Versi lama Pelatihan AI Platform ini tidak digunakan lagi dan tidak akan tersedia lagi di Google Cloud setelah 31 Januari 2025. Migrasi resource Anda ke pelatihan kustom Vertex AI untuk mendapatkan fitur machine learning baru yang tidak tersedia di AI Platform.

Halaman ini diterjemahkan oleh Cloud Translation API.

Melatih model ML dengan scikit-learn dan XGBoost

Layanan AI Platform Training mengelola resource komputasi di cloud untuk melatih model Anda. Halaman ini menjelaskan proses untuk melatih model dengan scikit-learn dan XGBoost menggunakan AI Platform Training.

Ringkasan

Dalam tutorial ini, Anda akan melatih model sederhana untuk memprediksi spesies bunga, menggunakan set data Iris. Setelah menyesuaikan kode pelatihan model untuk mendownload data dari Cloud Storage dan mengupload file model tersimpan ke Cloud Storage, Anda akan membuat paket aplikasi pelatihan dan menggunakannya untuk menjalankan pelatihan di AI Platform Training.

Cara melatih model di AI Platform Training

Setelah menyelesaikan proses penyiapan awal, Anda dapat melatih model di AI Platform Training dalam tiga langkah:

Membuat modul pelatihan Python Anda
- Menambahkan kode untuk mendownload data dari Cloud Storage agar Pelatihan AI Platform dapat menggunakannya
- Menambahkan kode untuk mengekspor dan menyimpan model ke Cloud Storage setelah Pelatihan AI Platform selesai melatih model
Menyiapkan paket aplikasi pelatihan
Mengirim tugas pelatihan

Proses penyiapan awal mencakup pembuatan project Google Cloud, mengaktifkan faktur dan API, menyiapkan bucket Cloud Storage untuk digunakan dengan AI Platform Training, dan menginstal scikit-learn atau XGBoost secara lokal. Jika Anda telah menyiapkan dan menginstal semuanya, lanjutkan ke membuat kode pelatihan model.

Sebelum memulai

Selesaikan langkah-langkah berikut untuk menyiapkan akun GCP, mengaktifkan AI Platform Training API, serta menginstal dan mengaktifkan Cloud SDK.

Menyiapkan project GCP

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

Buka pemilih project

Make sure that billing is enabled for your Google Cloud project.

Aktifkan API AI Platform Training & Prediction and Compute Engine.

Mengaktifkan API

Install the Google Cloud CLI.

To initialize the gcloud CLI, run the following command:

gcloud init

Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

Buka pemilih project

Make sure that billing is enabled for your Google Cloud project.

Aktifkan API AI Platform Training & Prediction and Compute Engine.

Mengaktifkan API

Install the Google Cloud CLI.

To initialize the gcloud CLI, run the following command:

gcloud init

Menyiapkan lingkungan Anda

Pilih salah satu opsi di bawah untuk menyiapkan lingkungan secara lokal di macOS atau di lingkungan jarak jauh di Cloud Shell.

Untuk pengguna macOS, sebaiknya siapkan lingkungan Anda menggunakan tab MACOS di bawah. Cloud Shell, yang ditampilkan di tab CLOUD SHELL, tersedia di macOS, Linux, dan Windows. Cloud Shell menyediakan cara cepat untuk mencoba Pelatihan AI Platform, tetapi tidak cocok untuk pekerjaan pengembangan yang sedang berlangsung.

macOS

Periksa penginstalan Python
Pastikan Anda telah menginstal Python dan, jika perlu, instal.
```
python -V
```
Periksa penginstalan pip
pip adalah pengelola paket Python, yang disertakan dengan versi Python saat ini. Periksa apakah Anda telah menginstal pip dengan menjalankan pip --version. Jika belum, lihat cara menginstal pip.

Anda dapat mengupgrade pip menggunakan perintah berikut:
```
pip install -U pip
```
Lihat dokumentasi pip untuk mengetahui detail selengkapnya.
Instal virtualenv
virtualenv adalah alat untuk membuat lingkungan Python yang terisolasi. Periksa apakah Anda telah menginstal virtualenv dengan menjalankan virtualenv --version. Jika tidak, instal virtualenv:
```
pip install --user --upgrade virtualenv
```
Untuk membuat lingkungan pengembangan terisolasi bagi panduan ini, buat lingkungan virtual baru di virtualenv. Misalnya, perintah berikut mengaktifkan lingkungan bernama aip-env:
```
virtualenv aip-env
source aip-env/bin/activate
```
Untuk tujuan tutorial ini, jalankan perintah lainnya dalam lingkungan virtual Anda.
Lihat informasi selengkapnya tentang penggunaan virtualenv. Untuk keluar dari virtualenv, jalankan deactivate.

