使用預測適用的 Tabular Workflow 訓練模型

本頁面說明如何使用預測用的 Tabular Workflow，從資料表資料集訓練預測模型。

如要瞭解這個工作流程使用的服務帳戶，請參閱「Tabular Workflows 的服務帳戶」。

如果在執行預測的資料化工作流程時收到與配額相關的錯誤，您可能需要申請更高的配額。詳情請參閱「管理表格式工作流程的配額」。

預測的資料表工作流程不支援模型匯出作業。

Workflow API

這個工作流程會使用下列 API：

• Vertex AI
• Dataflow
• Compute Engine
• Cloud Storage

取得先前超參數調整結果的 URI

如果您先前已完成預測執行作業的資料格式工作流程，可以使用上次執行作業的超參數調整結果，節省訓練時間和資源。您可以使用 Google Cloud 控制台或透過程式設計使用 API 載入先前的超參數調整結果。

def get_task_detail(
  task_details: List[Dict[str, Any]], task_name: str
) -> List[Dict[str, Any]]:
  for task_detail in task_details:
      if task_detail.task_name == task_name:
          return task_detail

pipeline_task_details = job.gca_resource.job_detail.task_details

stage_1_tuner_task = get_task_detail(
    pipeline_task_details, "automl-forecasting-stage-1-tuner"
)
stage_1_tuning_result_artifact_uri = (
    stage_1_tuner_task.outputs["tuning_result_output"].artifacts[0].uri
)

訓練模型

以下程式碼範例示範如何執行模型訓練管道：

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

job.run() 中的選用 service_account 參數可讓您將 Vertex AI Pipelines 服務帳戶設為所選帳戶。

Vertex AI 支援下列模型訓練方法：

• 時間序列稠密型編碼器 (TiDE)。如要使用這個模型訓練方法，請使用下列函式定義管道和參數值：

  template_path, parameter_values = automl_forecasting_utils.get_time_series_dense_encoder_forecasting_pipeline_and_parameters(...)
  

• 時間融合轉換器 (TFT)。如要使用這個模型訓練方法，請使用下列函式定義管道和參數值：

  template_path, parameter_values = automl_forecasting_utils.get_temporal_fusion_transformer_forecasting_pipeline_and_parameters(...)
  

• AutoML (L2L)。如要使用這個模型訓練方法，請使用下列函式定義管道和參數值：

  template_path, parameter_values = automl_forecasting_utils.get_learn_to_learn_forecasting_pipeline_and_parameters(...)
  

• Seq2Seq+：如要使用這個模型訓練方法，請使用下列函式定義管道和參數值：

  template_path, parameter_values = automl_forecasting_utils.get_sequence_to_sequence_forecasting_pipeline_and_parameters(...)
  

詳情請參閱「模型訓練方法」。

訓練資料可以是 Cloud Storage 中的 CSV 檔案，也可以是 BigQuery 中的資料表。

以下是模型訓練參數的子集：

轉換

您可以提供字典，將自動或類型解析結果對應至功能資料欄。支援的類型包括：自動、數值、類別、文字和時間戳記。

以下程式碼提供輔助函式，用於填入 transformations 參數。本範例也說明如何使用這個函式，將自動轉換套用至由 features 變數定義的一組資料欄。

def generate_transformation(
      auto_column_names: Optional[List[str]]=None,
      numeric_column_names: Optional[List[str]]=None,
      categorical_column_names: Optional[List[str]]=None,
      text_column_names: Optional[List[str]]=None,
      timestamp_column_names: Optional[List[str]]=None,
    ) -> List[Dict[str, Any]]:
    if auto_column_names is None:
      auto_column_names = []
    if numeric_column_names is None:
      numeric_column_names = []
    if categorical_column_names is None:
      categorical_column_names = []
    if text_column_names is None:
      text_column_names = []
    if timestamp_column_names is None:
      timestamp_column_names = []
    return {
        "auto": auto_column_names,
        "numeric": numeric_column_names,
        "categorical": categorical_column_names,
        "text": text_column_names,
        "timestamp": timestamp_column_names,
    }

transformations = generate_transformation(auto_column_names=features)

如要進一步瞭解轉換作業，請參閱「資料類型和轉換」。

工作流程自訂選項

您可以定義在管道定義期間傳入的引數值，自訂預測的資料格式工作流程。您可以透過下列方式自訂工作流程：

• 設定硬體
• 略過架構搜尋

設定硬體

您可以使用下列模型訓練參數，設定訓練時使用的機器類型和機器數量。如果您有大量資料集，且想據此最佳化機器硬體，這個選項就很適合。

以下程式碼示範如何為 TensorFlow 主節點設定 n1-standard-8 機器類型，以及為 TensorFlow 評估工具節點設定 n1-standard-4 機器類型：

worker_pool_specs_override = [
  {"machine_spec": {"machine_type": "n1-standard-8"}}, # override for TF chief node
  {},  # override for TF worker node, since it's not used, leave it empty
  {},  # override for TF ps node, since it's not used, leave it empty
  {
    "machine_spec": {
        "machine_type": "n1-standard-4" # override for TF evaluator node
    }
  }
]

略過架構搜尋

您可以使用下列模型訓練參數，在執行管道時不進行架構搜尋，並提供一組先前管道執行作業的超參數。

後續步驟

• 瞭解預測模型的批次推論。
• 瞭解模型訓練的定價。