Escolha um método de preparação personalizado

Se estiver a escrever o seu próprio código de preparação em vez de usar o AutoML, existem várias formas de fazer a preparação personalizada a considerar. Este documento oferece uma breve vista geral e comparação das diferentes formas de executar a preparação personalizada.

Recursos de preparação personalizados no Vertex AI

Existem três tipos de recursos do Vertex AI que pode criar para preparar modelos personalizados no Vertex AI:

Quando cria uma tarefa personalizada, especifica as definições de que o Vertex AI precisa para executar o seu código de preparação, incluindo:

Nos conjuntos de trabalhadores, pode especificar as seguintes definições:

As tarefas de hiperaperfeiçoamento dos parâmetros têm definições adicionais para configurar, como a métrica. Saiba mais acerca da ajuste de hiperparâmetros.

Um pipeline de preparação organiza tarefas de preparação personalizadas ou tarefas de ajuste de hiperparâmetros com passos adicionais, como carregar um conjunto de dados ou carregar o modelo para o Vertex AI após a conclusão bem-sucedida da tarefa de preparação.

Recursos de formação personalizados

Para ver pipelines de preparação existentes no seu projeto, aceda à página Pipelines de preparação na secção Vertex AI daGoogle Cloud consola.

Aceda a Pipelines de formação

Para ver tarefas personalizadas existentes no seu projeto, aceda à página Tarefas personalizadas.

Aceda a Tarefas personalizadas

Para ver tarefas de aperfeiçoamento de hiperparâmetros existentes no seu projeto, aceda à página Aperfeiçoamento de hiperparâmetros.

Aceder ao aperfeiçoamento de hiperparâmetros

Contentores pré-criados e personalizados

Antes de enviar uma tarefa de preparação personalizada, uma tarefa de ajuste de hiperparâmetros ou um pipeline de preparação para o Vertex AI, tem de criar uma aplicação de preparação em Python ou um contentor personalizado para definir o código de preparação e as dependências que quer executar no Vertex AI. Se criar uma aplicação de preparação Python com o TensorFlow, o PyTorch, o scikit-learn ou o XGBoost, pode usar os nossos contentores pré-criados para executar o seu código. Se não tiver a certeza de qual destas opções escolher, consulte os requisitos do código de formação para saber mais.

Preparação distribuída

Pode configurar uma tarefa de treino personalizada, uma tarefa de ajuste de hiperparâmetros ou um pipeline de treino para treino distribuído especificando vários conjuntos de trabalhadores:

  • Use o primeiro conjunto de trabalhadores para configurar a réplica principal e defina o número de réplicas como 1.
  • Adicione mais pools de trabalhadores para configurar réplicas de trabalhadores, réplicas de servidores de parâmetros ou réplicas de avaliadores, se a sua framework de aprendizagem automática suportar estas tarefas de cluster adicionais para a preparação distribuída.

Saiba mais sobre a utilização da preparação distribuída.

O que se segue?