訓練及部署模型

建立 CustomTrainingJob 時，系統會在背景定義訓練管道。Gemini Enterprise Agent Platform 會使用訓練管道和 Python 訓練指令碼中的程式碼，訓練及建立模型。詳情請參閱「建立訓練管道」。

定義訓練管道

如要建立訓練管道，請建立 CustomTrainingJob 物件。在下一個步驟中，您會使用 CustomTrainingJob's run 指令建立及訓練模型。如要建立 CustomTrainingJob，請將下列參數傳遞至其建構函式：

• display_name：您在定義 Python 訓練指令的指令列引數時建立的 JOB_NAME 變數。

• script_path - 您稍早在本教學課程中建立的 Python 訓練指令碼路徑。

• container_url - 用於訓練模型的 Docker 容器映像檔 URI。

• requirements - 指令碼的 Python 套件依附元件清單。

• model_serving_container_image_uri：Docker 容器映像檔的 URI，用於提供模型預測。這個容器可以是預先建構的容器，也可以是您自己的自訂映像檔。本教學課程使用預先建構的容器。

執行下列程式碼，建立訓練管道。CustomTrainingJob 方法會使用 task.py 檔案中的 Python 訓練指令碼，建構 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",
)

建立及訓練模型

在上一個步驟中，您建立了名為 job 的 CustomTrainingJob。如要建立及訓練模型，請在 CustomTrainingJob 物件上呼叫 run 方法，並傳遞下列參數：

• dataset：您在本教學課程中稍早建立的表格資料集。這個參數可以是表格、圖片、影片或文字資料集。

• model_display_name：模型的名稱。

• bigquery_destination - 字串，用於指定 BigQuery 資料集的位置。

• args：傳遞至 Python 訓練指令碼的指令列引數。

如要開始訓練資料並建立模型，請在筆記本中執行下列程式碼：

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,
)

繼續進行下一個步驟前，請確認 job.run 指令的輸出內容中顯示下列項目，以驗證作業是否完成：

CustomTrainingJob run completed。

訓練作業完成後，即可部署模型。

部署模型

部署模型時，您也會建立用於預測的 Endpoint 資源。如要部署模型並建立端點，請在筆記本中執行下列程式碼：

DEPLOYED_NAME = "penguins_deployed_unique"

endpoint = model.deploy(deployed_model_display_name=DEPLOYED_NAME)

請等待模型部署完成，再繼續進行下一個步驟。模型部署完成後，輸出內容會包含 Endpoint model deployed 文字。

如要在 Google Cloud 控制台中查看部署狀態，請按照下列步驟操作：

1. 前往 Google Cloud 控制台的「Endpoints」(端點) 頁面。

   前往「Endpoints」(端點) 頁面

2. 監控「模型」下的值。端點建立後，模型部署前，該值為 0。模型部署後，該值會更新為 1。

   下圖顯示端點建立後，模型部署至端點前的狀態。

   

   下圖顯示建立端點後，以及將模型部署至端點後的狀態。