Classi modello

L'SDK Agent Platform include la Model classe per lavorare con un modello che addestri e poi utilizzi per le previsioni. L'SDK include anche la ModelEvaluation classe per valutare le metriche sui modelli AutoML addestrati. Per ulteriori informazioni sui modelli, consulta Addestra e utilizza i tuoi modelli.

Model

La classe Model rappresenta un modello addestrato che è registrato in Model Registry di Gemini Enterprise Agent Platform. Utilizzi un modello addestrato per generare previsioni.

Utilizza il aiplatform.Model() metodo per trovare e restituire un riferimento a un modello. Puoi specificare un modello utilizzando il suo nome o ID. Poiché più modelli in un progetto possono condividere lo stesso nome, ti consigliamo di specificare un modello con il suo ID modello. Il seguente esempio di codice mostra come utilizzare un ID modello per trovare e restituire un riferimento a un modello esistente:

MODEL_ID="my-sample-model-ID"
model = aiplatform.Model(model_name=MODEL_ID)

Dopo aver ottenuto un riferimento a un modello addestrato, puoi utilizzare le proprietà e i metodi di Model per lavorarci e ottenere previsioni.

Crea un modello registrato

Per creare una risorsa modello registrata in Model Registry di Gemini Enterprise Agent Platform, chiama il metodo run su una classe di job di addestramento. I seguenti metodi creano un modello, lo addestrano, lo registrano in Model Registry di Gemini Enterprise Agent Platform e poi restituiscono un riferimento al modello.

Il seguente codice campione mostra come creare una risorsa CustomTrainingJob e poi utilizzare il relativo metodo run per creare un modello, addestrarlo, registrarlo in Model Registry di Gemini Enterprise Agent Platform e restituire un riferimento al modello:

# Create a custom training job using a script
job = aiplatform.CustomTrainingJob(
    display_name="my-training-job",
    script_path="task.py",
    container_uri="us-docker.pkg.dev/vertex-ai/training/tf-cpu.2-8:latest",
    requirements=["google-cloud-bigquery>=2.20.0", "db-dtypes", "protobuf<3.20.0"],
    model_serving_container_image_uri="us-docker.pkg.dev/vertex-ai/prediction/tf2-cpu.2-8:latest",
)

# Create and train your model using a BigQuery dataset. The method
# returns a reference to the trained model.
model = job.run(
    dataset=dataset,
    model_display_name="my-model-name",
    bigquery_destination=f"bq://{project_id}",
    args=CMDARGS,
)

Crea un modello non registrato

Per creare un modello non registrato in Model Registry di Gemini Enterprise Agent Platform, utilizza la classe CustomJob e il relativo metodo run. Il CustomJob.run metodo addestra un modello, ma non lo registra in Model Registry di Gemini Enterprise Agent Platform e non restituisce un riferimento al modello.

Se utilizzi la classe CustomJob, devi utilizzare uno script per scrivere il modello in una località come un bucket Cloud Storage. Per ulteriori informazioni, consulta Esporta un modello di machine learning addestrato.

Registra un modello

Se hai un modello non registrato in Model Registry di Gemini Enterprise Agent Platform, devi registrarlo per poter gestire il ciclo di vita del modello. Model Registry di Gemini Enterprise Agent Platform è un repository centrale che fornisce una panoramica dei tuoi modelli in modo che tu possa gestirli. Per ulteriori informazioni, consulta Introduzione a Model Registry di Gemini Enterprise Agent Platform.

L'SDK Agent Platform include i seguenti metodi per importare un modello in Model Registry di Gemini Enterprise Agent Platform. Fai clic su uno dei metodi per saperne di più nella guida di riferimento dell'SDK Agent Platform.

Esegui il deployment di un modello

Dopo aver registrato un modello, devi eseguirne il deployment in un endpoint prima di poterlo utilizzare per le previsioni. Utilizza il Model.deploy metodo per eseguire il deployment del modello in un Endpoint. Per ulteriori informazioni, consulta Esegui il deployment di un modello in un endpoint.

ModelEvaluation

Utilizza la classe ModelEvaluation per ottenere metriche di valutazione per i modelli AutoML, come precisione e richiamo, per aiutarti a determinare le prestazioni dei tuoi modelli. Per ulteriori informazioni, consulta Valutazione dei modelli in Gemini Enterprise Agent Platform.

Il seguente esempio di codice mostra come elencare tutte le valutazioni per un modello con ID modello model-id in un progetto con ID progetto my-project e nella regione us-central1:

model = aiplatform.Model('projects/my-project/locations/us-central1/models/{model-id}')

evaluations = model.list_model_evaluations()

Il seguente esempio di codice mostra come ottenere la valutazione del modello per un modello con ID modello model-id in un progetto con ID progetto my-project e nella regione us-central1:

model = aiplatform.Model('projects/my-project/locations/us-central1/models/{model-id}')

# Return the first evaluation with no arguments. You can also specify a model
# using its model ID.
evaluation = model.get_model_evaluation()

eval_metrics = evaluation.metrics

Per creare un riferimento a una valutazione del modello, utilizza il nome della risorsa o l'ID modello e l'ID valutazione. Il seguente esempio di codice mostra come creare un riferimento a una valutazione del modello utilizzando il nome della risorsa:

evaluation = aiplatform.ModelEvaluation(
  evaluation_name='projects/my-project/locations/us-central1/
    models/{model-id}/evaluations/{evaluation-id}')

eval_metrics = evaluation.metrics

Il seguente esempio di codice mostra come creare un riferimento a una valutazione del modello utilizzando l'ID modello e l'ID valutazione:

evaluation.metrics = aiplatform.ModelEvaluation(
  evaluation_name={evaluation-id},
  model_id={model-id})

eval_metrics = evaluation.metrics

Passaggi successivi