确实有一种从 Python 脚本向 Cloud ML Engine 提交作业的方法。您可以为此目的使用Google Python API 客户端库,并且在我分享的链接中,您可以查看 API 调用方式的详细说明。有一个逐个命令的解释,最后是一个如何把所有东西放在一起的例子。为了使用该库,您必须首先安装它,如其他页面中所述。
然后,您感兴趣的方法(用于提交作业)是,您可以在开发人员页面cloudml.projects.jobs.create()
中找到有关如何调用它的详细信息。我认为您可能有兴趣首先使用 REST API,以便熟悉它的工作原理;您可以通过APIs Explorer来完成。下面是用于进行 API 调用的主体示例:
training_inputs = {'scaleTier': 'CUSTOM',
'masterType': 'complex_model_m',
'workerType': 'complex_model_m',
'parameterServerType': 'large_model',
'workerCount': 9,
'parameterServerCount': 3,
'packageUris': ['gs://<YOUR_TRAINER_PATH>/package-0.0.0.tar.gz'],
'pythonModule': 'trainer.task',
'args': ['--arg1', 'value1', '--arg2', 'value2'],
'region': '<REGION>',
'jobDir': 'gs://<YOUR_TRAINING_PATH>',
'runtimeVersion': '1.4'}
job_spec = {'jobId': my_job_name, 'trainingInput': training_inputs}
您应该根据您的模型的规格对其进行调整。准备就绪后,您可以查看此页面,解释如何使用 Python 提交训练作业,但简而言之,它应该是这样的:
from oauth2client.client import GoogleCredentials
from googleapiclient import discovery
from googleapiclient import errors
project_name = 'my_project_name'
project_id = 'projects/{}'.format(project_name)
credentials = GoogleCredentials.get_application_default()
cloudml = discovery.build('ml', 'v1', credentials=credentials)
request = cloudml.projects().jobs().create(body=job_spec, parent=project_id)
try:
response = request.execute()
# Handle a successful request
except errors.HttpError, err:
logging.error('There was an error creating the training job.'
' Check the details:')
logging.error(err._get_reason())
您应该能够运行此代码,以便通过 Python 脚本提交 Cloud ML Engine 作业。
我希望这会有所帮助,并减轻您提到的文档的不透明度。