprise Agent Platform כדי לארח כמה מודלים באותה מכונה וירטואלית לצורך הסקת מסקנות אונליין.