此页面由 Cloud Translation API 翻译。

AutoML 训练概览

Vertex AI 上的 AutoML（自动化机器学习）提供了一种只需极少的工作量和机器学习专业知识即可训练出高质量机器学习模型的方法。本页面简要介绍了用于在 Vertex AI 上训练和使用您自己的模型的工作流。

您可以使用 AutoML 构建的模型类型

您可以构建的模型类型取决于您拥有的数据类型。Vertex AI 会为以下数据类型和模型目标提供 AutoML 解决方案：

数据类型	支持的目标
图片数据	分类、对象检测。
视频数据	操作识别、分类、对象跟踪。
表格数据	分类/回归、预测。

无论数据类型或目标如何，用于训练和使用 AutoML 模型的工作流都是相同的：

准备训练数据。
创建数据集。
训练模型。
评估和迭代模型。
从模型获取推理结果。
解读推理结果。

图片数据

AutoML 使用机器学习来分析图片数据的内容。您可以使用 AutoML 训练机器学习模型，以对图片进行分类或查找图片数据中的对象。

利用 Vertex AI，您可以通过基于图片的模型进行在线推理和批量推理。在线推理是指向模型端点发出的同步请求。如果您要发出请求以响应应用输入，或者在其他需要及时推断的情况下，可以使用在线推断。批量推理是异步请求。您可以直接从模型资源请求批量推理，而无需将模型部署到端点。对于图片数据，如果您不需要获得即时响应并且希望通过一个请求处理累积数据，则可以使用批量推理。

对图片进行分类

分类模型会分析图片数据，并返回适用于图片的内容类别列表。例如，您可以训练一个模型，将图片分类为包含猫或不包含猫，也可以训练一个模型，将狗图片按品种分类。

对图片进行对象检测

对象检测模型会分析图片数据，并为在图片中找到的所有对象返回注解，其中包含每个对象的标签和边界框位置。例如，您可以训练一个模型，找到图片数据中猫的位置。

表格数据

利用 Vertex AI，您可以通过简单的流程和界面使用表格数据执行机器学习。您可以为表格数据问题创建以下模型类型：

二元分类模型可预测二元结果（二者选一）。此模型类型用于是非问题。例如，您可能想要构建一个二元分类模型来预测客户是否会购买订阅。一般而言，二元分类问题所需的数据比其他模型类型少。
多类别分类模型可从三个或更多个互不关联的类别中预测一个类别。使用此模型类型进行分类。例如，作为零售商，您可能希望构建一个多类别分类模型来将客户划分为不同的角色。
回归模型可预测连续值。例如，作为零售商，您可能希望构建一个回归模型来预测客户下个月的支出。
预测模型可预测一系列值。例如，作为零售商，您可能希望预测未来 3 个月的产品每日需求，以便提前备妥适当数量的商品库存。

如需了解详情，请参阅表格数据概览。

如果您的表格数据存储在 BigQuery ML 中，则可以直接在 BigQuery ML 中训练 AutoML 表格模型。如需了解详情，请参阅 AutoML Tabular 参考文档。

视频数据

AutoML 使用机器学习来分析视频数据，以便对镜头和片段进行分类，或检测和跟踪视频数据中的多个对象。

对视频进行动作识别

动作识别模型会分析视频数据，并返回分类的动作和动作发生的时刻的列表。例如，您可以训练一个模型来分析视频数据，以识别足球进球、高尔夫挥杆、触地得分或击掌的动作瞬间画面。

对视频进行分类

分类模型会分析视频数据，并返回分类镜头和片段的列表。例如，您可以训练一个模型来分析视频数据，以识别视频是棒球、足球、篮球还是橄榄球比赛。

对视频进行对象跟踪

对象跟踪模型会分析视频数据，并返回检测到这些对象的镜头和片段列表。例如，您可以训练一个模型来分析足球比赛的视频数据以识别并跟踪球。

后续步骤

AutoML 新手指南