選擇訓練方法

本文說明在 Vertex AI 中使用 AutoML、自訂訓練、Vertex AI 上的 Ray 訓練模型，與使用 BigQuery ML 訓練模型的主要差異。

  • 使用 AutoML 建立及訓練模型，僅需投入少量技術資源。您可以使用 AutoML 快速製作模型原型，並在投入開發作業前探索新資料集。舉例來說，您可以藉此瞭解哪些特徵最適合特定資料集。

  • 透過自訂訓練，您可以建立經過最佳化的訓練應用程式，以達成目標成果。您可以完全掌控訓練應用程式功能。也就是說，您可以指定任何目標、使用任何演算法、開發自己的損失函數或指標，或是進行任何其他自訂作業。

  • 透過 Vertex AI 上的 Ray，您可以在 Google Cloud 基礎架構上使用 Ray 的分散式運算架構。Vertex AI 上的 Ray 提供代管環境，可設定運算資源、與 Vertex AI Inference 和 BigQuery 等服務整合，以及彈性的網路選項，方便您開發及執行分散式工作負載。

  • 您可以使用 BigQuery，直接在 BigQuery 中使用 BigQuery 資料訓練模型。您可以使用 SQL 指令快速建立模型，並用來取得批次推論結果。

如要比較各項服務所需的功能和專業知識，請參閱下表。

AutoML 自訂訓練 Ray on Vertex AI BigQuery ML
需要資料科學專業知識 否 可以，開發訓練應用程式，以及執行特徵工程等資料準備作業。 瞭解機器學習概念和資料科學工作流程，對您很有幫助。 否
需要程式設計能力 否，AutoML 無需程式碼。 是，開發訓練應用程式時需要用到。 是。 是。
訓練模型的時間 降低。您不需要準備大量資料，也不必自行開發。 更高。您需要準備更多資料，並開發訓練應用程式。使用分散式訓練可縮短模型訓練時間。 訓練時間取決於程式碼邏輯 (資料準備和訓練) 和資源佈建時間。 降低。您不需要建構批次推論或模型訓練所需的基礎架構，因為 BigQuery ML 會運用 BigQuery 計算引擎，因此模型開發速度會加快。這有助於加快訓練、評估和推論速度。
機器學習目標的限制 可以。您必須指定 AutoML 預先定義的目標。 否 否 是
可透過超參數調整手動提升模型效能 否。AutoML 會自動調整超參數，但您無法修改使用的值。 可以。您可以在每次訓練期間調整模型，進行實驗和比較。 可以。由於您提供的是自訂訓練程式碼，因此可以在 Vertex AI 上啟動 Ray 工作前，手動設定或調整超參數的值。 可以。使用 `CREATE MODEL` 陳述式訓練 ML 模型時，BigQuery ML 支援超參數微調。
可控制訓練環境的各個層面 有限。如果是圖片和表格資料集，您可以指定訓練的節點時數，以及是否允許提早停止訓練。 可以。您可以指定環境的各個層面，例如 Compute Engine 機器類型、磁碟大小、機器學習架構和節點數量，以及要用於訓練的 Docker 映像檔。 可以。您可以大幅控管訓練環境的各個層面。舉例來說，您可以將自己的自訂 Docker 容器映像檔帶到 Vertex AI 上的 Ray 叢集。建立 Ray 叢集時，您可以指定頭部節點和工作站節點的機器類型，包括要使用的加速器 (GPU) 數量和類型等。 否
資料大小限制

可以。AutoML 使用代管資料集，資料大小限制會因資料集類型而異。如需具體做法，請參閱下列主題：

 非受管理資料集則否。受管理資料集與在 BigQuery 中建立及代管的受管理資料集物件具有相同限制，且用於訓練 AutoML 模型。 否。不過，BigQuery 讀取作業的回應大小上限為 10 GB。這是 BigQuery API 回應大小的限制，不一定是 Ray on Vertex AI 可透過疊代或平行查詢處理的 BigQuery 資料總量限制。 可以。BigQuery ML 會根據每個專案的狀況限定適當的配額。詳情請參閱「配額與限制」。

後續步驟