Entrena un modelo con Wide & Deep

En esta página, se muestra cómo entrenar un modelo de clasificación o regresión a partir de un conjunto de datos tabular con el flujo de trabajo tabular para el modelo amplio y profundo.

Hay dos versiones disponibles del flujo de trabajo tabular para el modelo amplio y profundo:

• HyperparameterTuningJob busca el mejor conjunto de valores de hiperparámetros para usar en el entrenamiento de modelos.
• CustomJob te permite especificar los valores de hiperparámetros para usar en el entrenamiento de modelos. Si sabes con exactitud qué valores de hiperparámetros necesitas, puedes especificarlos en lugar de buscarlos y ahorrar en recursos de entrenamiento.

Para obtener información sobre las cuentas de servicio que usa este flujo de trabajo, consulta Cuentas de servicio para flujos de trabajo tabulares.

APIs de flujo de trabajo

En este flujo de trabajo, se usan las siguientes APIs:

• Vertex AI
• Dataflow
• Compute Engine
• Cloud Storage

Entrena un modelo con HyperparameterTuningJob

En el siguiente código de muestra, se ilustra cómo puedes ejecutar una canalización HyperparameterTuningJob:

pipeline_job = aiplatform.PipelineJob(
    ...
    template_path=template_path,
    parameter_values=parameter_values,
    ...
)
pipeline_job.run(service_account=SERVICE_ACCOUNT)

El parámetro service_account opcional en pipeline_job.run() te permite configurar la cuenta de servicio de Vertex AI Pipelines en una cuenta que elijas.

La canalización y los valores de los parámetros se definen mediante la siguiente función. Los datos de entrenamiento pueden ser un archivo CSV en Cloud Storage o una tabla en BigQuery.

template_path, parameter_values =  automl_tabular_utils.get_wide_and_deep_hyperparameter_tuning_job_pipeline_and_parameters(...)

El siguiente es un subconjunto de parámetros get_wide_and_deep_hyperparameter_tuning_job_pipeline_and_parameters:

Si deseas configurar los hiperparámetros mediante el parámetro study_spec_parameters_override, puedes usar la función auxiliar de Vertex AI get_wide_and_deep_study_spec_parameters_override. Esta función muestra una lista de hiperparámetros y rangos.

El siguiente es un ejemplo de cómo se puede usar la función get_wide_and_deep_study_spec_parameters_override:

study_spec_parameters_override = automl_tabular_utils.get_wide_and_deep_study_spec_parameters_override()

Entrena un modelo con CustomJob

En el siguiente código de muestra, se ilustra cómo puedes ejecutar una canalización CustomJob:

pipeline_job = aiplatform.PipelineJob(
    ...
    template_path=template_path,
    parameter_values=parameter_values,
    ...
)
pipeline_job.run(service_account=SERVICE_ACCOUNT)

El parámetro service_account opcional en pipeline_job.run() te permite configurar la cuenta de servicio de Vertex AI Pipelines en una cuenta que elijas.

La canalización y los valores de los parámetros se definen mediante la siguiente función. Los datos de entrenamiento pueden ser un archivo CSV en Cloud Storage o una tabla en BigQuery.

template_path, parameter_values = automl_tabular_utils.get_wide_and_deep_trainer_pipeline_and_parameters(...)

El siguiente es un subconjunto de parámetros get_wide_and_deep_trainer_pipeline_and_parameters:

¿Qué sigue?

Una vez que estés listo para hacer predicciones con tu modelo de clasificación o regresión, tienes dos opciones:

• Haz predicciones en línea (en tiempo real) con tu modelo.
• Obtén predicciones por lotes directamente de tu modelo.
• Obtén más información sobre los precios del entrenamiento de modelos.