Google 的 Vertex AI 是一个基于 Google Cloud 的平台，企业家、开发者和 AI 研究人员可以使用它来管理他们的 AI 项目。我们在之前的文章“ Google Vertex AI：加速 AI 开发及更多”中详细讨论了整个 Vertex AI 生态系统的架构。
本文将讨论 Vertex AI 中的托管 ML 数据集以及如何使用它们来创建生成式 AI 应用程序。我们将在此介绍以下主题：
什么是托管数据集？
托管数据集是在 Vertex AI 框架内工作的数据集。您需要它们进行 AutoML 训练（和 Gemini 训练），但不需要它们进行自定义模型训练。
但是，通过提供多种功能，管理数据库 推特数据 可以减少您在 Vertex 生态系统中的工作量。托管数据库的好处包括：
1. 您可以从集中位置管理您的数据集。
2.您可以轻松创建标签和多个注释集。
3.可以创建人工标记的任务。
4.您可以根据AI模型跟踪该数据库的谱系，以进行迭代和训练。
5. 您可以使用相同的数据集训练多个模型来比较AI模型的性能。
您可以生成统计数据
7.Vertex 允许您将数据集分成训练、测试和验证数据。
这些功能可让您使用所需的任何数据集在 Vertex AI 上以本地方式端到端运行您的 AI 项目。您还可以使用 Google 提供的数据集来训练您的模型并检查其性能。
但是，您可以访问的数 的出价调整来优化您的地理位置效果 据库将取决于数据集的服务器位置。由于训练和迭代的速度取决于您与所选服务器的物理距离，因此建议您选择距离项目所需的模型和训练数据集最近的位置。
现在，让我们讨论如何创建数据集。
如何为 Vertex AI 准备数据集？
可以使用Google Cloud Platform (GCP)或 Google Vertex API 创建 Vertex AI 的托管数据集。您的流程将根据您使用的数据类型和要执行的操作而有所不同。
对于导入的每个数据集，您需要一个结构 短信列表 化的 JSON 或 CSV 文件，将数据放入结构中并允许注释。
准备图像数据集用于分类的图像数据集
分类任务是自动标记图像并识别特征的任务。例如，分类任务可能是找出照片中花朵的种类。让我们来谈谈训练此类模型所需的数据。
输出图像将遵循相同的文件格式，但如果需要，这些模型也可以训练以输出 TIFF 和 WEBP 文件。
注意：另外，请记住您的文件需要采用 Base64 编码。
准备数据
现在，我们将准备用于单标签分类的图像。您需要遵循如下 JSON 格式：回归任务用于预测连续的数值数据，因此如果您想将房价与数据关联起来。