Erste Schritte mit dem integrierten Wide-and-Deep-Algorithmus

Mit den integrierten Algorithmen von AI Platform können Sie Trainingsdaten senden, einen Algorithmus auswählen und die Vorverarbeitung sowie das Training mit AI Platform ausführen, ohne Code für eine Trainingsanwendung schreiben zu müssen.

Übersicht

In dieser Anleitung trainieren Sie ein Wide-and-Deep-Modell, ohne dafür Code schreiben zu müssen. Sie senden dabei das Census Income Data Set (Dataset zur Einkommenserhebung) zur Vorverarbeitung und zum Training an AI Platform und stellen dann das Modell in AI Platform für Vorhersagen bereit. Das trainierte Modell sagt die Wahrscheinlichkeit voraus, dass das jährliche Einkommen einer Person mehr als 50.000 $ beträgt.

Vorbereitung

Wenn Sie diese Anleitung über die Befehlszeile ausführen möchten, verwenden Sie entweder Cloud Shell oder eine Umgebung, in der das Cloud SDK installiert ist.

Führen Sie die folgenden Schritte aus, um ein GCP-Konto einzurichten, die erforderlichen APIs zu aktivieren und das Cloud SDK zu installieren bzw. zu aktivieren:

  1. Melden Sie sich in Ihrem Google-Konto an.

    Wenn Sie noch kein Konto haben, registrieren Sie sich hier für ein neues Konto.

  2. Wählen Sie in der GCP Console auf der Projektauswahlseite ein GCP-Projekt aus oder erstellen Sie ein Projekt.

    Zur Projektauswahl

  3. Prüfen Sie, ob die Abrechnung für Ihr Google Cloud Platform-Projekt aktiviert ist. So bestätigen Sie die Abrechnung für Ihr Projekt.

  4. Aktivieren Sie die AI Platform ("Cloud Machine Learning Engine") and Compute Engineerforderlichen APIs.

    APIs aktivieren

  5. Installieren und initialisieren Sie das Cloud SDK.

Einrichtung

Wenn Sie integrierte Algorithmen verwenden möchten, müssen Sie die Kopfzeile aus der CSV-Datei entfernen und die Zielwerte in die erste Spalte verschieben. Wir haben das ursprüngliche Dataset der Einkommenserhebung für die Verwendung mit dieser Anleitung geändert und im öffentlichen Cloud Storage-Bucket gs://cloud-samples-data/ai-platform/census/algorithms/data/ gehostet.

Console

Bevor Sie mit dem Trainingsjob beginnen, müssen Sie die Daten aus unserem öffentlichen Cloud Storage-Bucket in Ihren Cloud Storage-Bucket kopieren.

Beispieldaten in Ihren Cloud Storage-Bucket kopieren

  1. Laden Sie zuerst die Trainings- und Testdaten aus unserem öffentlichen Cloud Storage-Bucket herunter.

    1. Wechseln Sie zu unserem öffentlichen Cloud Storage-Bucket:

      Beispieldaten abrufen

    2. Laden Sie sowohl test.csv als auch train.csv herunter:

      1. Klicken Sie auf den Dateinamen.

      2. Klicken Sie auf der Seite Objektdetails auf Herunterladen. Diese Dateien werden in Ihre lokale Umgebung als ai-platform_census_algorithms_data_test.csv bzw. ai-platform_census_algorithms_data_train.csv heruntergeladen.

  2. Laden Sie anschließend die Trainings- und Testdaten in Ihren Cloud Storage-Bucket hoch.

    1. Rufen Sie die Browserseite für Ihren Cloud Storage-Bucket auf. Wählen Sie Ihr Projekt in der Drop-down-Liste Projekt auswählen aus oder öffnen Sie es in einem neuen Tab:

      Cloud Storage-Browserseite

    2. Klicken Sie auf den Namen des Buckets, den Sie verwenden möchten, oder erstellen Sie einen neuen Bucket. Wenn Sie einen neuen Bucket erstellen, muss es sich um einen regionalen Bucket handeln. Wählen Sie die Region aus, in der Sie den AI Platform-Trainingsjob ausführen.

    3. (Optional) Klicken Sie auf Ordner erstellen, um einen Ordner für die hochgeladenen Dateien anzulegen. Geben Sie einen Namen für den Ordner ein (z. B. "Daten") und klicken Sie auf Erstellen. Klicken Sie anschließend auf den Namen des neuen Ordners, um ihn zu öffnen.

    4. Klicken Sie auf Dateien hochladen, um sowohl die Trainings- als auch die Testdateien hochzuladen und ai-platform_census_algorithms_data_train.csv sowie ai-platform_census_algorithms_data_test.csv zu Ihrem Bucket hinzufügen.

Nachdem die Daten in Ihren Bucket kopiert wurden, können Sie einen Trainingsjob starten. Wählen Sie dazu den gewünschten Algorithmustyp aus.

Algorithmus auswählen

  1. Rufen Sie die Seite "AI Platform-Jobs" in der Google Cloud Platform Console auf:

    Zur Seite "AI Platform-Jobs"

  2. Klicken Sie auf die Schaltfläche Neuer Trainingsjob. Klicken Sie in den darunter angezeigten Optionen auf Integriertes Modelltraining. Anschließend wird die Seite Neuen Trainingsjob erstellen aufgerufen.

