Crea un trabajo de entrenamiento sin servidores Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias. Los trabajos de entrenamiento sin servidores (recursos de CustomJob en la API de Agent Platform) son la forma básica de ejecutar tu código de entrenamiento personalizado de aprendizaje automático (AA) en Gemini Enterprise Agent Platform. Antes de crear un CustomJob en Agent Platform, debes crear una aplicación de entrenamiento de Python o una imagen de contenedor personalizada para definir el código de entrenamiento y las dependencias que deseas ejecutar en Agent Platform. Te recomendamos que uses la función de empaquetado automático de Google Cloud CLI, que se describe en la sección posterior de esta guía, para crear una imagen de contenedor de Docker a partir del código en tu máquina local, envía esta imagen de contenedor a Artifact Registry y crea un CustomJob, todo con un solo comando. De lo contrario, debes crear manualmente una aplicación de entrenamiento de Python o una imagen de contenedor personalizada.

Si no estás seguro de cuál de estas opciones elegir, consulta los requisitos del código de entrenamiento para obtener más información. Configuración de qué tipo de código de entrenamiento ejecuta el grupo de trabajadores: una aplicación de entrenamiento de Python (PythonPackageSpec) o un contenedor personalizado (ContainerSpec). También puedes configurar trabajos personalizados para que se ejecuten en un recurso persistente en lugar de crear recursos de procesamiento nuevos durante el inicio del trabajo. Para obtener más información sobre los recursos persistentes, consulta Descripción general de los recursos persistentes. A fin de configurar un CustomJob para el entrenamiento distribuido, especifica varios grupos de trabajadores. En la mayoría de los ejemplos de esta página, se muestran trabajos de entrenamiento de una sola réplica con un grupo de trabajadores. Agrega más grupos de trabajadores para configurar réplicas de trabajadores, réplicas del servidor de parámetros o réplicas de evaluadores, si tu framework de aprendizaje automático admite estas tareas adicionales del clúster para el entrenamiento distribuido.

Obtén más información sobre cómo usar el entrenamiento distribuido. Para crear un CustomJob, sigue las instrucciones en una de las siguientes pestañas, según la herramienta que desees usar. Si usas la gcloud CLI, puedes usar un solo comando para empaquetar de forma automática el código de entrenamiento en tu máquina local en una imagen de contenedor de Docker, enviarla a Artifact Registry y crear un CustomJob. Otras opciones suponen que ya creaste una aplicación de entrenamiento de Python o una imagen de contenedor personalizada. En los siguientes ejemplos, se usa el comando gcloud ai custom-jobs create. Si el código de entrenamiento está en tu computadora local, te recomendamos que sigas la sección Con empaquetado automático. De forma alternativa, si ya creaste una aplicación de entrenamiento de Python o una imagen de contenedor personalizada, ve directamente a la sección Sin empaquetado automático. El resultado es similar a crear un CustomJob mediante cualquier otro contenedor personalizado.

Puedes usar esta versión del comando si es conveniente para tu flujo de trabajo. Si usas Linux, configura Docker para que puedas ejecutarlo sin sudo. Habilita la API de Artifact Registry. Para habilitar APIs, Digital Marketing in Mexico that transforms businesses into results necesitas el permiso serviceusage.services.enable. Si creaste el proyecto, es probable que ya tengas este permiso a través del rol de propietario (roles/owner). De lo contrario, puedes obtener este permiso a través del rol de administrador de Service Usage (roles/serviceusage.serviceUsageAdmin). Obtén más información para otorgar roles. Con el siguiente comando, se compila una imagen de Docker basada en una imagen de contenedor de entrenamiento compilada previamente y el código de Python local envía la imagen a Artifact Registry y crea un CustomJob. LOCATION: es la región en la que se ejecutará el contenedor o el paquete de Python. NAME: Obligatorio. Es un nombre visible para CustomJob. TYPE: El tipo de máquina. Consulta los tipos de máquinas disponibles para el entrenamiento.