Auf dieser Seite wird die PyTorch-Einbindung von Vertex AI erläutert. Außerdem erfahren Sie, wie Sie PyTorch auf Vertex AI verwenden. Die PyTorch-Integration von Vertex AI erleichtert das Trainieren, Bereitstellen und Orchestrieren von PyTorch-Modellen in der Produktion.
Code in Notebooks ausführen
Vertex AI bietet zwei Optionen zum Ausführen Ihres Codes in Notebooks: Colab Enterprise und Vertex AI Workbench. Weitere Informationen zu diesen Optionen finden Sie unter Notebooklösung auswählen.
Vordefinierte Container für das Training
Vertex AI bietet vordefinierte Docker-Container-Images für das Modelltraining. Diese Container sind nach Frameworks für maschinelles Lernen und Framework-Versionen organisiert und enthalten allgemeine Abhängigkeiten, die Sie in Ihrem Trainingscode verwenden können. Informationen darüber, welche PyTorch-Versionen vordefinierte Trainingscontainern umfassen und über das Trainieren von Modellen mit einem vordefinierten Trainingscontainer finden Sie unter Vordefinierte Container für benutzerdefiniertes Training.
Vordefinierte Container für die Bereitstellung von Inferenzanfragen
Vertex AI bietet vordefinierte Docker-Container-Images für die Bereitstellung von Batch- und Onlineinferenzen. Diese Container sind nach Frameworks für maschinelles Lernen und Framework-Versionen organisiert und enthalten allgemeine Abhängigkeiten, die Sie in Ihrem Inferenzcode verwenden können. Informationen darüber, welche PyTorch-Versionen vordefinierte Inferenzcontainer umfassen und über das Bereitstellen von Modellen mit einem vordefinierten Inferenzcontainer finden Sie unter Vordefinierte Container für benutzerdefiniertes Training.
Verteiltes Training
Sie können das verteilte Training von PyTorch-Modellen auf Vertex AI verwenden. Beim Multi-Worker-Training können Sie mit dem Reduzierungsserver die Leistung für kollektive Vorgänge noch weiter optimieren. Weitere Informationen zum verteilten Training in Vertex AI finden Sie unter Verteiltes Training.
Ressourcen für die Verwendung von PyTorch in Vertex AI
Weitere Informationen, darunter zur Verwendung von PyTorch in Vertex AI, finden Sie in folgenden Ressourcen:
- So trainieren und optimieren Sie PyTorch-Modelle auf Vertex AI: Erfahren Sie, wie Sie mit Vertex AI Training ein Sentimenttextklassifizierungsmodell mit PyTorch erstellen und trainieren, und wie Sie mit der Vertex AI-Hyperparameter-Abstimmung Hyperparameter von PyTorch-Modellen optimieren.
- So stellen Sie PyTorch-Modelle auf Vertex AI bereit: Beachten Sie die Schritt-für-Schritt-Anleitung zum Bereitstellen eines Pytorch-Modells mit TorchServe als benutzerdefinierten Container durch die Bereitstellung von Modellartefakten für einen Vertex AI Inference-Dienst.
- PyTorch ML-Workflows auf Vertex AI Pipelines orchestrieren: Informationen zum Erstellen und Orchestrieren von ML-Pipelines zum Trainieren und Bereitstellen von PyTorch-Modellen in Google Cloud Vertex AI mit Vertex AI Pipelines
- Skalierbare ML-Workflows mit PyTorch auf Kubeflow Pipelines und Vertex-Pipelines: Sehen Sie sich Beispiele für PyTorch-basierte ML-Workflows für OSS Kubeflow Pipelines (Teil des Kubeflow-Projekts) und Vertex AI Pipelines an. Wir stellen neue PyTorch-Komponenten bereit, die den Kubeflow Pipelines hinzugefügt werden.
- PyTorch-Bildmodelle mit vordefinierten Containern in Vertex AI bereitstellen: In diesem Notebook wird ein PyTorch-Bildklassifizierungsmodell in Vertex AI mit vordefinierten PyTorch-Bereitstellungs-Images bereitgestellt.
Nächste Schritte
- Anleitung: Vertex AI zum Trainieren eines PyTorch-Bildklassifizierungsmodells in einer der vordefinierten Vertex AI-Containerumgebungen mithilfe der Google Cloud Konsole verwenden.
Eine detaillierte Anleitung dazu finden Sie direkt in der Google Cloud Console. Klicken Sie dazu einfach auf Anleitung: