Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Diese Seite enthält Informationen zur Verwendung von Cloud Logging, um Details zu einem Vertex AI-Modell aufzurufen. Mit Logging können Sie Folgendes sehen:
Die Hyperparameter des endgültigen Modells als Schlüssel/Wert-Paare.
Die Hyperparameter und Objektwerte, die während des Modelltrainings und der Feinabstimmung verwendet werden, sowie einen Zielwert.
Bevor Sie die Hyperparameterlogs für Ihr Modell aufrufen können, müssen Sie es trainieren.
Zum Ausführen dieser Aufgabe benötigen Sie die folgenden Berechtigungen:
logging.logServiceIndexes.list für das Projekt
logging.logServices.list für das Projekt
Trainingslogs anzeigen
Mit der Google Cloud Console können Sie auf die Hyperparameterlogs des endgültigen Modells und auf die Hyperparameterlogs der Abstimmungstests zugreifen.
Rufen Sie in der Google Cloud Console die Seite Vertex AI-Modelle auf.
timestamp: Datum und Uhrzeit der Erstellung des Modells oder der Ausführung des Tests.
Nutzlastinhalte für das Hyperparameterlog des endgültigen Modells
Das Feld jsonPayload für das Hyperparameterlog des endgültigen Modells enthält das Feld modelParameters. Dieses Feld enthält einen Eintrag für jedes Modell, das zum endgültigen Ensemble-Modell beiträgt. Jeder Eintrag hat ein Feld hyperparameters, dessen Inhalt vom Modelltyp abhängt. Weitere Informationen finden Sie unter Liste der Hyperparameter.
Nutzlastinhalte für das Hyperparameterlog eines Abstimmungstests
Das jsonPayload-Feld für das Hyperparameterlog eines Abstimmungstests enthält folgende Felder:
Feld
Typ
Beschreibung
modelStructure
JSON
Eine Beschreibung der Vertex AI-Modellstruktur.
Dieses Feld enthält das Feld modelParameters. Das Feld modelParameters hat das Feld hyperparameters, dessen Inhalt vom Modelltyp abhängt. Weitere Informationen finden Sie unter Liste der Hyperparameter.
trainingObjectivePoint
JSON
Das für das Modelltraining verwendete Optimierungsziel.
Dieser Eintrag enthält einen Zeitstempel und einen Zielwert, die zum Zeitpunkt der Aufzeichnung des Logeintrags erstellt werden.
Liste der Hyperparameter
Die in den Logs angegebenen Hyperparameterdaten unterscheiden sich je nach Modell. In den folgenden Abschnitten werden die Hyperparameter für jeden Modelltyp beschrieben.
Gradient Boosted-Entscheidungsbaummodelle
Baum-Regularisierung L1
Baum-Regularisierung L2
Maximale Strukturtiefe
Modelltyp: GBDT
Anzahl der Bäume
Komplexität des Baums
Neuronale Feed-Forward-Netzwerkmodelle
Abbruchquote
BatchNorm aktivieren (True oder False)
Einbettung von L1 aktivieren (True oder False)
Einbettung von L2 aktivieren (True oder False)
L1 aktivieren (True oder False)
L2 aktivieren (True oder False)
LayerNorm aktivieren (True oder False)
Numerische Einbettung aktivieren (True oder False)
Größe der ausgeblendeten Ebenen
Modelltyp: nn
Numerische Spalte normalisieren (True oder False)
Anzahl der Cross-Ebenen
Anzahl der ausgeblendeten Ebenen
Typ für Verbindungen überspringen (dense, disable, concat oder slice_or_padding)
Nächste Schritte
Sobald Sie bereit sind, Vorhersagen mit Ihrem Klassifizierungs- oder Regressionsmodell zu treffen, haben Sie zwei Möglichkeiten:
Sie können Ihre Logs nach BigQuery, Cloud Storage oder Pub/Sub exportieren. Unter Logs an unterstützte Ziele weiterleiten in der Logging-Dokumentation finden Sie Informationen zum Exportieren von Aktivitätslogs.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-08-19 (UTC)."],[],[],null,["# View model architecture\n\nThis page provides information about how to use Cloud Logging to\nview details about a Vertex AI model. Using\nLogging, you see:\n\n- The hyperparameters of the final model as key-value pairs.\n- The hyperparameters and object values used during model training and tuning, as well as an objective value.\n\nBy default, logs are deleted after 30 days.\n\nThe following topics are covered:\n\n1. [Viewing training logs](#training-logs).\n2. [Log fields](#log-fields).\n\n| **Note:** Model architecture logs are provided as part of the Cloud Logging service. For general information about Cloud Logging, see the [Cloud Logging](/logging/docs) documentation.\n\nBefore you begin\n----------------\n\nBefore you can view the hyperparameter logs for your model, you must\n[train it](/vertex-ai/docs/tabular-data/classification-regression/train-model).