跳至主要內容
說明文件
技術領域
close
AI 和機器學習
應用程式開發
應用程式託管
運算
資料分析和管道
資料庫
分散式、混合雲和多雲端
生成式 AI
產業解決方案
網路
觀測能力與監控
安全性
Storage
跨產品工具
close
存取權和資源管理
費用和用量管理
Google Cloud SDK、語言、架構和工具
基礎架構即程式碼
遷移
相關網站
close
Google Cloud 首頁
免費試用與免費方案
架構中心
網誌
聯絡銷售人員
Google Cloud Developer Center
Google 開發人員中心
Google Cloud Marketplace
Google Cloud Marketplace 說明文件
Google Cloud Skills Boost
Google Cloud Solution Center
Google Cloud 支援
Google Cloud Tech YouTube 頻道
/
English
Deutsch
Español
Español – América Latina
Français
Indonesia
Italiano
Português
Português – Brasil
中文 – 简体
中文 – 繁體
日本語
한국어
控制台
登入
Vertex AI
指南
參考資料
範例
支援
資源
聯絡我們
免費試用
說明文件
指南
參考資料
範例
支援
資源
技術領域
更多
跨產品工具
更多
相關網站
更多
控制台
聯絡我們
免費試用
Discover
總覽
Vertex AI 簡介
Vertex AI 中的機器學習運作
Vertex AI 適用的介面
Vertex AI 新手指南
訓練 AutoML 模型
訓練自訂模型
從自訂模型取得推論
使用 Vertex AI 和 Python SDK 訓練模型
簡介
必備條件
建立筆記本
建立資料集
建立訓練指令碼
訓練模型
推論
整合式機器學習架構
PyTorch
TensorFlow
適用於 BigQuery 使用者的 Vertex AI
詞彙解釋
開始使用
設定專案和開發環境
安裝 Vertex AI SDK for Python
選擇訓練方法
試用教學課程
教學課程總覽
AutoML 教學課程
Hello 圖片資料
總覽
設定專案和環境
建立資料集及匯入圖片
訓練 AutoML 圖片分類模型
評估及分析模型效能
將模型部署至端點及執行推論工作
清除專案所用資源
Hello 表格型資料
總覽
設定專案和環境
建立資料集及訓練 AutoML 分類模型
部署模型並要求推論
清除專案所用資源
自訂訓練教學課程
訓練自訂表格模型
訓練 TensorFlow Keras 圖片分類模型
總覽
設定專案和環境
訓練自訂圖片分類模型
透過自訂圖片分類模型提供預測結果
清除專案所用資源
使用自訂資料微調圖片分類模型
自訂訓練筆記本教學課程
使用生成式 AI 和大型語言模型
關於生成式 AI
使用 Vertex AI 開發工具
開發工具總覽
使用 Vertex AI SDK
總覽
Vertex AI SDK for Python 簡介
Python 適用的 Vertex AI SDK 類別
Vertex AI SDK 類別總覽
資料類別
訓練課程
模型類別
預測類別
追蹤類別
在筆記本中使用 Vertex AI
選擇筆記本解決方案
Colab Enterprise
快速入門導覽課程：使用控制台建立筆記本
連線至執行階段
管理執行階段和執行階段範本
建立執行階段範本
建立執行階段
Vertex AI Workbench
簡介
筆記本教學課程
開始使用
使用控制台建立執行個體
安排筆記本執行作業
設定執行個體
建立執行個體
建立特定版本的執行個體
建立可存取使用者憑證的執行個體
使用機密運算建立執行個體
新增 conda 環境
閒置關閉
使用自訂容器建立執行個體
