您可以使用 gcloud ai custom-jobs local-run 指令，根據訓練程式碼建構 Docker 容器映像檔，並在本機電腦上以容器形式執行該映像檔。這項功能的優點有：
您只需具備 Docker 的基本知識，就能建構容器映像檔。您不需要自行編寫 Dockerfile，您稍後可以將這個映像檔推送至 Artifact Registry，並用於自訂容器訓練。
如有進階需求，您可能仍想自行編寫 Dockerfile。
容器映像檔可以執行 Python 訓練應用程式或 Bash 指令碼。
您可以使用 Bash 指令碼執行以其他程式設計語言編寫的訓練程式碼 (只要您也指定支援其他語言的基本容器映像檔即可)。
在本地執行容器時，訓練程式碼的執行方式與在 Vertex AI 上執行時類似。
在 Vertex AI 中執行自訂訓練工作前，先在本地執行程式碼，有助於偵錯程式碼問題。
事前準備
如果您使用 Linux，請設定 Docker，這樣就能在不使用
sudo的情況下執行 Docker。local-run指令需要這項設定才能使用 Docker。
使用 local-run 指令
執行下列指令，根據訓練程式碼建構容器映像檔，並在本機執行容器：
gcloud ai custom-jobs local-run \
--executor-image-uri=BASE_IMAGE_URI \
--local-package-path=WORKING_DIRECTORY \
--script=SCRIPT_PATH \
--output-image-uri=OUTPUT_IMAGE_NAME
更改下列內容：
BASE_IMAGE_URI：做為容器基礎的 Docker 映像檔 URI。選擇包含訓練程式碼所需依附元件的基本映像檔。
您可以將 URI 用於預先建構的訓練容器映像檔，或用於對 Dockerfile
FROM指令有效的任何其他值，例如公開的 Docker 映像檔，或您有權存取的 Artifact Registry 中的 Docker 映像檔。WORKING_DIRECTORY：檔案系統中的最低層級目錄，包含所有訓練程式碼和訓練所需的本機依附元件。
根據預設，指令只會將
--script標記指定的檔案父項目錄 (請參閱下列清單項目) 複製到產生的 Docker 映像檔。Docker 映像檔不一定會包含 WORKING_DIRECTORY 中的所有檔案；如要自訂要納入的檔案，請參閱本文中納入依附元件一節。如果省略
--local-package-path旗標 (和這個預留位置)，local-run指令會使用目前的工作目錄做為這個值。SCRIPT_PATH：相對於本機檔案系統上 WORKING_DIRECTORY 的路徑，指向訓練程式碼的進入點指令碼。可以是 Python 指令碼 (結尾為
.py) 或 Bash 指令碼。舉例來說，如要執行
/hello-world/trainer/task.py，且 WORKING_DIRECTORY 為/hello-world，請使用trainer/task.py做為這個值。如果您指定 Python 指令碼，基本映像檔必須安裝 Python；如果您指定 Bash 指令碼，基本映像檔必須安裝 Bash。(所有預先建構的訓練容器和許多其他公開可用的 Docker 映像檔，都包含這兩項依附元件)。
以
--python-module取代--script如果省略
--script標記 (和 SCRIPT_PATH)，則必須改用--python-module標記，在 WORKING_DIRECTORY 中指定要當做訓練進入點執行的 Python 模組名稱。舉例來說，您可能會指定--python-module=trainer.task，而非--script=trainer/task.py。在這種情況下，產生的 Docker 容器會將程式碼載入為模組，而不是指令碼。如果進入點指令碼會匯入 WORKING_DIRECTORY 中的其他 Python 模組，您可能想使用這個選項。
OUTPUT_IMAGE_NAME：指令建構的 Docker 映像檔名稱。您可以使用
docker build的-t標記接受的任何值。如果您打算稍後將映像檔推送至 Artifact Registry，建議使用符合 Artifact Registry 規定的映像檔名稱。 (或者，您也可以稍後為圖片加上其他名稱)。
如果省略
--output-image-uri標記 (和這個預留位置)，local-run指令會根據目前時間和進入點指令碼的檔案名稱，為映像檔加上標記。
這項指令會根據您的設定建構 Docker 容器映像檔。建構映像檔後，指令會列印下列輸出內容：
A training image is built.
