Entrenar un modelo con Wide & Deep

En esta página se explica cómo entrenar un modelo de clasificación o regresión a partir de un conjunto de datos tabulares con el flujo de trabajo tabular para Wide & Deep.

Hay dos versiones del flujo de trabajo tabular para modelos profundos y amplios:

• HyperparameterTuningJob busca el mejor conjunto de valores de hiperparámetros que se puede usar para entrenar un modelo.
• CustomJob te permite especificar los valores de los hiperparámetros que se usarán para entrenar el modelo. Si sabes exactamente qué valores de hiperparámetros necesitas, especifícalos en lugar de buscarlos y ahorra recursos de entrenamiento.

Para obtener información sobre las cuentas de servicio que usa este flujo de trabajo, consulta Cuentas de servicio para flujos de trabajo tabulares.

APIs de flujo de trabajo

Este flujo de trabajo usa las siguientes APIs:

• Vertex AI
• Dataflow
• Compute Engine
• Cloud Storage

Entrenar un modelo con HyperparameterTuningJob

En el siguiente código de ejemplo se muestra cómo ejecutar una canalización HyperparameterTuningJob:

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

El parámetro opcional service_account de pipeline_job.run() te permite definir la cuenta de servicio de Vertex AI Pipelines como la que elijas.

La siguiente función define la canalización y los valores de los parámetros. Los datos de entrenamiento pueden ser un archivo CSV en Cloud Storage o una tabla en BigQuery.

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

A continuación, se muestra un subconjunto de parámetros de get_wide_and_deep_hyperparameter_tuning_job_pipeline_and_parameters:

Para configurar los hiperparámetros con el parámetro study_spec_parameters_override, usa la función auxiliar get_wide_and_deep_study_spec_parameters_override de Vertex AI. Esta función devuelve una lista de hiperparámetros e intervalos.

A continuación, se muestra un ejemplo de cómo usar la función get_wide_and_deep_study_spec_parameters_override:

study_spec_parameters_override = automl_tabular_utils.get_wide_and_deep_study_spec_parameters_override()

Entrenar un modelo con CustomJob

En el siguiente código de ejemplo se muestra cómo ejecutar una canalización de CustomJob:

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

El parámetro opcional service_account de pipeline_job.run() te permite definir la cuenta de servicio de Vertex AI Pipelines como la que elijas.

La siguiente función define la canalización y los valores de los parámetros. Los datos de entrenamiento pueden ser un archivo CSV en Cloud Storage o una tabla en BigQuery.

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

A continuación, se muestra un subconjunto de parámetros de get_wide_and_deep_trainer_pipeline_and_parameters:

Siguientes pasos

Cuando quieras hacer inferencias con tu modelo de clasificación o regresión, tienes dos opciones:

• Hacer inferencias online (en tiempo real) con tu modelo
• Obtén inferencias por lotes directamente de tu modelo.
• Consulta información sobre los precios del entrenamiento de modelos.