Questa pagina è stata tradotta dall'API Cloud Translation.

Montare una condivisione NFS per l'addestramento personalizzato

Puoi configurare i job di addestramento personalizzati in modo da montare le condivisioni Network File System (NFS) nel contenitore in cui viene eseguito il codice. In questo modo i tuoi job possono accedere ai file remoti come se fossero locali, consentendo un'elevata velocità in uscita e una bassa latenza.

Questa guida mostra come montare una condivisione NFS quando esegui un job di addestramento personalizzato.

Prima di iniziare

Crea una condivisione NFS in un Virtual Private Cloud (VPC). La condivisione deve essere accessibile senza autenticazione.

Puoi utilizzare un'istanza Filestore come condivisione NFS. Se utilizzi Filestore e prevedi di utilizzare il peering VPC per Vertex AI nel passaggio successivo, seleziona Accesso ai servizi privati come modalità di connessione quando crei un'istanza. Per un esempio, consulta Creare istanze nella documentazione di Filestore.
Per collegare Vertex AI al VPC che ospita la tua condivisione NFS, segui le istruzioni riportate in Utilizzare l'interfaccia Private Service Connect per Vertex AI (opzione consigliata) o Configurare il peering di rete VPC.

Informazioni NFS per l'addestramento personalizzato

Quando crei un job di addestramento personalizzato che monta una condivisione NFS, devi specificare quanto segue:

Il nome della rete a cui Vertex AI deve accedere. Il modo in cui specifichi il nome della rete varia a seconda del tipo di job di addestramento personalizzato. Per maggiori dettagli, vedi Eseguire l'addestramento personalizzato.

La configurazione NFS nel campo WorkerPoolSpec. Includi i seguenti campi:

Campo	Descrizione
`nfsMounts.server`	L'indirizzo IP del server NFS. Deve essere un indirizzo privato nella tua VPC.
`nfsMounts.path`	Il percorso della condivisione NFS. Deve essere un percorso assoluto che inizia con `/`.
`nfsMounts.mountPoint`	Il punto di montaggio locale. Deve essere un nome di directory UNIX valido. Ad esempio, se il punto di montaggio locale è `sourceData`, specifica il percorso `/mnt/nfs/sourceData` dall'istanza VM di addestramento.

Per ulteriori informazioni, consulta Dove specificare le risorse di calcolo.

Esempio: crea un job personalizzato utilizzando gcloud CLI

Segui i passaggi descritti in Creare un'applicazione di addestramento Python per un container predefinito per creare un'applicazione di addestramento da eseguire su Vertex AI.
Crea un file denominato config.yaml che descriva le impostazioni di montaggio della configurazione dell'interfaccia PSA o Private Service Connect per il job di addestramento. Utilizza uno dei seguenti formati:

Interfaccia Private Service Connect

Per utilizzare l'interfaccia Private Service Connect:
```
pscInterfaceConfig:
     network_attachment: NETWORK_ATTACHMENT_NAME
workerPoolSpecs:
    - machineSpec:
        machineType: MACHINE_TYPE
    replicaCount: 1
    pythonPackageSpec:
       executorImageUri: PYTHON_PACKAGE_EXECUTOR_IMAGE_URI or PRE_BUILT_CONTAINER_IMAGE_URI
       packageUris:
       -  PYTHON_PACKAGE_URIS
       pythonModule: PYTHON_MODULE
    nfsMounts:
      - server: NFS_SERVER_IP
      path: NFS_SHARE_NAME
      mountPoint: LOCAL_FOLDER
```
Sostituisci quanto segue:
- NETWORK_ATTACHMENT_NAME: il nome dell'attacco alla rete.
- MACHINE_TYPE: l'identificatore del tipo di macchina virtuale.
- PYTHON_PACKAGE_EXECUTOR_IMAGE_URI o PRE_BUILT_CONTAINER_IMAGE_URI: l'URI di un'immagine del container in Artifact Registry che eseguirà il pacchetto Python fornito. Vertex AI fornisce una vasta gamma di immagini di executor con pacchetti preinstallati per soddisfare i vari casi d'uso degli utenti.
- PYTHON_PACKAGE_URIS: un elenco separato da virgole di URI di Cloud Storage che specificano i file del pacchetto Python che costituiscono il programma di addestramento e i relativi pacchetti dipendenti. Il numero massimo di URI dei pacchetti è 100.
- PYTHON_MODULE: il nome del modulo Python da eseguire dopo l'installazione del pacchetto.
- NFS_SERVER_IP: l'indirizzo IP del server NFS.
- NFS_SHARE_NAME: il percorso della condivisione NFS, che è un percorso assoluto che inizia con /.
- LOCAL_FOLDER: il punto di montaggio locale (nome della directory UNIX).
Assicurati che il nome della rete sia formattato correttamente e che la condivisione NFS esista nella rete specificata.
Crea il tuo job personalizzato e passa il file config.yaml al parametro --config.
```
gcloud ai custom-jobs create \
  --region=LOCATION \
  --display-name=JOB_NAME \
  --config=config.yaml
```
Sostituisci quanto segue:
- LOCATION: specifica la regione in cui creare il job.
- JOB_NAME: un nome per il job personalizzato.

