如果您要自行編寫訓練程式碼，而非使用 AutoML，可以考慮多種 Gemini Enterprise Agent Platform 無伺服器訓練方式。本文將簡要介紹並比較不同的無伺服器訓練執行方式。
Agent Platform 的無伺服器訓練資源
您可以在 Agent Platform 建立三種資源，用於訓練自訂模型：
建立自訂工作時，您需要指定 Agent Platform 執行訓練程式碼所需的設定，包括：
- 一個工作站集區用於單一節點訓練 (
WorkerPoolSpec)，或多個工作站集區用於分散式訓練 - 設定工作排程 (
Scheduling)、為訓練程式碼設定特定環境變數、使用自訂服務帳戶，以及使用虛擬私有雲網路對接的選用設定
您可以在 worker 集區中指定下列設定：
- 機型和加速器
- 設定 worker 集區執行的訓練程式碼類型：Python 訓練應用程式 (
PythonPackageSpec) 或自訂容器 (ContainerSpec)
訓練管道會自動調度管理無伺服器訓練工作或超參數調整工作，並執行額外步驟，例如在訓練工作成功完成後，載入資料集或將模型上傳至 Agent Platform。
無伺服器訓練資源
如要查看專案中現有的訓練管道，請前往Google Cloud 控制台「Agent Platform」部分的「Training Pipelines」(訓練管道) 頁面。
如要查看專案中現有的自訂工作，請前往「Custom jobs」(自訂工作) 頁面。
如要查看專案中現有的超參數調整工作，請前往「Hyperparameter tuning」(超參數調整) 頁面。
前往「Hyperparameter tuning」(超參數調整)
預先建構和自訂容器
將無伺服器訓練工作、超參數調整工作或訓練管道提交至 Agent Platform 前，您必須建立 Python 訓練應用程式或自訂容器，定義要在 Agent Platform 執行的訓練程式碼和依附元件。如果您使用 TensorFlow、PyTorch、scikit-learn 或 XGBoost 建立 Python 訓練應用程式，可以使用我們預先建構的容器執行程式碼。如果不確定要選擇哪一個選項，請參閱訓練程式碼規定，瞭解詳情。
分散式訓練
您可以指定多個 worker 集區，設定無伺服器訓練工作、超參數調整工作或分散式訓練的訓練管道：
- 使用第一個 worker 集區設定主要副本，並將副本數量設為 1。
- 如果機器學習架構支援這些額外的分散式訓練叢集工作，請新增更多 worker 集區，設定 worker 副本、參數伺服器副本或評估器副本。
進一步瞭解如何使用分散式訓練。
後續步驟
- 瞭解如何建立永久資源，以便執行無伺服器訓練工作。
- 請參閱「建立無伺服器訓練工作」，瞭解如何建立無伺服器訓練工作，在 Gemini Enterprise Agent Platform 執行無伺服器訓練應用程式。
- 請參閱「建立訓練管道」，瞭解如何建立訓練管道，在 Gemini Enterprise Agent Platform 執行無伺服器訓練應用程式。
- 如要瞭解超參數調整搜尋，請參閱「使用超參數調整」。