אימון ופריסה של המודל

בשלבים הקודמים של המדריך הזה, הכנתם את הנתונים לאימון ויצרתם סקריפט ש-Gemini Enterprise Agent Platform משתמשת בו כדי לאמן את המודל. עכשיו אפשר להשתמש ב-Agent Platform SDK for Python כדי ליצור CustomTrainingJob.

כשיוצרים CustomTrainingJob, מגדירים צינור עיבוד נתונים לאימון ברקע. Gemini Enterprise Agent Platform משתמשת בצינור עיבוד הנתונים לאימון ובקוד בסקריפט האימון של Python כדי לאמן וליצור את המודל. מידע נוסף זמין במאמר בנושא יצירת צינורות עיבוד נתונים לאימון.

הגדרת צינור עיבוד נתונים לאימון

כדי ליצור צינור להרצת אימון, יוצרים אובייקט CustomTrainingJob. בשלב הבא, משתמשים בפקודה CustomTrainingJob של run כדי ליצור ולאמן את המודל. כדי ליצור CustomTrainingJob, מעבירים את הפרמטרים הבאים לקונסטרוקטור שלו:

• ‫display_name – המשתנה JOB_NAME שיצרתם כשקבעתם את ארגומנטי הפקודה לסקריפט האימון של Python.

• ‫script_path – הנתיב לסקריפט האימון של Python שיצרתם קודם במדריך הזה.

• ‫container_url – ה-URI של קובץ אימג' של קונטיינר Docker שמשמש לאימון המודל.

• ‫requirements – רשימת יחסי התלות של חבילות Python בסקריפט.

• ‫model_serving_container_image_uri – ה-URI של קובץ אימג' של קונטיינר Docker שמספק תחזיות למודל. הקונטיינר יכול להיות קונטיינר שנבנה מראש או קובץ אימג' בהתאמה אישית. במדריך הזה נעשה שימוש במאגר מוכן מראש.

מריצים את הקוד הבא כדי ליצור צינור עיבוד נתונים לאימון. השיטה CustomTrainingJob משתמשת בסקריפט האימון של Python בקובץ task.py כדי ליצור CustomTrainingJob.

job = aiplatform.CustomTrainingJob(
    display_name=JOB_NAME,
    script_path="task.py",
    container_uri="us-docker.pkg.dev/vertex-ai/training/tf-cpu.2-8:latest",
    requirements=["google-cloud-bigquery>=2.20.0", "db-dtypes", "protobuf<3.20.0"],
    model_serving_container_image_uri="us-docker.pkg.dev/vertex-ai/prediction/tf2-cpu.2-8:latest",
)

יצירה ואימון של המודל

בשלב הקודם יצרתם CustomTrainingJob בשם job. כדי ליצור ולאמן את המודל, קוראים ל-method‏ run באובייקט CustomTrainingJob ומעבירים לו את הפרמטרים הבאים:

• ‫dataset – מערך הנתונים הטבלאי שיצרתם קודם במדריך הזה. הפרמטר הזה יכול להיות מערך נתונים טבלאי, תמונה, סרטון או טקסט.

• ‫model_display_name – שם למודל.

• ‫bigquery_destination – מחרוזת שמציינת את המיקום של מערך הנתונים ב-BigQuery.

• ‫args – הארגומנטים בשורת הפקודה שמועברים לסקריפט האימון של Python.

כדי להתחיל לאמן את הנתונים וליצור את המודל, מריצים את הקוד הבא במחברת:

MODEL_DISPLAY_NAME = "penguins_model_unique"

# Start the training and create your model
model = job.run(
    dataset=dataset,
    model_display_name=MODEL_DISPLAY_NAME,
    bigquery_destination=f"bq://{project_id}",
    args=CMDARGS,
)

לפני שממשיכים לשלב הבא, מוודאים שהפלט של הפקודה job.run כולל את השורה הבאה, כדי לוודא שהפעולה הושלמה:

CustomTrainingJob run completed.

אחרי שפעולת האימון מסתיימת, אפשר לפרוס את המודל.

פריסת המודל

כשפורסים את המודל, נוצר גם משאב Endpoint שמשמש ליצירת תחזיות. כדי לפרוס את המודל וליצור נקודת קצה, מריצים את הקוד הבא במחברת:

DEPLOYED_NAME = "penguins_deployed_unique"

endpoint = model.deploy(deployed_model_display_name=DEPLOYED_NAME)

צריך להמתין עד שהמודל יופעל לפני שממשיכים לשלב הבא. אחרי פריסת המודל, הפלט כולל את הטקסט Endpoint model deployed.

כדי לראות את סטטוס הפריסה במסוף Google Cloud :

1. נכנסים לדף Endpoints במסוף Google Cloud .

   לדף Endpoints

2. עוקבים אחרי הערך בעמודה Models (מודלים). הערך הוא 0 אחרי יצירת נקודת הקצה ולפני פריסת המודל. אחרי פריסת המודל, הערך מתעדכן ל-1.

   בתמונה הבאה מוצגת נקודת קצה אחרי שהיא נוצרה ולפני שמודל נפרס בה.

   

   בדוגמה הבאה מוצגת נקודת קצה אחרי שנוצרה ואחרי שמודל נפרס בה.