Peering VPC

Utilizza il peering VPC se vuoi che il job utilizzi o meno il peering VPC/PSA.
```
network: projects/PROJECT_NUMBER/global/networks/NETWORK_NAME
workerPoolSpecs:
    - machineSpec:
        machineType: MACHINE_TYPE
      replicaCount: 1
      pythonPackageSpec:
        executorImageUri: PYTHON_PACKAGE_EXECUTOR_IMAGE_URI or 
              PRE_BUILT_CONTAINER_IMAGE_URI
        packageUris:
          -  PYTHON_PACKAGE_URIS
        pythonModule: PYTHON_MODULE
      nfsMounts:
        - server: NFS_SERVER_IP
          path: NFS_SHARE_NAME
          mountPoint: LOCAL_FOLDER
```
Sostituisci quanto segue:
- PROJECT_NUMBER: l'ID del tuo progetto Google Cloud.
- NETWORK_NAME: il nome della VPC privata o condivisa.
- MACHINE_TYPE: l'identificatore del tipo di macchina virtuale.
- PYTHON_PACKAGE_EXECUTOR_IMAGE_URI or PRE_BUILT_CONTAINER_IMAGE_URI: l'URI di un'immagine del container in Artifact Registry che eseguirà il pacchetto Python fornito. Vertex AI fornisce una vasta gamma di immagini di executor con pacchetti preinstallati per soddisfare i vari casi d'uso degli utenti.
- PYTHON_PACKAGE_URIS: un elenco separato da virgole di URI di Cloud Storage che specificano i file del pacchetto Python che costituiscono il programma di addestramento e i relativi pacchetti dipendenti. Il numero massimo di URI dei pacchetti è 100.
- PYTHON_MODULE: il nome del modulo Python da eseguire dopo l'installazione del pacchetto.
- NFS_SERVER_IP: l'indirizzo IP del server NFS.
- NFS_SHARE_NAME: il percorso della condivisione NFS, che è un percorso assoluto che inizia con /.
- LOCAL_FOLDER: il punto di montaggio locale (nome della directory UNIX).
Assicurati che il nome della rete sia formattato correttamente e che la condivisione NFS esista nella rete specificata.

Crea il tuo job personalizzato e passa il file config.yaml al parametro --config.

gcloud ai custom-jobs create \
  --region=LOCATION \
  --display-name=JOB_NAME \
  --config=config.yaml

Sostituisci quanto segue:

LOCATION: specifica la regione in cui creare il job.
JOB_NAME: un nome per il job personalizzato.

Limitazioni

Devi montare la condivisione NFS utilizzando un indirizzo IP interno alla VPC. L'utilizzo di URL pubblici non è consentito.
I job di addestramento montano le condivisioni NFS senza autenticazione e non andranno a buon fine se sono richiesti un nome utente e una password.

Per proteggere i tuoi dati, imposta le autorizzazioni sulla condivisione NFS. Se utilizzi Filestore, consulta il controllo dell'accesso nella documentazione di Filestore.
Non puoi eseguire contemporaneamente due job di addestramento che montano condivisioni NFS da reti VPC diverse. Ciò è dovuto alla limitazione del peering di rete.