Cloud Shell

Buka konsol Google Cloud.

Konsol Google Cloud
Klik tombol Activate Google Cloud Shell di bagian atas jendela konsol.

Sesi Cloud Shell akan terbuka di dalam frame baru di bagian bawah konsol dan menampilkan perintah command line. Perlu waktu beberapa detik hingga sesi shell dimulai.

Sesi Cloud Shell Anda siap digunakan.
Konfigurasikan alat command line gcloud untuk menggunakan project yang Anda pilih.
```
gcloud config set project [selected-project-id]
```
dengan [selected-project-id] sebagai project ID Anda. (Hapus tanda kurung yang mengapit.)

Menginstal framework

macOS

Dalam lingkungan virtual Anda, jalankan perintah berikut untuk menginstal versi scikit-learn, XGBoost, dan pandas yang digunakan di Pelatihan AI Platform versi runtime 2.11:

(aip-env)$ pip install scikit-learn==1.0.2 xgboost==1.6.2 pandas==1.3.5

Dengan memberikan nomor versi dalam perintah sebelumnya, Anda memastikan bahwa dependensi di lingkungan virtual cocok dengan dependensi dalam versi runtime. Hal ini membantu mencegah perilaku yang tidak terduga saat kode Anda berjalan di AI Platform Training.

Untuk mengetahui detail selengkapnya, opsi penginstalan, dan informasi pemecahan masalah, lihat petunjuk penginstalan untuk setiap framework:

Cloud Shell

Jalankan perintah berikut untuk menginstal scikit-learn, XGBoost, dan pandas:

pip install --user scikit-learn xgboost pandas

Untuk mengetahui detail selengkapnya, opsi penginstalan, dan informasi pemecahan masalah, lihat petunjuk penginstalan untuk setiap framework:

Menyiapkan bucket Cloud Storage

Anda memerlukan bucket Cloud Storage untuk menyimpan kode pelatihan dan dependensi. Untuk tujuan tutorial ini, cara termudah adalah menggunakan bucket Cloud Storage khusus dalam project yang sama dengan yang Anda gunakan untuk Pelatihan AI Platform.

Jika menggunakan bucket di project lain, Anda harus memastikan bahwa akun layanan AI Platform Training dapat mengakses kode pelatihan dan dependensi di Cloud Storage. Tanpa izin yang sesuai, tugas pelatihan Anda akan gagal. Lihat cara memberikan izin untuk penyimpanan.

Pastikan untuk menggunakan atau menyiapkan bucket di region yang sama dengan yang Anda gunakan untuk menjalankan tugas pelatihan. Lihat region yang tersedia untuk layanan Pelatihan AI Platform.

Bagian ini menunjukkan cara membuat bucket baru. Anda dapat menggunakan bucket yang ada, tetapi harus berada di region yang sama dengan tempat Anda berencana menjalankan tugas AI Platform. Selain itu, jika ini bukan bagian dari project yang Anda gunakan untuk menjalankan Pelatihan AI Platform, Anda harus secara eksplisit memberikan akses ke akun layanan Pelatihan AI Platform.

Tentukan nama untuk bucket baru Anda. Nama harus unik di semua bucket di Cloud Storage.
```
BUCKET_NAME="YOUR_BUCKET_NAME"
```
Misalnya, gunakan nama project Anda dengan tambahan -aiplatform:
```
PROJECT_ID=$(gcloud config list project --format "value(core.project)")
BUCKET_NAME=${PROJECT_ID}-aiplatform
```
Periksa nama bucket yang Anda buat.
```
echo $BUCKET_NAME
```
Pilih region untuk bucket Anda dan tetapkan variabel lingkungan REGION.

Gunakan region yang sama dengan tempat Anda berencana menjalankan tugas Pelatihan AI Platform. Lihat region yang tersedia untuk layanan Pelatihan AI Platform.

