Ir al contenido principal
Documentación
Áreas de tecnología
close
IA y AA
Desarrollo de aplicaciones
Hosting de aplicaciones
Procesamiento
Canalizaciones y análisis de datos
Bases de datos
Múltiples nubes distribuidas e híbridas
IA generativa
Soluciones de la industria
Redes
Observabilidad y supervisión
Seguridad
Storage
Herramientas para productos cruzados
close
Administración de accesos y recursos
Administración de uso y costos
SDK de Google Cloud, lenguajes, frameworks y herramientas
Infraestructura como código
Migración
Sitios relacionados
close
Página principal de Google Cloud
Prueba gratuita y nivel gratuito
Centro de arquitectura
Blog
Comunicarse con Ventas
Google Cloud Developer Center
Google Developer Center
Google Cloud Marketplace
Documentación de Google Cloud Marketplace
Google Cloud Skills Boost
Google Cloud Solutions Center
Atención al cliente de Google Cloud
Canal de YouTube sobre tecnología de Google Cloud
/
English
Deutsch
Español – América Latina
Français
Indonesia
Italiano
Português – Brasil
中文 – 简体
中文 – 繁體
日本語
한국어
Consola
Acceder
Vertex AI
Guías
Referencia
Ejemplos
Asistencia
Recursos
Comunicarse con nosotros
Comenzar gratis
Documentación
Guías
Referencia
Ejemplos
Asistencia
Recursos
Áreas de tecnología
Más
Herramientas para productos cruzados
Más
Sitios relacionados
Más
Consola
Comunicarse con nosotros
Comenzar gratis
Descubrimiento
Descripción general
Introducción a Vertex AI
MLOps en Vertex AI
Interfaces para Vertex AI
Guías para principiantes de Vertex AI
Entrena un modelo de AutoML
Entrena un modelo personalizado
Obtén inferencias a partir de un modelo personalizado
Entrenar un modelo con Vertex AI y el SDK de Python
Introducción
Requisitos previos
Crea un notebook
Cómo crear un conjunto de datos
Crea una secuencia de comandos de entrenamiento
Entrenar un modelo
Cómo hacer una inferencia
Marcos de trabajo de AA integrados
PyTorch
TensorFlow
Vertex AI para usuarios de BigQuery
Glosario
Comenzar
Configura un proyecto y un entorno de desarrollo
Instalar el SDK de Vertex AI para Python
Elige un método de entrenamiento
Prueba uno de los siguientes instructivos
Descripción general de los instructivos
Instructivos de AutoML
Datos de imágenes de Hello
Descripción general
Configure su proyecto y su entorno.
Crea un conjunto de datos y, luego, importa imágenes
Entrena un modelo de clasificación de imágenes de AutoML
Evalúa y analiza el rendimiento del modelo
Implementa un modelo en un extremo y realiza una inferencia
Limpie su proyecto.
Datos tabulares de Hello
Descripción general
Configure su proyecto y su entorno.
Crea un conjunto de datos y entrena un modelo de clasificación de AutoML
Implementa un modelo y solicita una inferencia
Limpie su proyecto.
Instructivos de entrenamiento personalizado
Entrena un modelo tabular personalizado
Entrenar un modelo de clasificación de imágenes de Keras para TensorFlow
Descripción general
Configure su proyecto y su entorno.
Entrena un modelo de clasificación de imágenes personalizadas
Entrega predicciones desde un modelo de clasificación de imágenes personalizadas
Limpie su proyecto.
