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.

Melatih model ML dengan scikit-learn dan XGBoost

Layanan Pelatihan AI Platform mengelola resource komputasi di cloud untuk melatih model Anda. Halaman ini menjelaskan proses 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 yang tersimpan ke Cloud Storage, Anda perlu membuat paket aplikasi pelatihan dan menggunakannya untuk menjalankan pelatihan tentang Pelatihan AI Platform.

Cara melatih model Anda di Pelatihan AI Platform

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

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

Proses penyiapan awal termasuk membuat project Google Cloud, mengaktifkan penagihan dan API, menyiapkan bucket Cloud Storage untuk digunakan dengan AI Platform Training, dan menginstal scikit-learn atau XGBoost secara lokal. Jika sudah 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

Login ke akun Google Cloud Anda. Jika Anda baru menggunakan Google Cloud, buat akun untuk mengevaluasi performa produk kami dalam skenario dunia nyata. Pelanggan baru juga mendapatkan kredit gratis senilai $300 untuk menjalankan, menguji, dan men-deploy workload.

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

Buka pemilih project

Pastikan penagihan telah diaktifkan untuk project Google Cloud Anda.

Aktifkan API AI Platform Training & Prediction and Compute Engine.

Mengaktifkan API

Menginstal Google Cloud CLI.

Untuk initialize gcloud CLI, jalankan perintah berikut:

gcloud init

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

Buka pemilih project

Pastikan penagihan telah diaktifkan untuk project Google Cloud Anda.

Aktifkan API AI Platform Training & Prediction and Compute Engine.

Mengaktifkan API

Menginstal Google Cloud CLI.

Untuk initialize gcloud CLI, jalankan perintah berikut:

gcloud init

Menyiapkan lingkungan Anda

Pilih salah satu opsi di bawah ini untuk menyiapkan lingkungan Anda 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 AI Platform Training, tetapi tidak cocok untuk pekerjaan pengembangan berkelanjutan.

macOS

Periksa penginstalan Python
Pastikan Anda telah menginstal Python dan, jika perlu, menginstalnya.
```
python -V
```
Periksa penginstalan pip
pip adalah pengelola paket Python, yang disertakan dengan versi Python saat ini. Periksa apakah Anda sudah 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 sudah menginstal virtualenv dengan menjalankan virtualenv --version. Jika tidak, instal virtualenv:
```
pip install --user --upgrade virtualenv
```
Guna membuat lingkungan pengembangan terisolasi untuk 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 keperluan 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.

Google Cloud console
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 diinisialisasi.

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

Menginstal framework

macOS

Dalam lingkungan virtual Anda, jalankan perintah berikut untuk menginstal versi scikit-learn, XGBoost, dan pandas yang digunakan dalam AI Platform Training 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 Anda cocok dengan dependensi dalam versi runtime. Hal ini membantu mencegah perilaku yang tidak diharapkan saat kode Anda dijalankan di AI Platform Training.

Untuk 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 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 yang paling mudah adalah menggunakan bucket Cloud Storage khusus dalam project yang sama dengan yang Anda gunakan untuk Pelatihan AI Platform.

Jika menggunakan bucket di project yang berbeda, Anda harus memastikan bahwa akun layanan AI Platform Training Anda 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 AI Platform Training.

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

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 tempat Anda berencana menjalankan tugas Pelatihan AI Platform. Lihat region yang tersedia untuk layanan AI Platform Training.

Misalnya, kode berikut membuat REGION dan menetapkannya ke us-central1:
```
REGION=us-central1
```
Buat bucket baru:
```
gsutil mb -l $REGION gs://$BUCKET_NAME
```

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
Latih dan simpan model Anda
Mengupload file model tersimpan ke Cloud Storage

Demi kemudahan 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 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 untuk menjalankan Pelatihan AI Platform. Dalam contoh ini, modul pelatihan melatih model pada data pelatihan Iris (iris_data dan iris_target) serta menyimpan model yang telah dilatih dengan mengekspornya ke file. Jika ingin menggunakan AI Platform Prediction untuk mendapatkan prediksi online setelah pelatihan, Anda harus memberi nama file model sesuai dengan library yang Anda gunakan untuk mengekspornya. Lihat persyaratan penamaan lebih lanjut 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 pilihan 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 pilihan 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 AI Platform Prediction menggunakan pola yang sama untuk merekonstruksi model terkait 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	Nama model yang benar
`pickle`	`model.pkl`
`sklearn.externals.joblib`	`model.joblib`

XGBoost

Library yang digunakan untuk mengekspor model	Nama model yang benar
`pickle`	`model.pkl`
`joblib`	`model.joblib`
`xgboost.Booster`	`model.bst`

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

Mengupload model tersimpan ke Cloud Storage

Jika Anda menggunakan bucket Cloud Storage di luar project Google Cloud yang digunakan untuk menjalankan Pelatihan AI Platform, 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

Setelah iris_training.py 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 adalah menggunakan gcloud untuk mengemas dan mengupload aplikasi tersebut 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

Pada 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 Anda sebagai iris_training.py, dan simpan file tersebut dalam direktori iris_sklearn_trainer Anda. 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

Pada 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 Anda sebagai iris_training.py, dan simpan file tersebut dalam direktori iris_xgboost_trainer Anda. 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.

Jalankan pelatih secara lokal

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

scikit-learn

Pada command line, tetapkan variabel lingkungan berikut, dengan mengganti [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

Pada command line, tetapkan variabel lingkungan berikut, dengan mengganti [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 menggunakan gcloud ai-platform jobs submit training untuk mengirimkan tugas pelatihan.

Menentukan parameter tugas pelatihan

Setel 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 campuran 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 mana yang harus dijalankan oleh layanan pelatihan Pelatihan AI Platform. Ini diformat sebagai [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 Pelatihan AI Platform 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 yang telah ditentukan sebelumnya agar mesin dapat 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)

Pelatihan AI Platform merekam semua aliran data stdout dan stderr serta pernyataan logging. Log ini disimpan di Logging dan terlihat selama serta 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 membuka 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 tersimpan Anda telah diupload ke Cloud Storage.

gsutil 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 on AI Platform Training.
Lihat cara menggunakan tingkat skala kustom untuk menentukan konfigurasi cluster Anda sendiri untuk pelatihan.