Misalnya, kode berikut membuat REGION dan menetapkannya ke us-central1:
```
REGION=us-central1
```

Buat bucket baru:

gcloud storage buckets create gs://$BUCKET_NAME --location=$REGION

Membuat modul pelatihan Python

Buat file, iris_training.py, yang berisi kode untuk melatih model Anda. Bagian ini memberikan penjelasan tentang fungsi setiap bagian kode pelatihan:

Penyiapan dan impor
Mendownload data dari Cloud Storage
Memuat data ke dalam pandas
Melatih dan menyimpan model
Mengupload file model tersimpan ke Cloud Storage

Untuk memudahkan Anda, kode lengkap untuk iris_training.py dihosting di GitHub sehingga Anda dapat menggunakannya untuk tutorial ini:

Penyiapan

Impor library berikut dari Python dan scikit-learn atau XGBoost. Tetapkan variabel untuk nama bucket Cloud Storage Anda.

scikit-learn

import datetime
import os
import subprocess
import sys
import pandas as pd
from sklearn import svm
from sklearn.externals import joblib

# Fill in your Cloud Storage bucket name
BUCKET_NAME = '<YOUR_BUCKET_NAME>'

XGBoost

import datetime
import os
import subprocess
import sys
import pandas as pd
import xgboost as xgb

# Fill in your Cloud Storage bucket name
BUCKET_NAME = '<YOUR_BUCKET_NAME>'

Mendownload data dari Cloud Storage

Selama proses pengembangan standar, Anda mengupload data Anda sendiri ke Cloud Storage sehingga AI Platform Training dapat mengaksesnya. Data untuk tutorial ini dihosting di bucket Cloud Storage publik: gs://cloud-samples-data/ai-platform/iris/

Kode berikut mendownload data menggunakan gsutil, lalu mengalihkan data dari gsutil ke stdout:

scikit-learn

iris_data_filename = 'iris_data.csv'
iris_target_filename = 'iris_target.csv'
data_dir = 'gs://cloud-samples-data/ml-engine/iris'

# gsutil outputs everything to stderr so we need to divert it to stdout.
subprocess.check_call(['gsutil', 'cp', os.path.join(data_dir,
                                                    iris_data_filename),
                       iris_data_filename], stderr=sys.stdout)
subprocess.check_call(['gsutil', 'cp', os.path.join(data_dir,
                                                    iris_target_filename),
                       iris_target_filename], stderr=sys.stdout)

XGBoost

iris_data_filename = 'iris_data.csv'
iris_target_filename = 'iris_target.csv'
data_dir = 'gs://cloud-samples-data/ai-platform/iris'

# gsutil outputs everything to stderr so we need to divert it to stdout.
subprocess.check_call(['gsutil', 'cp', os.path.join(data_dir,
                                                    iris_data_filename),
                       iris_data_filename], stderr=sys.stdout)
subprocess.check_call(['gsutil', 'cp', os.path.join(data_dir,
                                                    iris_target_filename),
                       iris_target_filename], stderr=sys.stdout)

Memuat data ke dalam pandas

Gunakan pandas untuk memuat data ke dalam array NumPy untuk pelatihan dengan scikit-learn atau XGBoost.

scikit-learn

# Load data into pandas, then use `.values` to get NumPy arrays
iris_data = pd.read_csv(iris_data_filename).values
iris_target = pd.read_csv(iris_target_filename).values

# Convert one-column 2D array into 1D array for use with scikit-learn
iris_target = iris_target.reshape((iris_target.size,))

XGBoost

# Load data into pandas, then use `.values` to get NumPy arrays
iris_data = pd.read_csv(iris_data_filename).values
iris_target = pd.read_csv(iris_target_filename).values

# Convert one-column 2D array into 1D array for use with XGBoost
iris_target = iris_target.reshape((iris_target.size,))

Melatih dan menyimpan model

Buat modul pelatihan agar AI Platform Training dapat berjalan. Dalam contoh ini, modul pelatihan melatih model pada data pelatihan Iris (iris_data dan iris_target) dan menyimpan model yang dilatih dengan mengekspornya ke file. Jika ingin menggunakan Prediksi AI Platform untuk mendapatkan prediksi online setelah pelatihan, Anda harus memberi nama file model sesuai dengan library yang Anda gunakan untuk mengekspornya. Lihat lebih lanjut persyaratan penamaan untuk file model Anda.

scikit-learn

Dengan mengikuti contoh scikit-learn tentang persistensi model, Anda dapat melatih dan mengekspor model seperti yang ditunjukkan di bawah ini:

# Train the model
classifier = svm.SVC(gamma='auto', verbose=True)
classifier.fit(iris_data, iris_target)

# Export the classifier to a file
model_filename = 'model.joblib'
joblib.dump(classifier, model_filename)

Untuk mengekspor model, Anda juga memiliki opsi untuk menggunakan library pickle sebagai berikut:

import pickle
with open('model.pkl', 'wb') as model_file:
  pickle.dump(classifier, model_file)

XGBoost

Anda dapat mengekspor model menggunakan metode"save_model" dari objek Booster.

