Ejecuta trabajos de entrenamiento personalizados en un recurso persistente

En esta página, se muestra cómo ejecutar un trabajo de entrenamiento personalizado en un recurso persistente a través de Google Cloud CLI, el SDK de Vertex AI para Python y la API de REST.

Por lo general, cuando creas un trabajo de entrenamiento personalizado, debes especificar los recursos de procesamiento que el trabajo usa para crear y ejecutarse. Después de crear un recurso persistente, puedes configurar el trabajo de entrenamiento personalizado para que se ejecute en uno o más grupos de recursos de ese recurso persistente. Ejecutar un trabajo de entrenamiento personalizado en un recurso persistente reduce de manera significativa el tiempo de inicio del trabajo que, de lo contrario, es necesario para crear un recurso de procesamiento.

Roles obligatorios

Para obtener el permiso que necesitas para ejecutar trabajos de entrenamiento personalizados en un recurso persistente, pídele a tu administrador que te otorgue el rol de IAM de usuario de Vertex AI (roles/aiplatform.user) en tu proyecto. Para obtener más información sobre cómo otorgar roles, consulta Administra el acceso a proyectos, carpetas y organizaciones.

Este rol predefinido contiene el permiso aiplatform.customJobs.create, que se requiere para ejecutar trabajos de entrenamiento personalizados en un recurso persistente.

También puedes obtener este permiso con roles personalizados o con otros roles predefinidos.

Crea un trabajo de entrenamiento que se ejecute en un recurso persistente

Para crear un trabajo de entrenamiento personalizado que se ejecute en un recurso persistente, realiza las siguientes modificaciones en las instrucciones estándar para crear un trabajo de entrenamiento personalizado:

def create_custom_job_on_persistent_resource_sample(
    project: str,
    location: str,
    staging_bucket: str,
    display_name: str,
    container_uri: str,
    persistent_resource_id: str,
    service_account: Optional[str] = None,
) -> None:
    aiplatform.init(
        project=project, location=location, staging_bucket=staging_bucket
    )

    worker_pool_specs = [{
        "machine_spec": {
            "machine_type": "n1-standard-4",
            "accelerator_type": "NVIDIA_TESLA_K80",
            "accelerator_count": 1,
        },
        "replica_count": 1,
        "container_spec": {
            "image_uri": container_uri,
            "command": [],
            "args": [],
        },
    }]

    custom_job = aiplatform.CustomJob(
        display_name=display_name,
        worker_pool_specs=worker_pool_specs,
        persistent_resource_id=persistent_resource_id,
    )

    custom_job.run(service_account=service_account)

¿Qué sigue?

• Obtén más información sobre el recurso persistente.
• Crea y usa un recurso persistente.
• Obtén información sobre un recurso persistente.
• Reinicia un recurso persistente.
• Borra un recurso persistente.