建立支援 Dataproc 的執行個體
使用第三方憑證建立執行個體
透過中繼資料管理功能
使用預留項目
連結至資料
在 JupyterLab 內查詢 BigQuery 中的資料
在 JupyterLab 中存取 Cloud Storage 值區和檔案
探索及以圖表呈現資料
在 BigQuery 中探索及視覺化資料
維持不變
管理 conda 環境
備份與還原
將筆記本儲存至 GitHub
使用快照
使用 Cloud Storage
關閉執行個體
升級執行個體的環境
使用 SSH 存取 JupyterLab
將資料遷移至新執行個體
變更機器類型及設定 GPU
使用 Terraform 佈建資源
監控
監控健康狀態
控制存取權
存取控管
管理執行個體存取權
管理執行個體的 JupyterLab 介面存取權
使用客戶自行管理的加密金鑰
在服務範圍內使用執行個體
排解 Vertex AI Workbench 問題
Vertex AI Workbench 版本資訊
代管的筆記本
代管筆記本簡介
開始使用
使用 Cloud 控制台建立代管型筆記本執行個體
安排執行代管型筆記本
設定代管型筆記本執行個體
使用自訂容器建立執行個體
在 Dataproc 叢集中執行代管型筆記本執行個體
搭配受管理的筆記本使用 Dataproc Serverless Spark
閒置關閉
代管筆記本版本
連結至資料
在 JupyterLab 內查詢 BigQuery 中的資料
在 JupyterLab 中存取 Cloud Storage 值區和檔案
探索及以圖表呈現資料
總覽
在 BigQuery 中探索及視覺化資料
開發模型
在代管型筆記本執行個體中開發模型
部署
使用執行緒執行筆記本檔案
搭配參數執行筆記本
維持不變
改用 Vertex AI Workbench 執行個體
將筆記本儲存至 GitHub
變更機器類型，並設定受管理的 Notebook 執行個體的 GPU
升級代管型筆記本執行個體的環境
將資料遷移至新的代管筆記本執行個體
監控
稽核記錄
控制存取權
存取控管
管理執行個體存取權
管理執行個體的 JupyterLab 介面存取權
使用客戶自行管理的加密金鑰
設定網路
在服務範圍內使用代管型筆記本執行個體
排解代管型筆記本的問題
使用者自行管理的筆記本
使用者管理的筆記本簡介
開始使用
使用 Cloud 控制台建立使用者自行管理的筆記本執行個體
設定由使用者管理的筆記本執行個體
建立使用者自行管理的筆記本執行個體
建立特定版本的執行個體
安裝依附元件
選擇虛擬機器映像檔
使用自訂容器建立執行個體
探索資料
在 Google Cloud 上使用 R 進行數據資料學作業：探索式資料分析教學課程
監控
監控健康狀態
稽核記錄
控制存取權
存取控管
管理執行個體存取權
管理執行個體的 JupyterLab 介面存取權
客戶自行管理的加密金鑰
在服務範圍內存取使用者自行管理的筆記本執行個體
透過使用者自行管理的筆記本使用受防護的虛擬機器
教學課程：在虛擬私有雲網路中建立 Notebook 執行個體
維持不變
改用 Vertex AI Workbench 執行個體
將筆記本儲存至 GitHub
使用快照備份資料
關閉使用者管理的筆記本執行個體
變更由使用者管理的筆記本執行個體的機器類型和 GPU 設定
升級使用者自行管理的筆記本執行個體的環境
將資料遷移至新的使用者管理的筆記本執行個體
使用 Notebooks API 註冊舊版執行個體
使用 SSH 存取 JupyterLab
排解使用者自行管理的筆記本問題
Vertex AI 的 Terraform 支援
預測式 AI 模型開發
總覽
AutoML 模型開發
AutoML 訓練總覽
圖片資料
分類
準備資料
建立資料集
訓練模型
評估模型
取得預測結果
解讀結果
物件偵測
準備資料
建立資料集
訓練模型
評估模型
取得預測結果