# Load data into DMatrix object
dtrain = xgb.DMatrix(iris_data, label=iris_target)

# Train XGBoost model
bst = xgb.train({}, dtrain, 20)

# Export the classifier to a file
model_filename = 'model.bst'
bst.save_model(model_filename)

Untuk mengekspor model, Anda juga memiliki opsi untuk menggunakan library pickle sebagai berikut:

import pickle
with open('model.pkl', 'wb') as model_file:
  pickle.dump(bst, model_file)

Persyaratan penamaan file model

Untuk prediksi online, file model tersimpan yang Anda upload ke Cloud Storage harus diberi nama salah satu dari: model.pkl, model.joblib, atau model.bst, bergantung pada library yang Anda gunakan. Batasan ini memastikan bahwa Prediksi AI Platform menggunakan pola yang sama untuk merekonstruksi model saat impor seperti yang digunakan selama ekspor.

Persyaratan ini tidak berlaku jika Anda membuat rutinitas prediksi kustom (beta).

scikit-learn

Library yang digunakan untuk mengekspor model	Perbaiki nama model
`pickle`	`model.pkl`
`sklearn.externals.joblib`	`model.joblib`

XGBoost

Library yang digunakan untuk mengekspor model	Perbaiki nama model
`pickle`	`model.pkl`
`joblib`	`model.joblib`
`xgboost.Booster`	`model.bst`

Untuk iterasi model Anda di masa mendatang, atur bucket Cloud Storage agar setiap model baru memiliki direktori khusus.

Mengupload model tersimpan ke Cloud Storage

Jika Anda menggunakan bucket Cloud Storage di luar project Google Cloud yang Anda gunakan untuk menjalankan AI Platform Training, pastikan AI Platform Training memiliki akses ke bucket Anda.

scikit-learn

# Upload the saved model file to Cloud Storage
gcs_model_path = os.path.join('gs://', BUCKET_NAME,
    datetime.datetime.now().strftime('iris_%Y%m%d_%H%M%S'), model_filename)
subprocess.check_call(['gsutil', 'cp', model_filename, gcs_model_path],
    stderr=sys.stdout)

XGBoost

# Upload the saved model file to Cloud Storage
gcs_model_path = os.path.join('gs://', BUCKET_NAME,
    datetime.datetime.now().strftime('iris_%Y%m%d_%H%M%S'), model_filename)
subprocess.check_call(['gsutil', 'cp', model_filename, gcs_model_path],
    stderr=sys.stdout)

Membuat paket aplikasi pelatihan

Dengan iris_training.py yang dibuat dari cuplikan di atas, buat paket aplikasi pelatihan yang menyertakan iris_training.py sebagai modul utamanya.

Cara termudah (dan direkomendasikan) untuk membuat paket aplikasi pelatihan menggunakan gcloud untuk memaketkan dan mengupload aplikasi saat Anda mengirimkan tugas pelatihan. Metode ini mengharuskan Anda membuat struktur file yang sangat sederhana dengan dua file:

scikit-learn

Untuk tutorial ini, struktur file paket aplikasi pelatihan Anda akan terlihat seperti berikut:

iris_sklearn_trainer/
    __init__.py
    iris_training.py

Di command line, buat direktori secara lokal:
```
mkdir iris_sklearn_trainer
```
Buat file kosong bernama __init__.py:
```
touch iris_sklearn_trainer/__init__.py
```
Simpan kode pelatihan sebagai iris_training.py, dan simpan file tersebut dalam direktori iris_sklearn_trainer. Atau, gunakan cURL untuk mendownload dan menyimpan file dari GitHub:
```
curl https://raw.githubusercontent.com/GoogleCloudPlatform/cloudml-samples/master/sklearn/iris_training.py > iris_sklearn_trainer/iris_training.py
```
Lihat kode sumber lengkap di GitHub.
Pastikan paket aplikasi pelatihan Anda disiapkan dengan benar:
```
ls ./iris_sklearn_trainer
  __init__.py  iris_training.py
```

