跟踪执行和工件

Vertex AI Experiments 支持跟踪执行和工件。 执行是机器学习工作流中的步骤，包括但不限于数据预处理、训练和模型评估。执行可以使用数据集等工件并生成模型等工件。

创建工件

以下示例使用 Artifact 类的 create 方法。

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：必填。标识资源使用的架构标题。
• project：您可以在 Google Cloud 控制台的欢迎页面找到这些 ID。
• location：请参阅可用位置列表。
• uri：可选。工件位置的 URI。
• resource_id：可选。工件名称的 resource_id 部分，具有格式。这在 metadataStore 中全局唯一：
  projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>。
• display_name：可选。用户定义的资源名称。
• schema_version：可选。指定资源使用的版本。如果未设置，则默认为使用最新版本。
• description：可选。说明要创建的资源的用途。
• metadata：可选。包含将存储在资源中的元数据信息。

开始执行

以下示例使用 start_execution 方法。

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：标识资源使用的架构标题。
• display_name：用户定义的资源名称。
• input_artifacts：要作为输入分配的工件。
• output_artifacts：工件作为此 Execution 的输出。
• project：您的项目 ID。您可以在 Google Cloud 控制台的欢迎页面找到这些信息。
• location：请参阅可用位置列表。
• resource_id：可选。工件名称的 resource_id 部分，具有格式。这在 metadataStore 中全局唯一： projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>。
• schema_version：可选。指定资源使用的版本。如果未设置，则默认为使用最新版本。
• metadata：可选。包含将存储在资源中的元数据信息。
• resume：布尔值。

  注意：将可选的 resume 参数指定为 TRUE 时，先前启动的运行会继续。如果未指定，则 resume 默认为 FALSE，并创建一个新的运行。

笔记本示例

• 比较在本地训练和评估的模型