如何在 Vertex AI 中使用新数据重新训练模型？Python 实现指南

Vertex AI 当前不支持对已部署的 AutoML 模型进行增量训练或数据追加；必须基于更新后的数据集创建全新模型，本文详解完整流程与 Python 实践方法。

Vertex AI 当前不支持对已部署的 AutoML 模型进行增量训练或数据追加；必须基于更新后的数据集创建全新模型，本文详解完整流程与 Python 实践方法。

在 Google Vertex AI 中，无论是使用 AutoML 图像、文本还是表格模型，模型一旦训练完成并部署，即为不可变对象（immutable）。这意味着你无法通过 API 或 SDK “更新”或“追加训练”已有模型——即使只是新增几十条标注样本。这是由 Vertex AI 的底层设计决定的：每个模型版本对应唯一的数据集快照、训练配置与超参组合，不提供权重微调（fine-tuning）或持续学习（continual learning）机制（尤其对 AutoML 模型而言）。

因此，正确的再训练（retraining）流程是：

1. 扩展现有数据集：将新数据上传至 Cloud Storage，并通过 aiplatform SDK 将其导入到原始数据集（或新建数据集）；
2. 创建新模型：基于更新后的数据集，调用 AutoMLTrainingJob 启动新一轮训练；
3. 部署新模型：将训练完成的新模型部署至现有 Endpoint（可替换旧版本）或新建 Endpoint；
4. （可选）版本管理：利用 Endpoint 的流量分配功能实现灰度发布与 A/B 测试。

以下是关键 Python 示例（基于 google-cloud-aiplatform==1.50.0+）：

from google.cloud import aiplatform

# 初始化
aiplatform.init(project="your-project-id", location="us-central1")

# 步骤1：获取现有数据集（假设已知 dataset_id）
dataset = aiplatform.ImageDataset(dataset_name="projects/123456789/locations/us-central1/datasets/1234567890123456789")

# 步骤2：向数据集添加新数据（需提前整理为 CSV + GCS 文件路径）
# 注意：AutoML 数据集支持「追加」操作（仅限未锁定状态），但仅影响数据集内容，不触发自动重训
dataset.import_data(
    gcs_source=["gs://my-bucket/new-data.csv"],
    import_schema_uri=aiplatform.schema.dataset.io_format.image.single_label_classification
)

# 步骤3：启动新训练任务（使用相同/优化后的训练参数）
job = aiplatform.AutoMLImageTrainingJob(
    display_name="my-model-retrain-v2",
    prediction_type="classification",
    multi_label=False,
)

# 使用同一数据集（含新增样本）训练新模型
model = job.run(
    dataset=dataset,
    model_display_name="my-model-v2",
    training_filter_split=None,  # 可复用原划分逻辑
    budget_milli_node_hours=8000,
)

# 步骤4：部署至现有 Endpoint（替换流量）
endpoint = aiplatform.Endpoint(endpoint_name="projects/123456789/locations/us-central1/endpoints/9876543210987654321")
endpoint.deploy(
    model=model,
    deployed_model_display_name="my-model-v2-prod",
    traffic_percentage=100,  # 全量切流
    machine_type="n1-standard-4"
)

⚠️ 重要注意事项：

• 数据集必须处于 ACTIVE 状态才允许 import_data；若已用于训练且被锁定（如训练中或已部署），需先确认状态；
• AutoML 训练作业本身不支持“增量训练”，每次 run() 都是端到端全量训练，耗时与成本与首次训练相当；
• 若需降低运维成本，建议将数据集构建、训练、部署封装为可复用的流水线（Vertex AI Pipelines），配合 Cloud Build 触发自动化再训练；
• 对于自定义模型（Custom Training），可通过保存/加载 Checkpoint 实现真正意义上的微调，但 AutoML 不开放此能力。

总结来说：Vertex AI AutoML 的再训练本质是「重建而非更新」。虽然缺乏热更新能力，但通过标准化的数据集管理 + SDK 自动化 + Endpoint 版本控制，你仍可高效实现模型迭代闭环。如确需原生增量学习支持，建议通过 Google Cloud Issue Tracker 提交正式 Feature Request。