XGBoost

Untuk tutorial ini, struktur file paket aplikasi pelatihan Anda akan terlihat seperti berikut:

iris_xgboost_trainer/
    __init__.py
    iris_training.py

Di command line, buat direktori secara lokal:
```
mkdir iris_xgboost_trainer
```
Buat file kosong bernama __init__.py:
```
touch iris_xgboost_trainer/__init__.py
```
Simpan kode pelatihan sebagai iris_training.py, dan simpan file tersebut dalam direktori iris_xgboost_trainer. Atau, gunakan cURL untuk mendownload dan menyimpan file dari GitHub:
```
curl https://raw.githubusercontent.com/GoogleCloudPlatform/cloudml-samples/master/xgboost/iris_training.py > iris_xgboost_trainer/iris_training.py
```
Lihat kode sumber lengkap di GitHub.
Pastikan paket aplikasi pelatihan Anda disiapkan dengan benar:
```
ls ./iris_xgboost_trainer
  __init__.py  iris_training.py
```

Pelajari lebih lanjut cara memaketkan aplikasi pelatihan.

Menjalankan pelatih secara lokal

Anda dapat menguji aplikasi pelatihan secara lokal menggunakan perintah gcloud ai-platform local train. Langkah ini bersifat opsional, tetapi berguna untuk tujuan proses debug.

scikit-learn

Di command line, tetapkan variabel lingkungan berikut, ganti [VALUES-IN-BRACKETS] dengan nilai yang sesuai:

TRAINING_PACKAGE_PATH="./iris_sklearn_trainer/"
MAIN_TRAINER_MODULE="iris_sklearn_trainer.iris_training"

Uji tugas pelatihan Anda secara lokal:

gcloud ai-platform local train \
  --package-path $TRAINING_PACKAGE_PATH \
  --module-name $MAIN_TRAINER_MODULE

XGBoost

Di command line, tetapkan variabel lingkungan berikut, ganti [VALUES-IN-BRACKETS] dengan nilai yang sesuai:

TRAINING_PACKAGE_PATH="./iris_xgboost_trainer/"
MAIN_TRAINER_MODULE="iris_xgboost_trainer.iris_training"

Uji tugas pelatihan Anda secara lokal:

gcloud ai-platform local train \
  --package-path $TRAINING_PACKAGE_PATH \
  --module-name $MAIN_TRAINER_MODULE

Mengirim tugas pelatihan

Di bagian ini, Anda akan menggunakan gcloud ai-platform jobs submit training untuk mengirimkan tugas pelatihan.

Menentukan parameter tugas pelatihan

Tetapkan variabel lingkungan berikut untuk setiap parameter dalam permintaan tugas pelatihan Anda:

BUCKET_NAME - Nama bucket Cloud Storage Anda.
JOB_NAME - Nama yang akan digunakan untuk tugas (hanya huruf besar/kecil, angka, dan garis bawah, yang dimulai dengan huruf). Misalnya, iris_scikit_learn_$(date +"%Y%m%d_%H%M%S") atau iris_xgboost_$(date +"%Y%m%d_%H%M%S").
JOB_DIR - Jalur ke lokasi Cloud Storage yang akan digunakan untuk file output tugas pelatihan Anda. Misalnya, gs://$BUCKET_NAME/scikit_learn_job_dir atau gs://$BUCKET_NAME/xgboost_job_dir.
TRAINING_PACKAGE_PATH - Jalur lokal ke direktori utama aplikasi pelatihan Anda. Misalnya, ./iris_sklearn_trainer/ atau ./iris_xgboost_trainer/.
MAIN_TRAINER_MODULE - Menentukan file yang harus dijalankan oleh layanan pelatihan AI Platform Training. Formatnya adalah [YOUR_FOLDER_NAME.YOUR_PYTHON_FILE_NAME]. Misalnya, iris_sklearn_trainer.iris_training atau iris_xgboost_trainer.iris_training.
REGION - Nama region yang Anda gunakan untuk menjalankan tugas pelatihan. Gunakan salah satu region yang tersedia untuk layanan pelatihan AI Platform Training. Pastikan bucket Cloud Storage Anda berada di region yang sama.
RUNTIME_VERSION - Anda harus menentukan versi runtime AI Platform Training yang mendukung scikit-learn. Dalam contoh ini, 2.11.
PYTHON_VERSION - Versi Python yang akan digunakan untuk tugas. Untuk tutorial ini, tentukan Python 3.7.
SCALE_TIER - Spesifikasi cluster standar untuk mesin guna menjalankan tugas pelatihan Anda. Dalam hal ini, BASIC. Anda juga dapat menggunakan tingkat skala kustom untuk menentukan konfigurasi cluster Anda sendiri untuk pelatihan.

