Rastrear execuções e artefatos

O Vertex AI Experiments é compatível com o rastreamento de execuções e artefatos. As execuções são etapas de um fluxo de trabalho de ML que incluem, entre outras coisas, pré-processamento de dados, treinamento e avaliação de modelos. As execuções podem consumir artefatos como conjuntos de dados e produzir artefatos como modelos.

Criar artefato

O exemplo a seguir usa o método create da classe de artefato.

Python

def create_artifact_sample(
    schema_title: str,
    project: str,
    location: str,
    uri: Optional[str] = None,
    resource_id: Optional[str] = None,
    display_name: Optional[str] = None,
    schema_version: Optional[str] = None,
    description: Optional[str] = None,
    metadata: Optional[Dict] = None,
):
    artifact = aiplatform.Artifact.create(
        schema_title=schema_title,
        uri=uri,
        resource_id=resource_id,
        display_name=display_name,
        schema_version=schema_version,
        description=description,
        metadata=metadata,
        project=project,
        location=location,
    )
    return artifact
  • schema_title: obrigatório. Identifica o título do esquema usado pelo recurso.
  • project: o ID do projeto. Esses IDs estão na página de boas-vindas do console do Google Cloud.
  • location: consulte a Lista de locais disponíveis
  • uri: opcional. URI do local do artefato.
  • resource_id: opcional. A parte resource_id do nome do artefato com o formato. Ele é globalmente exclusivo em um metadataStore:
    projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>
  • display_name: opcional. O nome definido pelo usuário do recurso.
  • schema_version: opcional. Especifica a versão usada pelo recurso. Se não for definido, o padrão será usar a versão mais recente.
  • description: opcional. Descreve a finalidade do recurso a ser criado.
  • metadata: opcional. Contém as informações de metadados que serão armazenadas no recurso.

Iniciar execução

O exemplo a seguir usa o método start_execution.

Python

def start_execution_sample(
    schema_title: str,
    display_name: str,
    input_artifacts: List[aiplatform.Artifact],
    output_artifacts: List[aiplatform.Artifact],
    project: str,
    location: str,
    resource_id: Optional[str] = None,
    metadata: Optional[Dict[str, Any]] = None,
    schema_version: Optional[str] = None,
    resume: bool = False,
):
    aiplatform.init(project=project, location=location)

    with aiplatform.start_execution(
        schema_title=schema_title,
        display_name=display_name,
        resource_id=resource_id,
        metadata=metadata,
        schema_version=schema_version,
        resume=resume,
    ) as execution:
        execution.assign_input_artifacts(input_artifacts)
        execution.assign_output_artifacts(output_artifacts)
        return execution
  • schema_title: identifica o título do esquema usado pelo recurso.
  • display_name: o nome do recurso definido pelo usuário.
  • input_artifacts: artefatos a serem atribuídos como entrada.
  • output_artifacts: artefatos como saídas para essa execução.
  • project: o ID do projeto É possível encontrá-los na página de boas-vindas do Console do Google Cloud.
  • location: consulte a Lista de locais disponíveis
  • resource_id: opcional. A parte resource_id do nome do artefato com o formato. Ele é globalmente exclusivo em um metadataStore: projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>.
  • schema_version: opcional. Especifica a versão usada pelo recurso. Se não for definido, o padrão será usar a versão mais recente.
  • metadata: opcional. Contém as informações de metadados que serão armazenadas no recurso.
  • resume: bool.

    Observação: quando o parâmetro resume opcional é especificado como TRUE, a execução iniciada anteriormente é retomada. Quando não especificado, resume assume como padrão FALSE e uma nova execução é criada.

Amostras de notebook