Melacak eksekusi dan artefak

Vertex AI Experiment mendukung pelacakan eksekusi dan artefak. Eksekusi adalah langkah-langkah dalam alur kerja ML yang mencakup, tetapi tidak terbatas pada, pra-pemrosesan data, pelatihan, dan evaluasi model. Eksekusi dapat memakai artefak seperti set data dan menghasilkan artefak seperti model.

Membuat artefak

Contoh berikut menggunakan metode create dari Class Artefak.

Python

from typing import Dict, Optional

from google.cloud import aiplatform


def create_artifact_sample(
    schema_title: str,
    project: str,
    location: str,
    uri: Optional[str] = None,
    resource_id: Optional[str] = None,
    display_name: Optional[str] = None,
    schema_version: Optional[str] = None,
    description: Optional[str] = None,
    metadata: Optional[Dict] = None,
):
    artifact = aiplatform.Artifact.create(
        schema_title=schema_title,
        uri=uri,
        resource_id=resource_id,
        display_name=display_name,
        schema_version=schema_version,
        description=description,
        metadata=metadata,
        project=project,
        location=location,
    )
    return artifact
  • schema_title: Wajib diisi. Mengidentifikasi judul skema yang digunakan oleh resource.
  • project: . Anda dapat menemukan ID ini di halaman sambutan Google Cloud console.
  • location: Lihat Daftar lokasi yang tersedia.
  • uri: Opsional. URI lokasi artefak.
  • resource_id: Opsional. Bagian resource_id dari nama Artefak dengan format. Nilai ini unik secara global di metadataStore:
    projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>.
  • display_name: Opsional. Nama resource yaang ditentukan pengguna.
  • schema_version: Opsional. Menentukan versi yang digunakan oleh resource. Jika tidak ditetapkan, versi terbaru akan digunakan secara default.
  • description: Opsional. Menjelaskan tujuan resource yang akan dibuat.
  • metadata: Opsional. Berisi informasi metadata yang akan disimpan di dalam resource.

Memulai eksekusi

Contoh berikut menggunakan metode start_execution.

Python

from typing import Any, Dict, List, Optional

from google.cloud import aiplatform


def start_execution_sample(
    schema_title: str,
    display_name: str,
    input_artifacts: List[aiplatform.Artifact],
    output_artifacts: List[aiplatform.Artifact],
    project: str,
    location: str,
    resource_id: Optional[str] = None,
    metadata: Optional[Dict[str, Any]] = None,
    schema_version: Optional[str] = None,
    resume: bool = False,
):
    aiplatform.init(project=project, location=location)

    with aiplatform.start_execution(
        schema_title=schema_title,
        display_name=display_name,
        resource_id=resource_id,
        metadata=metadata,
        schema_version=schema_version,
        resume=resume,
    ) as execution:
        execution.assign_input_artifacts(input_artifacts)
        execution.assign_output_artifacts(output_artifacts)
        return execution
  • schema_title: Mengidentifikasi judul skema yang digunakan oleh resource.
  • display_name: Nama resource yang ditentukan pengguna.
  • input_artifacts: Artefak yang akan ditetapkan sebagai input.
  • output_artifacts: Artefak sebagai output Eksekusi ini.
  • project: Project ID Anda. Anda dapat menemukannya di halaman sambutan konsol Google Cloud .
  • location: Lihat Daftar lokasi yang tersedia.
  • resource_id: Opsional. Bagian resource_id dari nama Artefak dengan format. ID ini unik secara global di metadataStore: projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>.
  • schema_version: Opsional. Menentukan versi yang digunakan oleh resource. Jika tidak ditetapkan, versi terbaru akan digunakan secara default.
  • metadata: Opsional. Berisi informasi metadata yang akan disimpan di dalam resource.
  • resume: bool.

    Catatan: Jika parameter resume opsional ditentukan sebagai TRUE, operasi yang dimulai sebelumnya akan dilanjutkan. Jika tidak ditentukan, resume ditetapkan secara default ke FALSE dan operasi baru akan dibuat.

Contoh notebook