问题标签 [google-cloud-vertex-ai]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
google-cloud-platform - Vertex AI 中的 GPU 访问
我正在构建一个包含以下训练步骤的管道:
如文档中所述,为管道步骤指定机器类型
使用 Vertex AI 管道执行时,我无法访问请求的 GPU 并收到以下错误:
如何获取有关可用于 Vertex AI 管道的 GPU 机器的信息?我想避免使用发送培训作业的组件。
谢谢
time-series - Google Auto ML 花费大量时间进行预测
我有大约 500 个时间序列数据集,为期 2.5 年,每个系列的粒度为 1 天。这相当于大约 100 万个数据点。我想为每个时间序列以 1 天的粒度预测 2 周。这 500 个时间序列之间可能存在相关性。在确保我拥有每个时间戳的数据之后,我们将这些 (500) 个时间序列提供给 autoML,其中每个时间序列都由“序列标识符”标识。因此,我们对 autoML(预测)的输入是时间戳、系列标识符、特征和目标值。我有 30 个特征,它们是分类和数字的组合。使用这种设置,如果我向 autoML 提供数据,训练需要 20 多个小时,这对我来说并不划算。
请帮我优化这个。
python - 在 jupyter notebook 中读取顶点 ai 数据集
我正在尝试创建一个 python 实用程序,它将从顶点 ai 数据集中获取数据集,并为该数据集生成统计信息。但我无法使用 jupyter notebook 检查数据集。有没有办法解决这个问题?
apache-spark - pyspark ml模型的顶点ai自定义模型训练
是否可以使用 VertexAI 自定义容器模型构建来训练 spark/pyspark ML lib 模型?我在顶点 ai 文档中找不到关于火花模型训练的任何参考资料。对于分布式处理模型构建,唯一可用的选项是 PyTorch 或 TensorFlow。
keras - 反正有没有用谷歌的 AutoML 训练一个分类模型,混合(语言和表格)数据?
我想用 Google 的 AutoML 训练一个 NLP 分类模型。模型的输入是表格数据和一个文本字段,这是分类任务的主要字段。如果没有表格数据,分类错误会变得很大。我知道这可以通过使用 Keras 或 PyTorch 的自定义模型来完成。可以使用 Google 的 AutoML 完成吗?
google-cloud-vertex-ai - 发送 http 请求 Google Vertex AI 端点
我刚刚在 Google vertex AI 上部署了一个 ML 模型,它可以使用 vertex AI Web 界面进行预测。但是是否可以从浏览器发送请求,例如,发送到这个部署的模型。就像是
并将预测作为输出。谢谢
google-cloud-vertex-ai - 如何使用 Vertex AI Endpoint 部署预处理代码
我已经在 Vertex AI Endpoint 中部署了一个模型,并且能够通过传递预处理的特征向量来获得预测。
我还想在模型旁边部署预处理代码。如何包装或部署预处理逻辑。
google-cloud-vertex-ai - 如何查看和解释 Vertex AI 日志
我们已经在 Vertex AI 端点中部署了模型。现在我们想了解和解释有关节点创建、POD 创建、用户 API 调用矩阵等事件的日志。
有什么方法或关键字可以过滤分析日志吗?
google-cloud-platform - 验证模型从 Cloud Scheduler 上传到 VertexAI 作业
我正在尝试在 VertexAI 上运行自定义训练作业。目标是训练模型,将模型保存到云存储,然后将其作为 VertexAI 模型对象上传到 VertexAI。当我从本地工作站运行作业时,它会运行,但是当我从 Cloud Scheduler 运行作业时,它会失败。详情如下。
该工作的 Python 代码:
从本地工作站运行: 我将 GOOGLE_APPLICATION_CREDENTIALS 环境变量设置为指向我在本地工作站上下载的 Compute Engine 默认服务帐户密钥的位置。我还将 AIP_MODEL_DIR 环境变量设置为指向云存储桶。运行脚本后,我可以看到在云存储桶中创建了 model.pkl 文件,并在 VertexAI 中创建了模型对象。
从 Cloud Scheduler 触发训练作业:
这是我最终想要实现的目标 - 从 Cloud Scheduler 定期运行自定义训练作业。我已将上面的 python 脚本转换为 docker 映像并上传到 google artifact registry。Cloud Scheduler 的作业规范如下,如果需要,我可以提供更多详细信息。服务帐户电子邮件oauth_token
与我用来设置 GOOGLE_APPLICATION_CREDENTIALS 环境变量的键相同。当我运行它时(从本地工作站或直接在 VertexAI 笔记本中),我可以看到创建了 Cloud Scheduler 作业,它不断触发自定义作业。自定义作业能够训练模型并将其保存到云存储中。但是,它无法将其上传到 VertexAI,并且我收到错误消息,status = StatusCode.PERMISSION_DENIED
并且{..."grpc_message":"Request had insufficient authentication scopes.","grpc_status":7
}。无法弄清楚身份验证问题是什么,因为在这两种情况下我都使用相同的服务帐户。