Per configurare Vertex AI TensorBoard, è necessario quanto segue:
- Crea un account di servizio con le autorizzazioni richieste.
- Crea un bucket Cloud Storage per archiviare i log di Vertex AI TensorBoard.
- Crea un'istanza di Vertex AI TensorBoard.
Crea un account di servizio con le autorizzazioni richieste
L'integrazione di Vertex AI TensorBoard con l'addestramento personalizzato richiede il collegamento di un service account.
Crea un service account:
gcloud --project=PROJECT_ID iam service-accounts create USER_SA_NAMESostituisci quanto segue:
PROJECT_ID: l'ID del progetto in cui stai creando un account di servizio.USER_SA_NAME: un nome univoco per il service account che stai creando.
Il nuovo account di servizio viene utilizzato dal servizio di addestramento di Gemini Enterprise Agent Platform per accedere ai servizi e alle risorse Google Cloud . Se necessario, utilizza i seguenti comandi per concedere questi ruoli:
SA_EMAIL="USER_SA_NAME@PROJECT_ID." gcloud projects add-iam-policy-binding PROJECT_ID \ --member="serviceAccount:${SA_EMAIL}" \ --role="roles/storage.admin" gcloud projects add-iam-policy-binding PROJECT_ID \ --member="serviceAccount:${SA_EMAIL}" \ --role="roles/aiplatform.user"
Crea un bucket Cloud Storage per archiviare i log di Vertex AI TensorBoard
È necessario un bucket Cloud Storage per archiviare i log di Vertex AI TensorBoard generati dallo script di addestramento. Il bucket deve essere regionale, ovvero non multiregionale o a due regioni, e le seguenti risorse devono trovarsi nella stessa regione:
- Bucket Cloud Storage
- Job di addestramento di Gemini Enterprise Agent Platform
- Istanza Vertex AI TensorBoard
Puoi utilizzare un bucket esistente anziché seguire il passaggio di creazione del bucket descritto qui. Quando utilizzi un bucket esistente, la località del bucket deve essere la stessa in cui è stata creata l'istanza Vertex AI TensorBoard.
UNIQUE_SUFFIX=$(python3 -c "import uuid; print(uuid.uuid4().hex[:8])")
GCS_BUCKET_NAME="PROJECT_ID-tb-logs-LOCATION_ID-${UNIQUE_SUFFIX}"
gcloud storage buckets create "gs://${GCS_BUCKET_NAME}" --location=LOCATION_ID
Sostituisci quanto segue:
- LOCATION_ID: la località in cui è stata creata l'istanza di Vertex AI TensorBoard, ad esempio
us-central1.
GCS_BUCKET_NAME viene utilizzato per creare un job di addestramento personalizzato con REST.
Crea un'istanza di Vertex AI TensorBoard
Prima di poter visualizzare gli esperimenti, deve essere presente un'istanza di Vertex AI TensorBoard, ovvero una risorsa regionalizzata che archivia gli esperimenti di Vertex AI TensorBoard. Ci sono due opzioni. Puoi utilizzare un'istanza predefinita o crearne una manualmente. Puoi creare più istanze all'interno di un progetto e di una regione, ma la maggior parte degli utenti ha bisogno di una sola istanza.
Utilizza l'istanza Vertex AI TensorBoard predefinita
Quando inizializzi un esperimento di Gemini Enterprise Agent Platform, viene creata automaticamente un'istanza TensorBoard predefinita.
Questo TensorBoard di supporto è associato all'esperimento di Gemini Enterprise Agent Platform e viene utilizzato con tutte le esecuzioni successive degli esperimenti di Gemini Enterprise Agent Platform. tensorboard_resource_name può essere recuperato
direttamente dall'esperimento. Questo è il modo più semplice per iniziare a utilizzare Vertex AI TensorBoard e dovrebbe soddisfare le esigenze della maggior parte degli utenti.
SDK Agent Platform per Python
Crea un esperimento Vertex AI TensorBoard con un'istanza predefinita utilizzando l'SDK Agent Platform per Python. Recupera il tensorboard_resource_name dall'esperimento.
Consulta init ed Experiment nella documentazione di riferimento dell'SDK Agent Platform.
Python
experiment_name: il nome dell'esperimento.experiment_description: una descrizione dell'esperimento.project:PROJECT_IDdel progetto in cui vuoi creare l'istanza TensorBoard.location: la località in cui creare l'istanza TensorBoard. La località di Vertex AI TensorBoard è regionale. Assicurati di selezionare una regione che supporti Vertex AI TensorBoard.
Crea manualmente un'istanza di Vertex AI TensorBoard
Puoi creare manualmente un'istanza di Vertex AI TensorBoard. Questo è utile per gli utenti che hanno più dimestichezza con la console Google Cloud , per gli utenti che hanno bisogno di una TensorBoard abilitata per CMEK (vedi CMEK) o per gli utenti che vogliono utilizzare più TensorBoard. Questa istanza può quindi essere specificata direttamente durante l'inizializzazione di un esperimento di Gemini Enterprise Agent Platform, l'avvio di un'esecuzione dell'esperimento o la configurazione del codice di addestramento.
SDK Agent Platform per Python
Crea un'istanza Vertex AI TensorBoard utilizzando l'SDK Agent Platform per Python.