\n\nTo perform this task, you must have the following\n[permissions](/iam/docs/overview#permissions):\n\n- `logging.logServiceIndexes.list` on the project\n- `logging.logServices.list` on the project\n\nViewing training logs\n---------------------\n\nYou can use the Google Cloud console to access the hyperparameter logs of the\nfinal model and the hyperparameter logs of the tuning trials.\n\n1. In the Google Cloud console, go to the Vertex AI **Models** page.\n\n [Go to Models page](https://console.cloud.google.com/vertex-ai/models)\n2. In the **Region** drop-down, select the region where your model is located.\n\n3. From the list of models, select your model.\n\n4. Select your model's version number.\n\n5. Open the **Version Details** tab.\n\n6. To see the hyperparameter log of the final model, go to the **Model hyperparameters** row and click **Model**.\n\n 1. There is just one log entry. Expand the payload as shown below.\n For details, see [Log fields](#reading-logs).\n\n7. To see the hyperparameter log of the tuning trials, go to the **Model hyperparameters** row and click **Trials**.\n\n 1. There is one entry for each of the tuning trials. Expand the payload as\n shown below. For details, see [Log fields](#reading-logs).\n\nLog fields\n----------\n\nActivity logs are structured as described in the\n[LogEntry](/logging/docs/exported_logs#the_logentry_type) type\ndocumentation.\n\nVertex AI model logs have, among other fields:\n\n- `labels`: The `log_type` field is set to `automl_tables`.\n- `jsonPayload`: The specific details of the log entry, provided in JSON object format. For details, see [Payload contents for the hyperparameter log of the final model](#final-payload) or [Payload contents for the hyperparameter log of a tuning trial](#trial-payload).\n- `timestamp`: The date and time when the model was created or the trial was run.\n\n### Payload contents for the hyperparameter log of the final model\n\nThe `jsonPayload` field for the hyperparameter log of the final model contains a\n`modelParameters` field. This field contains one entry for each model that\ncontributes to the final ensemble model. Each entry has a `hyperparameters`\nfield, whose contents depend on the model type. For details, see [List of hyperparameters](#hps).\n\n### Payload contents for the hyperparameter log of a tuning trial\n\nThe `jsonPayload` field for the hyperparameter log of a tuning trial contains the following fields:\n\n### List of hyperparameters\n\nThe hyperparameter data provided in the logs differ for each type of\nmodel. The following sections describe the hyperparameters for each\nmodel type.\n\n#### Gradient boosted decision tree models\n\n- Tree L1 regularization\n- Tree L2 regularization\n- Max tree depth\n- Model type: `GBDT`\n- Number of trees\n- Tree complexity\n\n#### Feedforward neural network models\n\n- Dropout rate\n- Enable batchNorm (`True` or `False`)\n- Enable embedding L1 (`True` or `False`)\n- Enable embedding L2 (`True` or `False`)\n- Enable L1 (`True` or `False`)\n- Enable L2 (`True` or `False`)\n- Enable layerNorm (`True` or `False`)\n- Enable numerical embedding (`True` or `False`)\n- Hidden layer size\n- Model type: `nn`\n- Normalize numerical column (`True` or `False`)\n- Number of cross layers\n- Number of hidden layers\n- Skip connections type (`dense`, `disable`, `concat`, or `slice_or_padding`)\n\nWhat's next\n-----------\n\nOnce you're ready to make predictions with your classification or regression\nmodel, you have two options:\n\n- [Make online (real-time) predictions using your model](/vertex-ai/docs/tabular-data/classification-regression/get-online-predictions).\n- [Get batch predictions directly from your model](/vertex-ai/docs/tabular-data/classification-regression/get-batch-predictions).\n\nAdditionally, you can:\n\n- [Evaluate your model](/vertex-ai/docs/tabular-data/classification-regression/evaluate-model).\n- [Review general information about Cloud Logging](/logging/docs).\n- You can export your logs to BigQuery, Cloud Storage, or Pub/Sub. Read [Route logs to supported destinations](/logging/docs/export/configure_export_v2) in the Logging documentation to learn how to export activity logs."]]
