실험에 파이프라인 실행 추가

Google Cloud 콘솔

1. Google Cloud console의 Vertex AI 섹션에서 파이프라인 페이지로 이동합니다.
   파이프라인으로 이동
2. 리전 드롭다운 목록에서 파이프라인 실행을 만들려는 리전을 선택합니다.
3. add_box 실행 만들기를 클릭하여 파이프라인 실행 만들기 창을 엽니다.
4. 다음 실행 세부정보를 지정합니다.
   • 파일 필드에서 선택을 클릭하여 파일 선택기를 엽니다. 실행하려는 컴파일된 파이프라인 JSON 파일로 이동하고, 파이프라인을 선택하고, 열기를 클릭합니다.
   • 파이프라인 이름은 기본적으로 파이프라인 정의에 지정한 이름으로 지정됩니다. 선택적으로 다른 파이프라인 이름을 지정합니다.
   • 이 파이프라인 실행을 고유하게 식별하기 위해 실행 이름을 지정합니다.
5. 이 파이프라인 실행에 커스텀 서비스 계정, 고객 관리 암호화 키, 피어링된 VPC 네트워크가 사용되도록 지정하려면 고급 옵션(선택)을 클릭합니다.
   다음 안내에 따라 커스텀 서비스 계정과 같은 고급 옵션을 구성합니다.
   • 서비스 계정을 지정하려면 서비스 계정 드롭다운 목록에서 서비스 계정을 선택합니다.
     서비스 계정을 지정하지 않으면 Vertex AI Pipelines가 기본 Compute Engine 서비스 계정을 사용하여 파이프라인을 실행합니다.
     Vertex AI Pipelines에 사용할 서비스 계정 구성에 대해 자세히 알아보세요.
   • 고객 관리 암호화 키(CMEK)를 사용하려면 고객 관리 암호화 키 사용을 선택합니다. 고객 관리 키 선택 드롭다운 목록이 표시됩니다. 고객 관리 키 선택 드롭다운 목록에서 사용하려는 키를 선택합니다.
   • 이 파이프라인 실행에서 피어링된 VPC 네트워크를 사용하려면 피어링된 VPC 네트워크 상자에 VPC 네트워크 이름을 입력합니다.
6. 계속을 클릭합니다.
   Cloud Storage 위치 및 파이프라인 매개변수 창이 표시됩니다.
• 필수: Cloud Storage 출력 디렉토리(예: gs://location_of_directory)를 입력합니다.
• 선택: 이 파이프라인 실행에 사용할 매개변수를 지정합니다.
7. 제출을 클릭하여 파이프라인 실행을 만듭니다.
8. 파이프라인이 제출되면 파이프라인의 Google Cloud 콘솔 테이블에 표시됩니다.
9. 파이프라인과 연결된 행에서 more_vert 더보기 > 실험에 추가를 클릭합니다.
• 기존 실험을 선택하거나 새로운 예산을 만듭니다.
• 선택사항: 실험 실행이 실험과 연결되면 드롭다운에 표시됩니다. 기존 실험 실행을 선택합니다.
10. 저장을 클릭합니다.

Google Cloud 콘솔을 사용하여 파이프라인 실행과 실험 실행 비교

1. Google Cloud 콘솔에서 실험 페이지로 이동합니다.
   실험으로 이동합니다.
   실험 목록이 실험 페이지에 나타납니다.
2. 파이프라인 실행을 추가할 실험을 선택합니다.
   실행 목록이 나타납니다.
3. 비교할 실행을 선택한 다음 비교
   를 클릭합니다.
4. 실행 추가 버튼을 클릭합니다. 실행 목록이 나타납니다.
5. 추가할 파이프라인 실행을 선택합니다. 실행이 추가됩니다.

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

다음 샘플은 PipelineJob API를 사용합니다.

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)