使用 TabNet 訓練模型

本頁面說明如何使用 TabNet 適用的 Tabular Workflow，從表格資料集訓練分類或迴歸模型。

TabNet 適用的 Tabular Workflow 有兩個版本：

• HyperparameterTuningJob 會找出最適合用於模型訓練的超參數值組合。
• CustomJob 可讓您指定用於模型訓練的超參數值。如果您確切知道需要哪些超參數值，可以指定這些值，不必搜尋，節省訓練資源。

如要瞭解這個工作流程使用的服務帳戶，請參閱表格工作流程的服務帳戶。

Workflow API

這個工作流程會使用下列 API：

• Vertex AI
• Dataflow
• Compute Engine
• Cloud Storage

使用 HyperparameterTuningJob 訓練模型

下列程式碼範例示範如何執行 HyperparameterTuningJob 管道：

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

您可以在 pipeline_job.run() 中使用選用的 service_account 參數，將 Vertex AI Pipelines 服務帳戶設為您選擇的帳戶。

下列函式會定義管道和參數值。 訓練資料可以是 Cloud Storage 中的 CSV 檔案，也可以是 BigQuery 中的資料表。

template_path, parameter_values =  automl_tabular_utils.get_tabnet_hyperparameter_tuning_job_pipeline_and_parameters(...)

以下是一部分的 get_tabnet_hyperparameter_tuning_job_pipeline_and_parameters 參數：

如要使用 study_spec_parameters_override 參數設定超參數，可以使用 Vertex AI 的輔助函式 get_tabnet_study_spec_parameters_override。這個函式具有下列輸入內容：

• dataset_size_bucket：資料集大小的 bucket
  • 'small': < 100 萬列
  • 「medium」：100 萬至 1 億列
  • 「large」：> 1 億列
• training_budget_bucket：訓練預算的儲存空間
  • 'small': < $600
  • 'medium': $600 - $2400
  • 'large': > $2400
• prediction_type：所需的推論類型

get_tabnet_study_spec_parameters_override 函式會傳回超參數和範圍的清單。

以下範例說明如何使用 get_tabnet_study_spec_parameters_override 函式：

study_spec_parameters_override = automl_tabular_utils.get_tabnet_study_spec_parameters_override(
    dataset_size_bucket="small",
    prediction_type="classification",
    training_budget_bucket="small",
)

使用 CustomJob 訓練模型

下列程式碼範例說明如何執行 CustomJob 管道：

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

您可以在 pipeline_job.run() 中使用選用的 service_account 參數，將 Vertex AI Pipelines 服務帳戶設為您選擇的帳戶。

下列函式會定義管道和參數值。 訓練資料可以是 Cloud Storage 中的 CSV 檔案，也可以是 BigQuery 中的資料表。

template_path, parameter_values = automl_tabular_utils.get_tabnet_trainer_pipeline_and_parameters(...)

以下是一部分的 get_tabnet_trainer_pipeline_and_parameters 參數：

後續步驟

準備好使用分類或迴歸模型進行推論時，有兩種做法：

• 使用模型進行線上 (即時) 推論
• 直接從模型取得批次推論結果。
• 瞭解模型訓練的計費方式。