Ajusta un modelo de clasificación de imágenes con datos personalizados
Instructivos de notebooks de entrenamiento personalizado
Usa Terraform para crear una instancia de notebook administrada por el usuario
Usa IA generativa y LLM
Sobre la IA generativa
Usa las herramientas de desarrollo de Vertex AI
Descripción general de las herramientas de desarrollo
Usar el SDK de Vertex AI
Descripción general
Introducción al SDK de Vertex AI para Python
Clases del SDK de Vertex AI para Python
Descripción general de las clases del SDK de Vertex AI
Clases de datos
Clases de entrenamiento
Clases de modelo
Clases de predicción
Clases de seguimiento
Usa Vertex AI en notebooks
Elegir una solución de notebook
Colab Enterprise
Guía de inicio rápido:Crea un notebook con la consola
Conéctate a un entorno de ejecución
Administra entornos de ejecución y plantillas de entorno de ejecución
Crea una plantilla de entorno de ejecución
Crea un entorno de ejecución
Vertex AI Workbench
Introducción
Instructivos para uso de notebooks
Comenzar
Crear una instancia con la consola
Programa una ejecución de notebook
Configurar una instancia
Crea una instancia
Crear una versión específica de una instancia
Crea una instancia con acceso a credenciales de usuario
Crea una instancia con Confidential Computing
Agrega un entorno conda
Cierre inactivo
Crea una instancia con un contenedor personalizado
Crea una instancia con Dataproc habilitado
Crea una instancia con credenciales de terceros
Administrar atributos a través de metadatos
Usar las reservas
Conéctate a los datos
Consultar datos en BigQuery desde JupyterLab
Accede a los buckets y archivos de Cloud Storage en JupyterLab
Explora y visualiza datos
Explora y visualiza datos en BigQuery
Mantenimiento
Administra tu entorno conda
Copia de seguridad y restablecimiento
Guarda notebooks en GitHub
Cómo usar una instantánea
Usar Cloud Storage
Cerrar una instancia
Actualiza el entorno de una instancia
Accede a JupyterLab mediante SSH
Migra datos a una instancia nueva
Cambia el tipo de máquina y configura las GPU
Aprovisiona recursos con Terraform
Supervisar
Supervisar el estado
Controle el acceso
Control de acceso
Administra el acceso a una instancia
Administra el acceso a la interfaz de JupyterLab de una instancia
Usar claves de encriptación administradas por el cliente
Usa una instancia dentro de un perímetro de servicio
Soluciona problemas de Vertex AI Workbench
Notas de la versión de Vertex AI Workbench
Notebooks administrados
Introducción a los notebooks administrados
Comenzar
Crea una instancia de notebooks administrados mediante la consola de Cloud
Programa una ejecución de notebooks administrados
Configura una instancia de notebooks administrada
Crea una instancia de notebooks administrados
Crea una instancia con un contenedor personalizado
Ejecuta una instancia de notebooks administrados en un clúster de Dataproc
Usa Spark sin servidores de Dataproc con notebooks administrados
Cierre inactivo
Versiones de notebooks administrados
Conéctate a los datos
Consultar datos en BigQuery desde JupyterLab
Accede a los buckets y archivos de Cloud Storage en JupyterLab
Explora y visualiza datos
Descripción general
Explora y visualiza datos en BigQuery
Desarrolla un modelo
Desarrollo de modelos en una instancia de notebooks administrados
Implementar
Ejecuta archivos de notebook con el ejecutor
Ejecuta ejecuciones de notebook con parámetros
Mantenimiento
Migra a una instancia de Vertex AI Workbench
Guarda notebooks en GitHub
Cambia el tipo de máquina y configura las GPU de una instancia de notebook administrado
Actualiza el entorno de una instancia de notebooks administrados
Migra tus datos a una nueva instancia de notebooks administrados
Supervisar
Registros de auditoría
Controle el acceso
Control de acceso
Administra el acceso a una instancia
Administra el acceso a la interfaz de JupyterLab de una instancia
Usar claves de encriptación administradas por el cliente
Configura una red