解讀結果
使用 Base64 執行圖片資料編碼
匯出 AutoML Edge 模型
表格型資料
總覽
表格資料簡介
表格工作流程
總覽
特徵工程
端對端 AutoML
總覽
訓練模型
取得線上推論
取得批次推論
TabNet
總覽
訓練模型
取得線上推論
取得批次推論
廣度和深度
總覽
訓練模型
取得線上推論
取得批次推論
預測
總覽
訓練模型
取得線上推論
取得批次推論
定價
服務帳戶
管理配額
使用 AutoML 執行分類和迴歸
總覽
快速入門：AutoML 分類 (Cloud 控制台)
準備訓練資料
建立資料集
訓練模型
評估模型
查看模型架構
取得線上推論
取得批次推論
匯出模型
使用 AutoML 執行預測
總覽
準備訓練資料
建立資料集
訓練模型
評估模型
取得推論
階層式預測
使用 ARIMA+ 進行預測
使用 Prophet 進行預測
執行實體協調
分類和迴歸功能歸因
預測功能的特徵歸因
AutoML 表格型資料的資料類型與轉換作業
預測訓練參數
表格型資料的分割資料
建立表格型訓練資料的最佳做法
使用 Timeseries Insights 進行預測
訓練 AutoML Edge 模型
使用主控台
使用 API
AutoML Text
從 AutoML 文字遷移至 Gemini
適用於 AutoML 文字使用者的 Gemini
自訂訓練
自訂訓練總覽
載入及準備資料
資料準備總覽
將 Cloud Storage 做為掛接的檔案系統使用
掛接自訂訓練的 NFS 共用區
使用代管型資料集
Vertex AI 自訂訓練
Vertex AI 中的自訂訓練總覽
準備訓練應用程式
瞭解自訂訓練服務
準備訓練程式碼
使用預先建構的容器
為預先建立的容器建構 Python 訓練應用程式
用於自訂訓練工作的預先建構容器
使用自訂容器
用於訓練工作的自訂容器
建立自訂容器
在本機進行容器化及執行訓練程式碼
使用深度學習 VM 映像檔和容器
在永久性資源上訓練
總覽
建立永久性資源
在永久資源上執行訓練工作
取得永久性資源資訊
重新啟動永久性資源
刪除永久性資源
設定訓練工作
選擇自訂訓練方法
選擇訓練用的容器設定
設定訓練所需的運算資源
使用訓練的預留項目
搭配訓練使用 Spot VM
提交訓練工作
可建立自訂工作
超參數調整
超參數調整總覽
使用超參數調整
可建立訓練管線
根據資源可用性排定工作
使用分散式訓練
使用 Cloud TPU VM 進行訓練
使用私人 IP 進行自訂訓練
使用 Private Service Connect 介面進行訓練 (建議)
執行類神經架構搜尋
總覽
設定環境
新手教學課程
最佳做法和工作流程
Proxy 工作設計
提升 PyTorch 的訓練速度
使用預先建立的訓練容器和搜尋空間
監控與偵錯
使用互動式殼層監控訓練並偵錯
分析模型訓練成效
使用 Vertex AI Vizier 進行最佳化
Vertex AI Vizier 總覽
建立 Vertex AI Vizier 研究
Vertex AI Vizier 筆記本教學課程
取得推論
教學課程：建構持續訓練管道
建立自訂機構政策限制
Ray on Vertex AI
Ray on Vertex AI 簡介
設定 Ray on Vertex AI
在 Vertex AI 上建立 Ray 叢集
監控 Vertex AI 上的 Ray 叢集
在 Vertex AI 上調整 Ray 叢集
在 Vertex AI 上開發 Ray 應用程式
在 Vertex AI 的 Ray 叢集中執行 Spark
搭配使用 BigQuery 和 Ray on Vertex AI
部署模型並取得推論結果
刪除 Ray 叢集
Ray on Vertex AI 筆記本教學課程
生成式 AI 模型開發
總覽
建立及管理資料集
總覽
AutoML 模型的資料分割作業
建立註解集
刪除註解集
新增標籤 (控制台)