我一直在探索将Vertex AI用于我的机器学习工作流程。因为在Vertex AI中，仅使用一个节点将不同的模型部署到同一个端点是不可能的，所以我正在考虑一种变通方法。有了这个变通方法，我将无法使用许多Vertex AI功能，如模型监控、特征归因等，我认为，它只是一种在GKE集群上运行预测应用程序的管理替代方案。因此，除了成本差异之外，我正在探索在Vertex AI与GKE上运行自定义预测容器是否会涉及任何限制，例如，只有N1机器类型可用于Vertex AI 中的预测
还有一个类似的问题，但我并没有提出我希望回答的具体问题。
- 我不确定可用的磁盘空间。在Vertex AI中，可以指定机器类型，例如n1-标准-2等，但我不确定有什么可用的磁盘空间，以及是否/如何指定？在自定义容器代码中，在处理多个模型工件或外部源的数据之前，我可能会将它们复制到本地目录中，因此了解任何磁盘空间限制都很重要
- 对于Vertex AI中的自定义训练，可以使用交互式shell来检查运行训练代码的容器，如本文所述。对于自定义预测容器来说，这样的事情可能吗？我在文件中没有找到任何东西
- 对于自定义培训，可以使用专用IP进行此处所述的自定义培训。同样，我在文档中没有发现任何类似的自定义预测，这可能吗
如果您知道任何其他可能的限制，请发帖。
- 我们没有指定磁盘大小，因此默认为100GB
- 我现在还不知道。但如果它是一个自定义容器，您可以在本地或GKE上运行它以进行调试
- 你在找这个吗？https://cloud.google.com/vertex-ai/docs/predictions/using-private-endpoints