Usa una instancia de notebooks administrados dentro de un perímetro de servicio
Soluciona problemas de notebooks administrados
Notebooks administrados por el usuario
Introducción a los notebooks administrados por el usuario
Comenzar
Crea una instancia de notebook administrados por el usuario con la consola de Google Cloud
Configura una instancia de notebooks administrada por el usuario
Crea una instancia de notebooks administrada por el usuario
Crear una versión específica de una instancia
Crea una instancia después de la fecha de finalización del parche y la compatibilidad
Instala dependencias
Elige una imagen de máquina virtual
Crea una instancia con un contenedor personalizado
Explorar datos
Ciencia de datos con R en Google Cloud: instructivo exploratorio de análisis de datos
Supervisar
Supervisar el estado
Registros de auditoría
Controle el acceso
Control de acceso
Administra el acceso a una instancia
Administra el acceso a la interfaz de JupyterLab de una instancia
Claves de encriptación administradas por el cliente
Usa una instancia de notebooks administrados por el usuario dentro de un perímetro de servicio
Usa una máquina virtual protegida con notebooks administrados por el usuario
Instructivo: Crea una instancia de notebooks en una red de VPC
Mantenimiento
Migra a una instancia de Vertex AI Workbench
Guarda notebooks en GitHub
Crea una copia de seguridad de los datos con una instantánea
Cerrar una instancia de notebook administrada por el usuario
Cambia el tipo de máquina y configura las GPU de una instancia de notebook administrado por el usuario
Actualiza el entorno de una instancia de notebook administrada por el usuario
Migra tus datos a una nueva instancia de notebooks administrados por el usuario
Registra una instancia heredada con la API de Notebooks
Accede a JupyterLab mediante SSH
Soluciona problemas de notebooks administrados por el usuario
Compatibilidad con Terraform para Vertex AI
Desarrollo de modelos de IA predictiva
Descripción general
Desarrollo de modelos de AutoML
Descripción general del entrenamiento de AutoML
Datos de imágenes
Clasificación
Preparar los datos
Crear conjunto de datos
Entrenar modelo
Evaluar el modelo
Obtén predicciones
Interpreta los resultados
Detección de objetos
Preparar los datos
Crear conjunto de datos
Entrenar modelo
Evaluar el modelo
Obtén predicciones
Interpreta los resultados
Codificar datos de imágenes con Base64
Exportar un modelo de AutoML Edge
Datos tabulares
Descripción general
Introducción a los datos tabulares
Flujos de trabajo tabulares
Descripción general
Ingeniería de atributos
AutoML de extremo a extremo
Descripción general
Entrenar un modelo
Obtén inferencias en línea
Obtén inferencias por lotes
TabNet
Descripción general
Entrenar un modelo
Obtén inferencias en línea
Obtén inferencias por lotes
Amplitud y profundidad
Descripción general
Entrenar un modelo
Obtén inferencias en línea
Obtén inferencias por lotes
Previsión
Descripción general
Entrenar un modelo
Obtén inferencias en línea
Obtén inferencias por lotes
Precios
Cuentas de servicio
Administrar las cuotas
Realiza clasificaciones y regresiones con AutoML
Descripción general
Guía de inicio rápido: Clasificación de AutoML (consola de Cloud)
Prepara los datos de entrenamiento
Cómo crear un conjunto de datos
Entrenar un modelo
Evaluar el modelo
Ver la arquitectura del modelo
Obtén inferencias en línea
Obtén inferencias por lotes
Exportar modelo
Realiza previsiones con AutoML
Descripción general
Prepara los datos de entrenamiento
Cómo crear un conjunto de datos
Entrenar un modelo
Evaluar el modelo
Cómo obtener inferencias
Previsión jerárquica
Realiza previsiones con ARIMA+
Realiza previsiones con Prophet
Realiza la conciliación de la entidad
Atribuciones de atributos para clasificación y regresión
Atribuciones de atributos para la previsión
Tipos de datos y transformaciones para datos tabulares de AutoML
Parámetros de entrenamiento para la previsión
Divisiones de datos para datos tabulares
Prácticas recomendadas para crear datos de entrenamiento tabular