Python
project:PROJECT_IDdel progetto in cui vuoi creare l'istanza TensorBoard.display_name: un nome descrittivo per l'istanza Vertex AI TensorBoard.location: la località in cui creare l'istanza TensorBoard. La località di Vertex AI TensorBoard è regionale. Assicurati di selezionare una regione che supporti Vertex AI TensorBoard
Google Cloud CLI
Utilizza Google Cloud CLI per creare un'istanza di Vertex AI TensorBoard.
- Installa gcloud CLI
- Inizializza Google Cloud CLI eseguendo
gcloud init. - Per confermare l'installazione, esplora i comandi.
gcloud ai tensorboards --help
I comandi includonocreate,describe,list,updateedelete. Se necessario, puoi seguire questi passaggi per impostare i valori predefiniti per il progetto e la località prima di procedere.
- Esegui l'autenticazione con gcloud CLI.
gcloud auth application-default login - Crea un'istanza di Vertex AI TensorBoard fornendo un nome del progetto e un nome visualizzato. Il completamento di questo passaggio potrebbe richiedere alcuni minuti la prima volta che viene eseguito in un progetto. Prendi nota del nome dell'istanza Vertex AI TensorBoard (ad esempio:
projects/123/locations/us-central1/tensorboards/456) stampato alla fine del comando seguente. Ti servirà nei passaggi successivi.
gcloud ai tensorboards create --display-name DISPLAY_NAME \ --project PROJECT_NAME
Sostituisci quanto segue:
PROJECT_NAME: il progetto in cui vuoi creare l'istanza TensorBoard.DISPLAY_NAME: un nome descrittivo per l'istanza TensorBoard.
ConsoleGoogle Cloud
Se vuoi che i dati di Vertex AI TensorBoard siano criptati, devi attivare la chiave CMEK durante la creazione dell'istanza.
Segui questi passaggi per creare un'istanza Vertex AI TensorBoard abilitata per CMEK utilizzando la console Google Cloud .
- Se non hai mai utilizzato Gemini Enterprise Agent Platform o stai avviando un nuovo progetto, configura il progetto e l'ambiente di sviluppo.
- Nella sezione Gemini Enterprise Agent Platform della console Google Cloud , vai alla pagina Esperimenti.
Vai alla pagina Esperimenti - Vai alla scheda Istanze TensorBoard.
- Fai clic su Crea nella parte superiore della pagina.
- Seleziona una località dall'elenco a discesa Regione.
- (Facoltativo) Aggiungi una descrizione.
- (Facoltativo) In Crittografia, seleziona Chiave di crittografia gestita dal cliente (CMEK) e seleziona una chiave gestita dal cliente.
- Fai clic su Crea per creare l'istanza TensorBoard.
Terraform
L'esempio seguente utilizza la risorsa Terraform google_vertex_ai_tensorboard per creare un'istanza Vertex AI TensorBoard non criptata.
Per scoprire come applicare o rimuovere una configurazione Terraform, consulta Comandi Terraform di base.
Terraform
Elimina un'istanza TensorBoard
L'eliminazione di un'istanza TensorBoard comporta l'eliminazione di TensorBoard e di tutti gli esperimenti e le esecuzioni TensorBoard associati. L'istanza di Vertex AI Experiments a cui è associata non viene eliminata.
Per eliminare un esperimento di Vertex AI Experiments e gli esperimenti di Vertex AI TensorBoard associati, consulta Elimina un esperimento.
SDK Agent Platform per Python
Elimina un'istanza di Vertex AI TensorBoard utilizzando l'SDK Agent Platform per Python.
Python
tensorboard_resource_name: specifica il nome della risorsa TensorBoard.project: laPROJECT_IDin cui si trova l'istanza TensorBoard.location: la località in cui si trova l'istanza TensorBoard.
ConsoleGoogle Cloud
Segui questi passaggi per eliminare un'istanza di Vertex AI TensorBoard utilizzando la console Google Cloud .
- Nella sezione Gemini Enterprise Agent Platform della console Google Cloud , vai alla pagina Esperimenti.
Vai alla pagina Esperimenti - Seleziona la scheda Istanze TensorBoard. Viene visualizzato un elenco di istanze TensorBoard.
- Seleziona e fai clic su Elimina.
Termini pertinenti
Questi termini, "Nome risorsa TensorBoard" e "ID istanza TensorBoard", sono indicati in numerosi esempi.
Nome della risorsa TensorBoard
Il nome della risorsa TensorBoard viene utilizzato per identificare completamente l'istanza Vertex AI TensorBoard. Il formato è il seguente:
projects/PROJECT_ID_OR_NUMBER/locations/REGION/tensorboards/TENSORBOARD_INSTANCE_ID
Il nome della risorsa TensorBoard viene stampato nei messaggi di log quando viene creata utilizzando gcloud CLI o l'SDK Vertex AI oppure può essere creata fornendo i valori appropriati per i segnaposto.
SDK Agent Platform per Python
Il nome della risorsa TensorBoard può essere recuperato da Vertex AI Experiments utilizzando l'SDK Vertex AI.
Python
experiment_name: il nome dell'esperimento.project: ilPROJECT_IDdell'esperimento.location: la località in cui si trova l'esperimento.
ID istanza TensorBoard
L'ID istanza TensorBoard è un valore ID generato associato a un'istanza TensorBoard. Per trovare TENSORBOARD_INSTANCE_ID, vai alla sezione Gemini Enterprise Agent Platform della pagina Esperimenti della console Google Cloud e seleziona la scheda Istanze TensorBoard.
Puoi anche recuperare l'ID istanza dal nome della risorsa TensorBoard.
