训练和部署模型

创建 CustomTrainingJob 时，您将在后台定义一个训练流水线。Vertex AI 使用该训练流水线和 Python 训练脚本中的代码来训练和创建模型。如需了解详情，请参阅创建训练流水线。

定义训练流水线

如需创建训练流水线，请创建一个 CustomTrainingJob 对象。在下一步中，您将使用 CustomTrainingJob 的 run 命令创建和训练模型。如需创建 CustomTrainingJob，请将以下参数传递给其构造函数：

• display_name - 您在为 Python 训练脚本定义命令参数时创建的 JOB_NAME 变量。

• script_path - 您在本教程前面创建的 Python 训练脚本的路径。

• container_url - 用于训练模型的 Docker 容器映像的 URI。

• requirements - 脚本的 Python 软件包依赖项列表。

• model_serving_container_image_uri - 为模型提供预测的 Docker 容器映像的 URI。此容器可以是预构建的，也可以是您自己的自定义映像。本教程使用预构建容器。

运行以下代码以创建训练流水线。CustomTrainingJob 方法使用 task.py 文件中的 Python 训练脚本来构造 CustomTrainingJob。

job = aiplatform.CustomTrainingJob(
    display_name=JOB_NAME,
    script_path="task.py",
    container_uri="us-docker.pkg.dev/vertex-ai/training/tf-cpu.2-8:latest",
    requirements=["google-cloud-bigquery>=2.20.0", "db-dtypes", "protobuf<3.20.0"],
    model_serving_container_image_uri="us-docker.pkg.dev/vertex-ai/prediction/tf2-cpu.2-8:latest",
)

创建和训练模型

在上一步中，您创建了一个名为 job 的 CustomTrainingJob。如需创建和训练模型，请对 CustomTrainingJob 对象调用 run 方法，并向其传递以下参数：

• dataset - 您之前在本教程中创建的表格数据集。此参数可以是表格、图片、视频或文本数据集。

• model_display_name - 模型的名称。

• bigquery_destination - 指定 BigQuery 数据集位置的字符串。

• args - 传递给 Python 训练脚本的命令行参数。

如需开始训练数据并创建模型，请在笔记本中运行以下代码：

MODEL_DISPLAY_NAME = "penguins_model_unique"

# Start the training and create your model
model = job.run(
    dataset=dataset,
    model_display_name=MODEL_DISPLAY_NAME,
    bigquery_destination=f"bq://{project_id}",
    args=CMDARGS,
)

在转到下一步之前，请确保 job.run 命令的输出中显示以下内容以验证其是否已完成：

CustomTrainingJob run completed。

训练作业完成后，即可部署模型。

部署模型

部署模型时，您还会创建用于进行预测的 Endpoint 资源。如需部署模型并创建端点，请在笔记本中运行以下代码：

DEPLOYED_NAME = "penguins_deployed_unique"

endpoint = model.deploy(deployed_model_display_name=DEPLOYED_NAME)

等待模型部署，然后再转到下一步。模型部署后，输出内容将包含文本 Endpoint model deployed。

如需在 Google Cloud 控制台中查看部署的状态，请执行以下操作：

1. 在 Google Cloud 控制台中，转到端点页面。

   转至 Endpoints

2. 在模型下方监控该值。在创建端点之后、部署模型之前，该值为 0。模型部署之后，该值将更新为 1。

   下面显示了在创建端点之后、将模型部署到该端点之前的端点。

   

   下面显示了在创建端点之后并将模型部署到该端点之后的端点。