TabNet을 사용한 모델 학습

이 페이지에서는 TabNet용 테이블 형식 워크플로를 사용하여 테이블 형식의 데이터 세트에서 분류 또는 회귀 모델을 학습시키는 방법을 보여줍니다.

TabNet용 테이블 형식 워크플로에는 두 가지 버전이 있습니다.

• HyperparameterTuningJob은 모델 학습에 사용할 최적의 초매개변수 값 집합을 검색합니다.
• CustomJob을 사용하면 모델 학습에 사용할 초매개변수 값을 지정할 수 있습니다. 필요한 초매개변수 값을 정확히 알고 있으면 해당 값을 검색하지 않고 지정하고 학습 리소스에 저장할 수 있습니다.

이 워크플로에 사용되는 서비스 계정에 대한 자세한 내용은 테이블 형식 워크플로의 서비스 계정을 참조하세요.

워크플로 API

이 워크플로에서는 다음 API를 사용합니다.

• Vertex AI
• Dataflow
• Compute Engine
• Cloud Storage

HyperparameterTuningJob을 사용한 모델 학습

다음 샘플 코드에서는 HyperparameterTuningJob 파이프라인을 실행하는 방법을 보여줍니다.

pipeline_job = aiplatform.PipelineJob(
    ...
    template_path=template_path,
    parameter_values=parameter_values,
    ...
)
pipeline_job.run(service_account=SERVICE_ACCOUNT)

pipeline_job.run()의 선택적 service_account 매개변수를 사용하면 Vertex AI Pipelines 서비스 계정을 원하는 계정으로 설정할 수 있습니다.

파이프라인과 매개변수 값은 다음 함수로 정의됩니다. 학습 데이터는 Cloud Storage의 CSV 파일이거나 BigQuery의 테이블일 수 있습니다.

template_path, parameter_values =  automl_tabular_utils.get_tabnet_hyperparameter_tuning_job_pipeline_and_parameters(...)

다음은 get_tabnet_hyperparameter_tuning_job_pipeline_and_parameters 매개변수의 하위 집합입니다.

study_spec_parameters_override 매개변수를 사용하여 초매개변수를 구성하려면 Vertex AI의 도우미 함수 get_tabnet_study_spec_parameters_override를 사용할 수 있습니다. 이 함수의 입력은 다음과 같습니다.

• dataset_size_bucket: 데이터 세트 크기의 버킷
  • 'small': 행 100만개 미만
  • 'medium': 행 100만~1억 개
  • 'large': 행 1억개 초과
• training_budget_bucket: 학습 예산의 버킷
  • 'small': $600 미만
  • 'medium': $600~$2,400
  • 'large': $2,400 초과
• prediction_type: 원하는 추론 유형

get_tabnet_study_spec_parameters_override 함수는 초매개변수와 범위의 목록을 반환합니다.

다음은 get_tabnet_study_spec_parameters_override 함수를 사용하는 방법의 예시입니다.

study_spec_parameters_override = automl_tabular_utils.get_tabnet_study_spec_parameters_override(
    dataset_size_bucket="small",
    prediction_type="classification",
    training_budget_bucket="small",
)

CustomJob을 사용한 모델 학습

다음 샘플 코드에서는 CustomJob 파이프라인을 실행하는 방법을 보여줍니다.

pipeline_job = aiplatform.PipelineJob(
    ...
    template_path=template_path,
    parameter_values=parameter_values,
    ...
)
pipeline_job.run(service_account=SERVICE_ACCOUNT)

pipeline_job.run()의 선택적 service_account 매개변수를 사용하면 Vertex AI Pipelines 서비스 계정을 원하는 계정으로 설정할 수 있습니다.

파이프라인과 매개변수 값은 다음 함수로 정의됩니다. 학습 데이터는 Cloud Storage의 CSV 파일이거나 BigQuery의 테이블일 수 있습니다.

template_path, parameter_values = automl_tabular_utils.get_tabnet_trainer_pipeline_and_parameters(...)

다음은 get_tabnet_trainer_pipeline_and_parameters 매개변수의 하위 집합입니다.

다음 단계

분류 또는 회귀 모델을 사용하여 추론할 준비가 되면 다음 두 가지 옵션이 있습니다.

• 모델을 사용하여 온라인(실시간) 추론 수행
• 모델에서 직접 일괄 추론 가져오기
• 모델 학습 가격 책정 알아보기