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
建立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)
匯出資料集內的中繼資料和註解
管理資料集版本
使用 Data Catalog 搜尋模型和資料集資源
取得推論
總覽
設定推論模型
匯出用於推論的模型構件
用於推論的預先建構容器
推論作業的自訂容器需求
使用自訂容器執行推論
使用任意自訂路徑
使用經過最佳化的 TensorFlow 執行階段
使用 NVIDIA Triton 提供推論結果
自訂推論處理常式
取得線上推論
建立端點
選擇端點類型
建立公開端點
使用專屬的公開端點 (建議做法)
使用以 Private Service Connect 為基礎的專屬私人端點 (建議做法)
使用私人服務存取端點
將模型部署至端點
模型部署總覽
用於推論的運算資源
使用 Google Cloud 控制台部署模型
使用 gcloud CLI 或 Vertex AI API 部署模型
使用逐步部署功能來取代已部署的模型
取消部署模型並刪除端點
使用 Cloud TPU 進行線上推論
使用預留項目進行推論
搭配推論使用彈性啟動 VM
搭配推論使用 Spot VM
取得線上推論
查看線上推論指標
查看端點指標
查看 DCGM 指標
跨部署作業共用資源
使用線上推論記錄
取得批次推論
透過自訂模型取得批次預測
從自行部署的 Model Garden 模型取得批次預測結果
提供生成式 AI 模型
部署生成式 AI 模型
使用 Saxml 搭配 Cloud TPU 提供 Gemma 開放式模型
透過 Saxml 使用多主機 Cloud TPU 提供 Llama 3 開放模型
使用多主機 GPU 部署方式提供 DeepSeek-V3 模型
自訂機構政策
Vertex AI 推論筆記本教學課程
執行向量相似度搜尋
Vector Search 總覽
試試看
開始使用
Vector Search 快速入門導覽課程
事前準備
筆記本教學課程
關於混合搜尋
建立及管理索引
輸入資料格式和結構
建立及管理索引
儲存空間最佳化索引
索引設定參數
更新及重建索引
篩選向量比對
從 BigQuery 匯入索引資料
含有中繼資料的嵌入內容
部署及查詢索引
Private Service Connect (建議)
使用 Private Service Connect 設定向量搜尋
查詢
JSON Web Token 驗證
公開端點
部署
查詢
私人服務存取權
設定虛擬私有雲網路對等互連連線
部署
查詢
JSON Web Token 驗證
監控已部署的索引
使用自訂機構政策
取得支援
機器學習運作 (MLOps)
管理功能
Vertex AI 中的特徵管理
Vertex AI 特徵儲存庫
關於 Vertex AI 特徵儲存庫
設定功能
準備資料來源
建立特徵群組
建立特徵
設定線上放送
線上放送類型
建立網路商店執行個體
建立特徵檢視表例項
控制存取權
控管資源存取權
同步處理網路商店
開始同步處理資料
列出同步處理作業
更新特徵檢視中的特徵
提供特徵
從網路商店提供功能
提供歷史特徵值
監控
監控功能
管理功能資源
列出特徵群組
列出特徵
更新特徵群組
更新功能
刪除特徵群組
刪除地圖項目
管理線上商店資源
列出線上商店
列出功能檢視
更新網路商店
更新特徵檢視畫面
刪除網路商店
刪除特徵檢視表
地圖項目中繼資料
更新標籤
搜尋資源
搜尋資源
在 Data Catalog 中搜尋資源中繼資料
管理嵌入
使用嵌入搜尋
筆記本教學課程
Vertex AI 特徵儲存庫教學課程筆記本
Vertex AI 特徵儲存庫 (舊版)
關於 Vertex AI 特徵儲存庫 (舊版)