如果您要自行編寫訓練程式碼，而不是使用 AutoML}，可以考慮採用幾種 Gemini Enterprise Agent Platform 無伺服器訓練方式。本文簡要概述並比較執行無伺服器訓練的不同方式。
Agent Platform 上的無伺服器訓練資源
您可以在 Agent Platform 上建立三種資源，訓練自訂模型：
建立自訂工作時，您必須指定 Agent Platform 執行訓練程式碼所需的設定，包括：
- 單一節點訓練 (
WorkerPoolSpec) 的一個工作站集區，或分散式訓練的多個工作站集區 - 設定工作排程 (
Scheduling)、為訓練程式碼設定特定環境變數、使用自訂服務帳戶，以及使用 VPC 網路對等互連的選用設定
在工作站集區中，您可以指定下列設定：
- 機器類型和加速器
- 工作站集區執行的訓練程式碼類型設定：Python 訓練應用程式 (
PythonPackageSpec) 或自訂容器 (ContainerSpec)
超參數調整工作有其他設定可供設定，例如指標。進一步瞭解超參數調整。
訓練管線會自動調度管理無伺服器訓練工作或超參數調整工作，並執行額外步驟，例如載入資料集，或在訓練工作順利完成後，將模型上傳至 Agent Platform。
無伺服器訓練資源
如要查看專案中現有的訓練管道，請前往Google Cloud 控制台的「Agent Platform」(代理程式平台) 專區，然後點選「Training Pipelines」(訓練管道)。
如要查看專案中現有的自訂工作，請前往「自訂工作」頁面。
如要查看專案中現有的超參數調整工作，請前往「超參數調整」頁面。
預先建構的容器和自訂容器
將無伺服器訓練工作、超參數調整工作或訓練管道提交至 Agent Platform 之前，您需要建立 Python 訓練應用程式或自訂容器，定義要在 Agent Platform 上執行的訓練程式碼和依附元件。如果您使用 TensorFlow、PyTorch、scikit-learn 或 XGBoost 建立 Python 訓練應用程式，可以使用預先建構的容器執行程式碼。如果不確定要選擇哪個選項，請參閱訓練程式碼需求瞭解詳情。
分散式訓練
您可以指定多個工作站集區，為分散式訓練設定無伺服器訓練工作、超參數調整工作或訓練管線：
- 使用第一個工作站集區設定主要副本，並將副本數量設為 1。
- 如果機器學習架構支援這些額外的叢集工作，可進行分散式訓練，請新增更多工作站集區來設定工作站副本、參數伺服器副本或評估工具副本。
進一步瞭解如何使用分散式訓練。
後續步驟
- 瞭解如何建立永久資源，以執行無伺服器訓練工作。
- 請參閱「建立無伺服器訓練工作」，瞭解如何建立無伺服器訓練工作，以便在 Gemini Enterprise Agent Platform 上執行無伺服器訓練應用程式。
- 請參閱「建立訓練管線」，瞭解如何建立訓練管線，以便在 Gemini Enterprise Agent Platform 中執行無伺服器訓練應用程式。
- 如要瞭解超參數調整搜尋，請參閱「使用超參數調整」。