Cette page explique l'intégration de TensorFlow à Vertex AI et fournit des ressources expliquant comment utiliser TensorFlow sur Vertex AI. L'intégration de Vertex AI avec TensorFlow vous permet d'entraîner, de déployer et d'orchestrer plus facilement des modèles TensorFlow en production.
Exécuter du code dans des notebooks
Vertex AI propose deux options pour exécuter votre code dans les notebooks : Colab Enterprise et Vertex AI Workbench. Pour en savoir plus sur ces options, consultez la section Choisir une solution de notebook.
Conteneurs prédéfinis pour l'entraînement
Vertex AI fournit des images de conteneurs Docker prédéfinies pour l'entraînement de modèle. Ces conteneurs sont organisés par frameworks de machine learning et versions de framework. Ils incluent des dépendances communes que vous souhaiterez peut-être utiliser dans votre code d'entraînement.
Pour savoir quelles versions de TensorFlow disposent de conteneurs d'entraînement prédéfinis et comment entraîner des modèles avec un conteneur d'entraînement prédéfini, consultez la section Conteneurs prédéfinis pour l' entraînement personnalisé.
Entraînement distribué
Vous pouvez exécuter un entraînement distribué de modèles TensorFlow sur Vertex AI. Pour un entraînement sur plusieurs nœuds de calcul, vous pouvez utiliser Reduction Server afin d'optimiser davantage les performances pour les opérations collectives de réduction globale (all-reduce). Pour en savoir plus sur l'entraînement distribué sur Vertex AI, consultez la page Entraînement distribué.
Conteneurs prédéfinis pour l'inférence
Semblable aux conteneurs prédéfinis pour l'entraînement, Vertex AI fournit des images de conteneurs prédéfinis pour diffuser les inférences et les explications des modèles TensorFlow que vous avez créés dans ou en dehors de Vertex AI. Ces images fournissent des serveurs d'inférence HTTP que vous pouvez utiliser pour diffuser des inférences avec une configuration minimale.
Pour savoir quelles versions de TensorFlow disposent de conteneurs d'entraînement prédéfinis et comment entraîner des modèles avec un conteneur d'entraînement prédéfini, consultez la section Conteneurs prédéfinis pour l' entraînement personnalisé.
Environnement d'exécution TensorFlow optimisé
Intégration de TensorFlow Cloud Profiler
Entraînez des modèles à moindre coût et plus rapidement en surveillant et en optimisant les performances de votre job d'entraînement à l'aide de l'intégration de TensorFlow Cloud Profiler à Vertex AI. TensorFlow Cloud Profiler vous aide à comprendre la consommation de ressources des opérations d'entraînement afin d'identifier et d'éliminer les goulots d'étranglement.
Pour en savoir plus sur TensorFlow Cloud Profiler de Vertex AI, consultez la page Profiler les performances d'entraînement des modèles à l'aide de Profiler.
Ressources pour l'utilisation de TensorFlow sur Vertex AI
Pour en savoir plus et commencer à utiliser TensorFlow dans Vertex AI, consultez les ressources suivantes.
Prototype en production: série de vidéos fournissant un exemple de bout en bout de développement et de déploiement d'un modèle TensorFlow personnalisé sur Vertex AI.
Optimiser les performances d'entraînement avec Reduction Server sur Vertex AI: article de blog sur l'optimisation de l'entraînement distribué sur Vertex AI à l'aide de Reduction Server.
Optimiser les performances d'entraînement avec le TensorFlow Cloud Profiler sur Vertex AI: article de blog qui vous montre comment identifier les goulots d'étranglement dans votre job d'entraînement à l'aide de TensorFlow Cloud Profiler de Vertex AI.
Prédiction par lot de modèles personnalisés avec filtr101}age des caractéristiques: tutoriel de notebook expliquant comment utiliser le SDK Vertex AI pour Python pour entraîner un modèle de classification tabulaire personnalisé et effectuer une inférence par lot avec filtrage des caractéristiques.
Co-héberger des modèles TensorFlow sur la même VM pour les prédictions : atelier de programmation qui vous montre comment utiliser la fonctionnalité de modèle de co-hébergement dans Vertex AI pour héberger plusieurs modèles sur la même VM pour les inférences en ligne.