Previsión con Timeseries Insights
Entrena un modelo de AutoML Edge
Usar Console
Cómo usar la API
AutoML Text (heredado)
Migra del modelo de texto de AutoML a Gemini
Gemini para usuarios del modelo de texto de AutoML
Datos de texto
Clasificación
Preparar los datos
Crear conjunto de datos
Entrenar modelo
Evaluar el modelo
Obtén predicciones
Interpreta los resultados
Extracción de entidades
Preparar los datos
Crear conjunto de datos
Entrenar modelo
Evaluar el modelo
Obtén predicciones
Interpreta los resultados
Análisis de opiniones
Preparar los datos
Crear conjunto de datos
Entrenar modelo
Evaluar el modelo
Obtén predicciones
Interpreta los resultados
Entrenamiento personalizado
Descripción general del entrenamiento personalizado
Carga y prepara datos
Descripción general de la preparación de datos
Usa Cloud Storage como un sistema de archivos activado
Activa un recurso compartido de NFS para el entrenamiento personalizado
Usar conjuntos de datos administrados
Entrenamiento personalizado de Vertex AI
Descripción general del entrenamiento personalizado en Vertex AI
Prepara la aplicación de entrenamiento
Entender el servicio de entrenamiento personalizado
Prepara el código de capacitación
Usa contenedores compilados previamente
Crear una aplicación de entrenamiento de Python para un contenedor previamente compilado
Contenedores previamente compilados para el entrenamiento personalizado
Usar contenedores personalizados
Contenedores personalizados para el entrenamiento
Crea un contenedor personalizado
Crea contenedores y ejecuta código de entrenamiento de manera local
Usar imágenes y contenedores de VM de aprendizaje profundo
Entrena en un recurso persistente
Descripción general
Crear recurso persistente
Ejecuta trabajos de entrenamiento en un recurso persistente
Obtén información de recursos persistentes
Reinicia un recurso persistente
Borra un recurso persistente
Configura el trabajo de entrenamiento
Elegir un método de entrenamiento personalizado
Establecer la configuración del contenedor para el entrenamiento
Configurar los recursos de procesamiento para el entrenamiento
Usa reservas con el entrenamiento
Usa VMs Spot con entrenamiento
Envía el trabajo de entrenamiento
Crear trabajos personalizados
Ajuste de hiperparámetros
Descripción general del ajuste de hiperparámetros
Usar el ajuste de hiperparámetro
Crear canalizaciones de entrenamiento
Programa trabajos según la disponibilidad de recursos
Usar el entrenamiento distribuido
Entrena con VM de Cloud TPU
Usar IP privada para el entrenamiento personalizado
Usa la interfaz de Private Service Connect para el entrenamiento (recomendado)
Realiza una búsqueda de Neural Architecture Search
Descripción general
Configura el entorno
Instructivos para principiantes
Prácticas recomendadas y flujo de trabajo
Diseño de tareas del proxy
Optimiza la velocidad de entrenamiento para PyTorch
Usa contenedores de entrenamiento compilados previamente y espacios de búsqueda
Supervisa y depura
Supervisar y depurar el entrenamiento mediante una shell interactiva
Rendimiento del entrenamiento de modelos de perfil
Optimiza mediante Vertex AI Vizier
Descripción general de Vertex AI Vizier
Crea estudios de Vertex AI Vizier
Instructivos de notebooks de Vertex AI Vizier
Cómo obtener inferencias
Instructivo: Compila una canalización para el entrenamiento continuo
Crea restricciones de políticas de la organización personalizadas
Ray on Vertex AI
Descripción general de Ray en Vertex AI
Configura Ray en Vertex AI
Crea un clúster de Ray en Vertex AI
Supervisa clústeres de Ray en Vertex AI
Escala un clúster de Ray en Vertex AI
Desarrolla una aplicación de Ray en Vertex AI
Ejecuta Spark en el clúster de Ray en Vertex AI
Usa Ray en Vertex AI con BigQuery
Implementa un modelo y obtén inferencias
Borra un clúster de Ray
Instructivos de notebooks de Ray en Vertex AI
Desarrollo de modelos de IA generativa
Descripción general
Crea y administra conjuntos de datos
Descripción general
