Comparer l'entraînement personnalisé Vertex AI et Ray sur Vertex AI
Vertex AI propose deux options pour l'entraînement personnalisé : l'entraînement personnalisé Vertex AI et Ray sur Vertex AI. Cette page vous aide à choisir entre ces deux options.
| Vertex AI Training | Ray sur Vertex AI | |
|---|---|---|
| Focus | Entraînement de modèles personnalisés à usage général. | Mise à l'échelle des applications d'IA et Python, y compris l'entraînement des modèles, les applications distribuées et la diffusion des modèles. |
| Framework sous-jacent | Compatible avec différents frameworks de ML, tels que TensorFlow, PyTorch et scikit-learn. | Exploite le framework Ray Open Source. Compatible avec différents frameworks : TensorFlow, PyTorch, scikit-learn et Spark sur Ray à l'aide de RayDP. |
| Flexibilité | Grande flexibilité en termes de code et d'environnement. | Grande flexibilité pour créer des applications distribuées : vous pouvez utiliser le code Ray existant avec un minimum de modifications. |
| Évolutivité | Prend en charge l'entraînement distribué sur plusieurs machines. Offre des ressources de calcul évolutives (CPU, GPU, TPU). | Conçu pour une évolutivité élevée à l'aide des capacités de calcul distribué de Ray (jusqu'à 2 000 nœuds). Compatible avec l'autoscaling et la mise à l'échelle manuelle. |
| Intégration | Intégration à d'autres services Vertex AI (ensembles de données, Vertex AI Experiments, etc.) | S'intègre à d'autres services Google Cloud tels que Vertex AI Inference et BigQuery. |
| Simplicité d'utilisation | Plus facile à utiliser pour les paradigmes d'entraînement distribué standards. | Vous devez connaître les concepts du framework Ray. |
| Environnement | Environnement géré pour exécuter du code d'entraînement personnalisé à l'aide de conteneurs prédéfinis ou personnalisés. | Environnement géré pour exécuter des applications distribuées à l'aide du framework Ray. Simplifie la gestion du cluster Ray sur Vertex AI. |
| Réglages d'hyperparamètres | Inclut des fonctionnalités de réglage des hyperparamètres. | Simplifie le réglage des hyperparamètres grâce à des outils permettant d'optimiser efficacement les modèles et de gérer les expériences. |
| Pipelines d'entraînement | Prend en charge les workflows de ML complexes en plusieurs étapes. | Non applicable. |
Principales différences entre l'entraînement personnalisé Vertex AI et Ray sur Vertex AI
L'entraînement personnalisé Vertex AI est un service plus vaste qui gère différentes méthodes d'entraînement, tandis que Ray sur Vertex AI utilise spécifiquement le framework de calcul distribué Ray.
| Vertex AI Training | Ray sur Vertex AI | |
|---|---|---|
| Focus | Principalement axé sur le développement et l'entraînement de modèles. Gère différentes méthodes d'entraînement. | Conçu pour les applications Python distribuées à usage général, y compris le traitement des données, la diffusion de modèles et la mise à l'échelle de l'entraînement. |
| Framework sous-jacent | Lié aux capacités distribuées de frameworks de ML spécifiques (par exemple, TensorFlow, PyTorch). | Utilise Ray comme framework de calcul distribué central. Gère la distribution des tâches, quel que soit le framework de ML sous-jacent utilisé dans les tâches Ray. |
| Configuration des ressources | Configurez les ressources pour les jobs d'entraînement individuels. | Gérez les clusters Ray sur Vertex AI. Ray gère la distribution des tâches au sein du cluster. |
| Configuration de la distribution | Configurez le nombre et les types de répliques pour un job d'entraînement spécifique. | Configurez la taille et la composition du cluster Ray sur Vertex AI. Le planificateur de Ray distribue dynamiquement les tâches et les acteurs sur les nœuds disponibles. |
| Champ de distribution | Généralement axé sur un seul job d'entraînement potentiellement de longue durée. | Fournit un environnement de calcul distribué plus persistant et polyvalent dans lequel vous pouvez exécuter plusieurs tâches et applications distribuées tout au long du cycle de vie du cluster Ray. |
Résumé
Si vous avez besoin d'utiliser la puissance du calcul distribué avec le framework Ray dans l'environnement Google Cloud , Ray sur Vertex AI est le service à utiliser. Ray sur Vertex AI peut être considéré comme un outil spécifique au sein de l'écosystème Vertex AI plus vaste. Il est particulièrement utile pour les charges de travail distribuées et hautement évolutives.
Si vous avez besoin d'une plate-forme gérée plus polyvalente pour diverses approches d'entraînement de modèles, y compris les options automatisées, l'exécution de code personnalisé et le réglage des hyperparamètres, les services d'entraînement personnalisé Vertex AI plus généraux sont utiles.