Starting to run ...
然後，指令會立即使用這個容器映像檔，在本機電腦上執行容器。容器結束時，指令會列印下列輸出內容：
A local run is finished successfully using custom image: OUTPUT_IMAGE_NAME
其他選項
以下各節說明可用來自訂 local-run 指令行為的其他選項。
安裝依附元件
訓練程式碼可以依附於基本映像檔中安裝的任何依附元件 (例如預先建構的訓練容器映像檔包含許多機器學習 Python 程式庫)，以及您在 local-run 指令建立的 Docker 映像檔中納入的任何檔案。
使用 --script 旗標或 --python-module 旗標指定指令碼時，指令會將指令碼的父項目錄 (及其子目錄) 複製到 Docker 映像檔中。舉例來說，如果您指定 --local-package-path=/hello-world 和 --script=trainer/task.py，指令就會將 /hello-world/trainer/ 複製到 Docker 映像檔中。
您也可以加入其他 Python 依附元件，或檔案系統中的任意檔案，方法是完成下列其中一個章節所述的額外步驟：
- 使用
requirements.txt檔案處理 Python 依附元件 - 使用
setup.py檔案處理 Python 依附元件 - 指定個別 PyPI 依附元件
- 指定本機 Python 依附元件
- 包括其他檔案
安裝其他 Python 依附元件
您可以使用下列幾種方式，在 Docker 映像檔中加入其他 Python 依附元件：
使用 requirements.txt 檔案
如果工作目錄中有名為 requirements.txt 的檔案，local-run 指令會將其視為 pip 需求檔案，並用來在 Docker 映像檔中安裝 Python 依附元件。
使用 setup.py 檔案
如果工作目錄中有名為 setup.py 的檔案，local-run 指令會將其視為 Python setup.py 檔案，並將該檔案複製到 Docker 映像檔，然後在 Docker 映像檔中包含該檔案的目錄上執行 pip install。
舉例來說，您可以在 setup.py 中新增 install_requires 引數，以便在 Docker 映像檔中安裝 Python 依附元件。
指定個別 PyPI 依附元件
您可以使用 --requirements 標記，從 Docker 映像檔中的 PyPI 安裝特定依附元件。例如：
gcloud ai custom-jobs local-run \
--executor-image-uri=BASE_IMAGE_URI \
--local-package-path=WORKING_DIRECTORY \
--script=SCRIPT_PATH \
--output-image-uri=OUTPUT_IMAGE_NAME \
--requirements=REQUIREMENTS
將 REQUIREMENTS 替換為以半形逗號分隔的 Python 需求條件指定符清單。
指定其他本機 Python 依附元件
您可以使用 --extra-packages 旗標安裝特定本機 Python 依附元件。這些 Python 依附元件必須位於工作目錄下，且每個依附元件的格式都必須是 pip install 支援的格式，例如 wheel 檔案或 Python 來源發布套件。
例如：
gcloud ai custom-jobs local-run \
--executor-image-uri=BASE_IMAGE_URI \
--local-package-path=WORKING_DIRECTORY \
--script=SCRIPT_PATH \
--output-image-uri=OUTPUT_IMAGE_NAME \
--extra-packages=LOCAL_DEPENDENCIES
將 LOCAL_DEPENDENCIES 替換為以半形逗號分隔的本機檔案路徑清單，以相對於工作目錄的方式表示。
加入其他檔案
如要將其他目錄複製到 Docker 映像檔 (而不將這些目錄安裝為 Python 依附元件)，可以使用 --extra-dirs 旗標。您只能指定工作目錄下的目錄。例如：
gcloud ai custom-jobs local-run \
--executor-image-uri=BASE_IMAGE_URI \
--local-package-path=WORKING_DIRECTORY \
--script=SCRIPT_PATH \
--output-image-uri=OUTPUT_IMAGE_NAME \
--extra-dirs=EXTRA_DIRECTORIES
