问题标签 [google-cloud-vertex-ai]

我正在尝试使用 Python SDK 在 Google Cloud Platform 上部署我使用 Vertex AI 训练的文本分类模型。

不幸的是，当我运行此代码时，在触发 endpoint.deploy 后收到此错误： google.api_core.exceptions.InvalidArgument: 400 'dedicated_resources' is not supported for Model...后跟模型位置。

注意我用 <***> 交换了我的值以隐藏我的本地工作区变量的地方。

我来到这里是因为我在 Google Cloud 中的计划作业遇到问题。在 Vertex AI Workbench 中，我使用 Python 3 创建了一个笔记本，它创建了一个管道，该管道使用来自公共信用卡数据集的数据来训练 AutoML。如果我在创建结束时运行该作业，则一切正常。但是，如果我按照Job Cloud Scheduler 中的描述安排作业运行，则管道已启用但运行失败。

这是我拥有的代码：

查看错误日志，我发现：

这是否意味着我必须在运行笔记本之前创建 URL？我不知道该怎么做。先感谢您。

我创建了一个简单的管道来训练模型并将其部署到 Vertex AI 端点。我注意到，在尝试使用该 google_cloud_pipeline_components.aiplatform.ModelDeployOp()组件部署模型时，它会返回一个错误。

如果我们查看google_cloud_pipeline_components.aiplatform的文档，我们可以找到 ModelDeployOp() 的两个条目。一个说明他们如何将原始方法转换为组件，另一个是有关如何使用 ModelDeployOp()方法的文档。

如果我们看看他们是如何转换方法的，我们会发现以下信息：...

在查看我的 gcp 日志记录重新运行的错误时：

似乎这是容器本身内部的问题。

所以......我想我的问题是我假设这是图书馆中的一个错误是否正确？有什么解决方法吗？

提前致谢。

我已经在 Vertex AI（GCP 中 AI Platform 下的一项服务）中训练了一个 AutoML 对象检测模型。我正在尝试访问每个标签的模型评估指标（精度、召回率、准确性等），以获取不同的置信度分数阈值和 IoU 阈值。

然而，我被困在第一步，甚至让模型的性能指标远远低于粒度级别的性能指标。我已按照此说明进行操作，但我似乎无法弄清楚是什么（另请参阅此处evaluation_id的官方示例代码片段），即：

一段时间后，我发现对于在欧盟训练的模型，api_endpoint应传递为：

但是无论我尝试什么都会evaluation_id导致以下错误：

它在文档中说（它似乎包含我需要的东西）：

对于边界框指标，Vertex AI 返回不同 IoU 阈值（介于 0 和 1 之间）和置信阈值（介于 0 和 1 之间）的指标值数组。例如，您可以在 IoU 阈值为 0.85 和置信度阈值为 0.8228 时缩小评估指标。通过查看这些不同的阈值，您可以了解它们如何影响其他指标，例如精度和召回率。

在不知道输出数组中包含的情况下，这对每个类如何工作？基本上，我需要为每个类提供不同 IoU 阈值和置信度阈值的模型指标。

我也尝试从 AutoML API 查询，例如：

毫不奇怪，这也不起作用，并导致：

我正在将 Kubeflow 管道 (KFP) 与 GCP Vertex AI 管道一起使用。我正在使用kfp==1.8.5(kfp SDK) 和google-cloud-pipeline-components==0.1.7. 不确定我是否可以找到 GCP 上使用的 Kubeflow 版本。

我正在使用受 Python 启发的这个Github issue构建一个组件（yaml） 。我正在定义一个输出，如：

这将是一个基本输出目录，用于在 Cloud Storage 上存储一些工件，例如模型检查点和模型。

我会保留一个基本输出目录，但会根据工件添加子目录：

• <output_dir_base>/模型
• <output_dir_base>/检查点
• <output_dir_base>/张量板

但我没有找到如何将OutputPathPlaceholder('drt_model')与'/model' 之类的字符串连接起来。

如何将额外的文件夹结构（如 /model 或 /tensorboard）附加到 KFP 将在运行时设置的 OutputPathPlaceholder ？

在 GCP Vertex AI 中尝试对 AutoML 模型进行批量预测时，批量预测结果跨越多个文件（从用户角度来看，这并不方便）。如果它是一个单一的批量预测结果文件，即覆盖单个文件中的所有记录，它将使过程更加简单。

例如，我的输入数据集文件中有 5585 条记录。批量预测结果由 21 个文件组成，每个文件的记录范围在 200-300 之间，因此总共覆盖了 5585 条记录。

目标：通过执行自定义预测逻辑来服务来自 Vertex AI 端点的预测请求。

详细步骤：例如，我们可能已经在GCS bucket中上传了一个image_quality.pb模型（在non-vertex-ai pythonic环境下开发）

接下来，我们希望通过反序列化部署的模型并在顶点 AI 端点中提供推理功能来创建自定义图像推理逻辑

最后，我们希望将图像列表（存储在另一个 GCS 存储桶中）传递给该端点。

我们还希望在 tensorboard 中查看日志和指标。

现有的 Vertex AI 代码示例提供了调用 model.batch_predict / 端点的示例。预测，但不要提及如何执行自定义预测代码。

如果有人可以提供文档/代码的指南和链接以实施上述步骤，那就太好了。

提前致谢！

我有一个需要多标签支持的图像数据集。此外，还有一项任务需要计算每张照片中有多少特定项目。因此，我需要一个用户可以指定数字的输入（例如从 0 到 100）。

有没有办法做到这一点？此外，有没有办法为标签设置默认值？

我是 Google Cloud Platform 的新手，我正在尝试创建一个 Feature Store 来填充来自 Google Cloud Storage 的 csv 文件中的值。目的是从 Python 的本地笔记本中做到这一点。由于我正在使用信用卡公共数据集，因此我基本上遵循此处的代码，进行了适当的更改。运行代码时出现的错误如下：

它发生在从 csv 文件中提取数据的过程中。

这是我正在处理的代码：

当我Ingestion Jobs从FeatureGoogle Cloud Console 的部分检查时，我看到作业已完成，但没有向我的功能添加任何值。

任何建议都非常宝贵。

谢谢你们。

编辑 1 在下图中，有一个我用作输入 ( cc_details_train.csv) 的 csv 文件第一行的示例。所有看不见的特征都是相似的，该特征class可以假设为 0 或 1 值。注入作业持续大约 5 分钟以导入（理想情况下）3000 行，但它没有错误地结束，也没有导入任何值。

我一直在为我自己的机器学习管道使用带有自定义容器的 Vertex AI 训练服务。我想将张量板日志添加到实验选项卡中，以便在模型训练时实时查看指标。

我想知道是否可以在用户界面设置中设置自定义培训作业TENSORBOARD_INSTANCE_NAME。似乎这只能通过 json-post-request 实现。