Untuk memudahkan Anda, variabel lingkungan untuk tutorial ini ada di bawah.

scikit-learn

Ganti [VALUES-IN-BRACKETS] dengan nilai yang sesuai:

    BUCKET_NAME=[YOUR-BUCKET-NAME]
    JOB_NAME="iris_scikit_learn_$(date +"%Y%m%d_%H%M%S")"
    JOB_DIR=gs://$BUCKET_NAME/scikit_learn_job_dir
    TRAINING_PACKAGE_PATH="./iris_sklearn_trainer/"
    MAIN_TRAINER_MODULE="iris_sklearn_trainer.iris_training"
    REGION=us-central1
    RUNTIME_VERSION=2.11
    PYTHON_VERSION=3.7
    SCALE_TIER=BASIC

XGBoost

Ganti [VALUES-IN-BRACKETS] dengan nilai yang sesuai:

    BUCKET_NAME=[YOUR-BUCKET-NAME]
    JOB_NAME="iris_xgboost_$(date +"%Y%m%d_%H%M%S")"
    JOB_DIR=gs://$BUCKET_NAME/xgboost_job_dir
    TRAINING_PACKAGE_PATH="./iris_xgboost_trainer/"
    MAIN_TRAINER_MODULE="iris_xgboost_trainer.iris_training"
    REGION=us-central1
    RUNTIME_VERSION=2.11
    PYTHON_VERSION=3.7
    SCALE_TIER=BASIC

Kirim permintaan tugas pelatihan:

gcloud ai-platform jobs submit training $JOB_NAME \
  --job-dir $JOB_DIR \
  --package-path $TRAINING_PACKAGE_PATH \
  --module-name $MAIN_TRAINER_MODULE \
  --region $REGION \
  --runtime-version=$RUNTIME_VERSION \
  --python-version=$PYTHON_VERSION \
  --scale-tier $SCALE_TIER

Anda akan melihat output yang mirip dengan berikut ini:

Job [iris_scikit_learn_[DATE]_[TIME]] submitted successfully.
Your job is still active. You may view the status of your job with the command

  $ gcloud ai-platform jobs describe iris_scikit_learn_[DATE]_[TIME]

or continue streaming the logs with the command

  $ gcloud ai-platform jobs stream-logs iris_scikit_learn_[DATE]_[TIME]

jobId: iris_scikit_learn_[DATE]_[TIME]
state: QUEUED

Melihat log pelatihan Anda (opsional)

AI Platform Training merekam semua streaming dan pernyataan logging stdout dan stderr. Log ini disimpan di Logging; log ini dapat dilihat selama dan setelah eksekusi.

Untuk melihat log tugas pelatihan Anda:

Konsol

Buka halaman Tugas Pelatihan AI Platform.

Membuka tugas di konsol Google Cloud
Pilih nama tugas pelatihan yang akan diperiksa. Tindakan ini akan mengarahkan Anda ke halaman Detail tugas untuk tugas pelatihan yang dipilih.
Dalam detail tugas, pilih link Lihat log. Tindakan ini akan mengarahkan Anda ke halaman Logging tempat Anda dapat menelusuri dan memfilter log untuk tugas pelatihan yang dipilih.

gcloud

Anda dapat melihat log di terminal dengan gcloud ai-platform jobs stream-logs.

gcloud ai-platform jobs stream-logs $JOB_NAME

Memverifikasi file model Anda di Cloud Storage

Lihat konten folder model tujuan untuk memverifikasi bahwa file model yang disimpan telah diupload ke Cloud Storage.

gcloud storage ls gs://$BUCKET_NAME/iris_*

Contoh output:

gs://bucket-name/iris_20180518_123815/:
gs://bucket-name/iris_20180518_123815/model.joblib

Langkah selanjutnya

Dapatkan prediksi online dengan scikit-learn di Pelatihan AI Platform.
Lihat cara menggunakan tingkat skala kustom untuk menentukan konfigurasi cluster Anda sendiri untuk pelatihan.