將 EXTRA_DIRECTORIES 替換為以半形逗號分隔的本機目錄清單，以工作目錄為基準表示。
訓練應用程式引數
如果訓練應用程式的進入點指令碼需要指令列引數，您可以在執行 local-run 指令時指定這些引數。這些引數不會儲存在 Docker 映像檔中，而是在映像檔以容器形式執行時，以引數形式傳遞。
如要將引數傳遞至進入點指令碼，請在所有其他指令旗標之後，將 -- 引數和指令碼的引數傳遞至 local-run 指令。
舉例來說，假設您在本機執行下列指令的指令碼：
python /hello-world/trainer/task.py \
--learning_rate=0.1 \
--input_data=gs://BUCKET/small-dataset/
使用 local-run 指令時，您可以透過下列旗標，在容器中執行指令碼並使用相同引數：
gcloud ai custom-jobs local-run \\
--executor-image-uri=BASE_IMAGE_URI \
--local-package-path=/hello-world \
--script=/trainer/task.py \
--output-image-uri=OUTPUT_IMAGE_NAME \
-- \
--learning_rate=0.1 \
--input_data=gs://BUCKET/small-dataset/
使用 GPU 加速模型訓練
如果您最終想將 local-run 指令建立的 Docker 映像檔部署至 Vertex AI，並使用 GPU 進行訓練，請務必編寫可善用 GPU 的訓練程式碼，並使用支援 GPU 的 Docker 映像檔做為 --executor-image-uri 標記的值。舉例來說，您可以使用支援 GPU 的預建訓練容器映像檔。
如果本機電腦執行 Linux 且有 GPU，您也可以設定 local-run 指令，在本機執行容器時使用 GPU。這是選用步驟，但如果您想測試訓練程式碼搭配 GPU 的運作方式，這會很有幫助。請執行下列步驟：
如果尚未安裝，請在本機電腦上安裝 NVIDIA Container Toolkit (
nvidia-docker)。執行
local-run指令時，請指定--gpu旗標。例如：gcloud ai custom-jobs local-run \ --executor-image-uri=BASE_IMAGE_URI \ --local-package-path=WORKING_DIRECTORY \ --script=SCRIPT_PATH \ --output-image-uri=OUTPUT_IMAGE_NAME \ --gpu
指定自訂服務帳戶
根據預設，當 local-run 指令在本機容器中執行訓練程式碼時，會透過應用程式預設憑證 (ADC)，將本機環境中可用的 Google Cloud 憑證掛接到容器中，因此訓練程式碼可以使用 ADC 搭配相同憑證進行驗證。換句話說，當您執行 local-run 指令時，ADC 可在程式碼中使用 ADC 在本機殼層中提供的憑證。
您可以使用 gcloud auth application-default login
指令，透過使用者帳戶使用 ADC，也可以在殼層中設定環境變數，透過服務帳戶使用 ADC。
如要讓容器使用 Google Cloud 憑證 (而非本機殼層中 ADC 提供的憑證) 執行，請按照下列步驟操作：
建立或選取服務帳戶，並授予訓練程式碼所需的存取權。
將這個服務帳戶的服務帳戶金鑰下載至本機電腦。
執行
local-run指令時，請指定--service-account-key-file標記。例如：gcloud ai custom-jobs local-run \ --executor-image-uri=BASE_IMAGE_URI \ --local-package-path=WORKING_DIRECTORY \ --script=SCRIPT_PATH \ --output-image-uri=OUTPUT_IMAGE_NAME \ --service-account-key-file=KEY_PATH將 KEY_PATH 替換為本機檔案系統中服務帳戶金鑰的路徑。這必須是絕對路徑，或是相對於殼層目前工作目錄的路徑，而非相對於
--local-package-path旗標所指定目錄的路徑。
在產生的容器中，訓練程式碼可以使用 ADC，透過指定的服務帳戶憑證進行驗證。
與在 Vertex AI 上訓練的比較
在 Vertex AI 中執行自訂訓練工作時，Vertex AI 預設會使用專案的 Vertex AI 自訂程式碼服務代理執行程式碼。您也可以附加其他服務帳戶，進行自訂訓練。
使用 local-run 指令時，您無法以 Vertex AI 自訂程式碼服務代理身分進行驗證，但可以建立具有類似權限的服務帳戶，並在本地使用。