Visualizza l'architettura del modello

Questa pagina fornisce informazioni su come utilizzare Cloud Logging per visualizzare i dettagli di un modello della piattaforma Gemini Enterprise Agent. Utilizzando Logging, vedrai:

• Gli iperparametri del modello finale come coppie chiave-valore.
• Gli iperparametri e i valori degli oggetti utilizzati durante l'addestramento e l'ottimizzazione del modello, nonché un valore obiettivo.

Per impostazione predefinita, i log vengono eliminati dopo 30 giorni.

Vengono trattati i seguenti argomenti:

1. Visualizzazione dei log di addestramento.
2. Campi log.

Nota: i log dell'architettura del modello vengono forniti nell'ambito del servizio Cloud Logging. Per informazioni generali su Cloud Logging, consulta la documentazione di Cloud Logging.

Prima di iniziare

Prima di poter visualizzare i log degli iperparametri per il modello, devi addestrarlo.

Per eseguire questa attività, devi disporre delle seguenti autorizzazioni:

• logging.logServiceIndexes.list sul progetto
• logging.logServices.list sul progetto

Visualizzazione dei log di addestramento

Puoi utilizzare la console Google Cloud per accedere ai log degli iperparametri del modello finale e ai log degli iperparametri delle prove di ottimizzazione.

1. Nella console Google Cloud , vai alla pagina Modelli della piattaforma di agenti Gemini Enterprise.

   Vai alla pagina Modelli

2. Nel menu a discesa Regione, seleziona la regione in cui si trova il modello.

3. Seleziona il tuo modello dall'elenco.

4. Seleziona il numero di versione del modello.

5. Apri la scheda Dettagli versione.

6. Per visualizzare il log degli iperparametri del modello finale, vai alla riga Iperparametri del modello e fai clic su Modello.

   1. Esiste una sola voce di log. Espandi il payload come mostrato di seguito. Per maggiori dettagli, vedi Campi dei log.

      

7. Per visualizzare il log degli iperparametri delle prove di ottimizzazione, vai alla riga Iperparametri del modello e fai clic su Prove.

   1. È presente una voce per ogni prova di ottimizzazione. Espandi il payload come mostrato di seguito. Per maggiori dettagli, vedi Campi dei log.

      

Campi log

I log delle attività sono strutturati come descritto nella documentazione del tipo LogEntry.

I log del modello della piattaforma agentica Gemini Enterprise includono, tra gli altri campi:

• labels: il campo log_type è impostato su automl_tables.
• jsonPayload: i dettagli specifici della voce di log, forniti in formato oggetto JSON. Per maggiori dettagli, consulta Contenuti del payload per il log degli iperparametri del modello finale o Contenuti del payload per il log degli iperparametri di una prova di ottimizzazione.
• timestamp: la data e l'ora in cui è stato creato il modello o è stata eseguita la prova.

Contenuti del payload per il log degli iperparametri del modello finale

Il campo jsonPayload per il log degli iperparametri del modello finale contiene un campo modelParameters. Questo campo contiene una voce per ogni modello che contribuisce al modello di insieme finale. Ogni voce ha un campo hyperparameters, il cui contenuto dipende dal tipo di modello. Per maggiori dettagli, consulta l'elenco degli iperparametri.

Contenuti del payload per il log degli iperparametri di una prova di ottimizzazione

Il campo jsonPayload per il log degli iperparametri di una prova di ottimizzazione contiene i seguenti campi:

Campo	Tipo	Descrizione
modelStructure	JSON	Una descrizione della struttura del modello Agent Platform. Questo campo contiene un campo modelParameters. Il campo modelParameters ha un campo hyperparameters, il cui contenuto dipende dal tipo di modello. Per maggiori dettagli, consulta l'elenco degli iperparametri.
trainingObjectivePoint	JSON	L'obiettivo di ottimizzazione utilizzato per l'addestramento del modello. Questa voce include un timestamp e un valore obiettivo al momento della registrazione della voce di log.

Elenco degli iperparametri

I dati degli iperparametri forniti nei log variano in base al tipo di modello. Le sezioni seguenti descrivono gli iperparametri per ciascun tipo di modello.

Modelli Gradient Boosted Decision Tree

• Regolarizzazione L1 dell'albero
• Regolarizzazione L2 dell'albero
• Profondità massima albero
• Tipo di modello: GBDT
• Numero di alberi
• Complessità dell'albero

Modelli di rete neurale feed-forward

• Tasso di abbandono
• Abilita batchNorm (True o False)
• Attiva incorporamento L1 (True o False)
• Attiva l'incorporamento L2 (True o False)
• Attiva L1 (True o False)
• Attiva L2 (True o False)
• Attiva layerNorm (True o False)
• Attiva l'incorporamento numerico (True o False)
• Dimensione dello strato nascosto
• Tipo di modello: nn
• Normalizza colonna numerica (True o False)
• Numero di livelli incrociati
• Numero di livelli nascosti
• Ignora il tipo di connessioni (dense, disable, concat o slice_or_padding)

Passaggi successivi

Quando è tutto pronto per fare previsioni con il modello di classificazione o regressione, hai due opzioni:

• Fare previsioni online (in tempo reale) utilizzando il modello.
• Ottieni previsioni batch direttamente dal modello.

Inoltre, puoi:

• Valuta il modello.
• Consulta le informazioni generali su Cloud Logging.
• Puoi esportare i log in BigQuery, Cloud Storage o Pub/Sub. Per scoprire come esportare i log delle attività, consulta Instrada i log verso destinazioni supportate nella documentazione di Logging.