Divisiones de datos para modelos de AutoML
Crea un conjunto de anotaciones
Borra un conjunto de anotaciones
Agregar etiquetas (consola)
Exporta metadatos y anotaciones de un conjunto de datos
Administra versiones de conjuntos de datos
Usa Data Catalog para buscar recursos de modelos y conjuntos de datos
Cómo obtener inferencias
Descripción general
Configura modelos para la inferencia
Exporta artefactos de modelo para la inferencia
Contenedores previamente compilados para la inferencia
Requisitos de los contenedores personalizados para la inferencia
Usa un contenedor personalizado para la inferencia
Usa rutas personalizadas arbitrarias
Usa el entorno de ejecución optimizado de TensorFlow
Entrega inferencias con NVIDIA Triton
Rutinas de inferencia personalizadas
Obtén inferencias en línea
Crea un extremo
Elige un tipo de extremo
Crea un extremo público
Usa extremos públicos dedicados (opción recomendada)
Usa extremos privados dedicados basados en Private Service Connect (recomendado)
Usa extremos de acceso a servicios privados
Implementar un modelo en un extremo
Descripción general de la implementación de modelos
Recursos de procesamiento para la inferencia
Implementa un modelo con la consola de Google Cloud
Implementa un modelo con gcloud CLI o la API de Vertex AI
Usa una implementación continua para reemplazar un modelo implementado
Anula la implementación de un modelo y borra el extremo
Usa Cloud TPU para la inferencia en línea
Usa reservas con inferencia
Usa VMs de inicio flexible con inferencia
Usa VMs Spot con inferencia
Cómo obtener una inferencia en línea
Consulta las métricas de inferencia en línea
Cómo ver las métricas de los extremos
Visualiza las métricas de DCGM
Comparte recursos en implementaciones
Usa el registro de inferencia en línea
Obtén inferencias por lotes
Obtén predicciones por lotes a partir de un modelo personalizado
Obtén predicciones por lotes a partir de un modelo de Model Garden que se implementó por sí solo
Entrega modelos de IA generativa
Implementa modelos de IA generativa
Entrega modelos abiertos de Gemma con Cloud TPU con Saxml
Entrega modelos abiertos de Llama 3 mediante Cloud TPU de varios hosts con Saxml
Entregar un modelo de DeepSeek-V3 mediante una implementación de GPU de varios hosts
Políticas de la organización personalizadas
Instructivos de notebooks de inferencia de Vertex AI
Realizar búsquedas de similitud de vectores
Descripción general de Vector Search
Ponlo a prueba
Comenzar
Guía de inicio rápido de Vector Search
Antes de comenzar
Instructivos para uso de notebooks
Acerca de la búsqueda híbrida
Crea y administra un índice
Formato y estructura de los datos de entrada
Crea y administra tu índice
Parámetros de configuración de índices
Actualiza y vuelve a compilar el índice
Filtra coincidencias de vectores
Importa datos de índices desde BigQuery
Incorporaciones con metadatos
Implementa y consulta un índice
Private Service Connect (recomendado)
Configura Vector Search con Private Service Connect
Consulta
Autenticación del token web JSON
Extremo público
Implementar
Consulta
Acceso privado a servicios
Configura una conexión de intercambio de tráfico entre redes de VPC
Implementar
Consulta
Autenticación del token web JSON
Supervisa un índice implementado
Usa políticas de la organización personalizadas
Cómo obtener asistencia
Operaciones de aprendizaje automático (MLOps)
Administrar funciones
Administración de atributos en Vertex AI
Vertex AI Feature Store
Acerca de Vertex AI Feature Store
Configura atributos
Prepara la fuente de datos
Crea un grupo de atributos
Crea un atributo
Configura la entrega en línea
Tipos de entrega en línea
Crea una instancia de tienda en línea
Crear una instancia de vista de atributos
Controle el acceso
Controla el acceso a los recursos
Sincroniza la tienda en línea
Cómo iniciar una sincronización de datos
Enumerar operaciones de sincronización
Actualiza atributos en una vista de atributos
Funciones de entrega
Entrega funciones desde la tienda en línea