Aggiungere l'esecuzione della pipeline all'esperimento

Google Cloud console

1. Nella console Google Cloud , nella sezione Vertex AI, vai alla pagina Pipeline.
   Vai a Pipeline
2. Nell'elenco a discesa Regione, seleziona la regione in cui vuoi creare un'esecuzione della pipeline.
3. Fai clic su add_box Crea esecuzione per aprire il riquadro Crea esecuzione della pipeline.
4. Specifica i seguenti dettagli di Esegui.
   • Nel campo File, fai clic su Scegli per aprire il selettore di file. Vai al file JSON della pipeline compilata che vuoi eseguire, seleziona la pipeline e fai clic su Apri.
   • Il nome della pipeline corrisponde per impostazione predefinita al nome specificato nella definizione della pipeline. (Facoltativo) Specifica un nome della pipeline diverso.
   • Specifica un Nome esecuzione per identificare in modo univoco questa esecuzione della pipeline.
5. Per specificare che questa esecuzione della pipeline utilizza un account di servizio personalizzato, una chiave di crittografia gestita dal cliente o una rete VPC con peering, fai clic su Opzioni avanzate (facoltativo).
   Segui le istruzioni riportate di seguito per configurare le opzioni avanzate, ad esempio un account di servizio personalizzato.
   • Per specificare un service account, seleziona un account di servizio dall'elenco a discesa Service account.
     Se non specifichi un account di servizio, Vertex AI Pipelines esegue la pipeline utilizzando il account di servizio Compute Engine predefinito.
     Scopri di più sulla configurazione di un account di servizio da utilizzare con Vertex AI Pipelines.
   • Per utilizzare una chiave di crittografia gestita dal cliente (CMEK), seleziona Utilizza una chiave di crittografia gestita dal cliente. Viene visualizzato il menu a discesa Seleziona una chiave gestita dal cliente. Nell'elenco a discesa Seleziona una chiave gestita dal cliente, seleziona la chiave che vuoi utilizzare.
   • Per utilizzare una rete VPC in peering in questa esecuzione della pipeline, inserisci il nome della rete VPC nella casella Rete VPC in peering.
6. Fai clic su Continua.
   Viene visualizzato il riquadro Cloud Storage e Parametri pipeline.
• Obbligatorio: inserisci la directory di output di Cloud Storage, ad esempio gs://location_of_directory.
• (Facoltativo) Specifica i parametri da utilizzare per questa esecuzione della pipeline.
7. Fai clic su Invia per creare l'esecuzione della pipeline.
8. Una volta inviata, la pipeline viene visualizzata nella tabella della console Google Cloud .
9. Nella riga associata alla pipeline, fai clic su more_vert Visualizza altro > Aggiungi all'esperimento.
• Seleziona un esperimento esistente o creane uno nuovo.
• (Facoltativo) Se le esecuzioni dell'esperimento sono associate all'esperimento, vengono visualizzate nel menu a discesa. Seleziona un'esecuzione dell'esperimento esistente.
10. Fai clic su Salva.

Confrontare l'esecuzione di una pipeline con le esecuzioni di esperimenti utilizzando la console Google Cloud

1. Nella console Google Cloud , vai alla pagina Esperimenti.
   Vai a Esperimenti.
   Nella pagina Esperimenti viene visualizzato un elenco di esperimenti.
2. Seleziona l'esperimento a cui vuoi aggiungere l'esecuzione della pipeline.
   Viene visualizzato un elenco di esecuzioni.
3. Seleziona le corse che vuoi confrontare, poi fai clic su Confronta
   
4. Fai clic sul pulsante Aggiungi corsa. Viene visualizzato un elenco di esecuzioni.
5. Seleziona l'esecuzione della pipeline da aggiungere. La corsa viene aggiunta.

SDK Vertex AI Python {:#sdk-add-pipeline-run}

Gli esempi seguenti utilizzano l'API PipelineJob.

from typing import Any, Dict, Optional

from google.cloud import aiplatform


def log_pipeline_job_to_experiment_sample(
    experiment_name: str,
    pipeline_job_display_name: str,
    template_path: str,
    pipeline_root: str,
    project: str,
    location: str,
    parameter_values: Optional[Dict[str, Any]] = None,
):
    aiplatform.init(project=project, location=location)

    pipeline_job = aiplatform.PipelineJob(
        display_name=pipeline_job_display_name,
        template_path=template_path,
        pipeline_root=pipeline_root,
        parameter_values=parameter_values,
    )

    pipeline_job.submit(experiment=experiment_name)

from google.cloud import aiplatform


def log_pipeline_job_sample(
    experiment_name: str,
    run_name: str,
    pipeline_job: aiplatform.PipelineJob,
    project: str,
    location: str,
):
    aiplatform.init(experiment=experiment_name, project=project, location=location)

    aiplatform.start_run(run=run_name, resume=True)

    aiplatform.log(pipeline_job=pipeline_job)