  3. Das Erstellen eines Trainingsjobs gliedert sich in vier Schritte. Der erste Schritt ist der Trainingsalgorithmus. Wählen Sie Integrierter Wide-and-Deep-Algorithmus aus und klicken Sie auf Weiter.

gcloud

Richten Sie Umgebungsvariablen für Ihre Projekt-ID, Ihren Cloud Storage-Bucket, den Cloud Storage-Pfad zu den Trainingsdaten und den ausgewählten Algorithmus ein.

Die integrierten Algorithmen von AI Platform befinden sich in Docker-Containern, die in Container Registry gehostet werden.

PROJECT_ID="[YOUR-PROJECT-ID]"
BUCKET_NAME="[YOUR-BUCKET-NAME]"
REGION="us-central1"
gcloud config set project $PROJECT_ID
gcloud config set compute/region $REGION

# Copy the training data into your Cloud Storage bucket, and set the path
# to your copy of the training data.
TRAINING_DATA_SOURCE="gs://cloud-samples-data/ai-platform/census/algorithms/data/train.csv"
TRAINING_DATA_PATH="gs://$BUCKET_NAME/algorithms-demo/data/train.csv"
gsutil cp $TRAINING_DATA_SOURCE $TRAINING_DATA_PATH

# Specify the Docker container URI specific to the algorithm.
IMAGE_URI="gcr.io/cloud-ml-algos/wide_deep_learner_cpu:latest"

Trainingsjob senden

Zum Senden eines Jobs müssen Sie sowohl für das Training als auch den Wide-and-Deep-Algorithmus einige grundlegende Argumente angeben.

Allgemeine Argumente für den Trainingsjob:

Argumente für Trainingsjobs
Argument Beschreibung
job-id Eindeutige ID für den Trainingsjob, mit der Sie nach dem Senden nach Logs zu seinem Status suchen können.
job-dir Cloud Storage-Pfad, in dem AI Platform die Trainingsdateien nach Abschluss eines erfolgreichen Trainingsjobs speichert.
scale-tier Gibt Maschinentypen für das Training an. Verwenden Sie BASIC, um eine Konfiguration mit nur einer Maschine auszuwählen.
master-image-uri Container Registry-URI zur Angabe des Docker-Containers, der für den Trainingsjob genutzt werden soll. Verwenden Sie den Container für den integrierten Wide-and-Deep-Algorithmus, der zuvor als IMAGE_URI definiert wurde.
region Geben Sie die verfügbare Region an, in der Ihr Trainingsjob ausgeführt werden soll. In dieser Anleitung können Sie die Region us-central1 verwenden.

Spezifische Argumente für den integrierten Deep-and-Wide-Algorithmus:

Algorithmusargumente
Argument Beschreibung
preprocess Boolesches Argument, das angibt, ob AI Platform die Daten vorverarbeiten soll.
model_type Gibt den Typ des Modells an, das trainiert werden soll: Klassifizierung oder Regression.
training_data_path Cloud Storage-Speicherort für die Trainingsdaten, die als CSV-Datei vorliegen müssen.
learning_rate Die vom linearen Optimierungstool verwendete Lernrate.
max_steps Anzahl der Schritte, die für das Training ausgeführt werden sollen.
batch_size Anzahl der Beispiele, die pro Trainingsschritt verwendet werden sollen.
dnn_learning_rate Lernrate, die vom DNN-Teil des Modells verwendet werden soll.
dnn_dropout Die Wahrscheinlichkeit eines Abbruchs.
hidden_units Ein durch Kommas getrennter String, der die Anzahl der ausgeblendeten Einheiten in jeder Ebene darstellt.
use_wide Bei Angabe dieses Arguments werden im "Wide"-Teil des DNN-Modells kategoriale Spalten verwendet.
embed_categories Bei Angabe dieses Arguments werden im "Deep"-Teil des Modells kategoriale Spalten eingebettet und verwendet.

Eine ausführliche Liste aller weiteren Flags für den Wide-and-Deep-Algorithmus finden Sie in der Referenz zum integrierten Wide-and-Deep-Algorithmus.

Console

  1. Lassen Sie das Kästchen Automatische Datenvorverarbeitung aktivieren angeklickt.

  2. Klicken Sie für Trainingsdatenpfad auf Durchsuchen. Klicken Sie im rechten Bereich auf den Namen des Buckets, in den Sie die Trainingsdaten hochgeladen haben, und wechseln Sie zur Datei ai-platform_census_algorithms_data_train.csv.

  3. Übernehmen Sie für die Felder Validierungsdaten und Testdaten die Standardeinstellungen.

  4. Geben Sie unter Ausgabeverzeichnis den Pfad zu Ihrem Cloud Storage-Bucket ein, in dem AI Platform die Ausgaben Ihres Trainingsjobs speichern soll. Sie können den Pfad zu Ihrem Cloud Storage-Bucket direkt eingeben oder auf die Schaltfläche Durchsuchen klicken und ihn auswählen.

    Erstellen Sie in Ihrem Cloud Storage-Bucket zur besseren Übersichtlichkeit ein neues Verzeichnis für diesen Trainingsjob. Dazu können Sie das Feld Durchsuchen verwenden.

    Klicken Sie auf Weiter.

  5. Wählen Sie für Modelltyp die Option Klassifikation aus.

  6. Wählen Sie für Modelltyp die Option Klassifikation aus.

  7. Übernehmen Sie für alle anderen Felder die Standardeinstellungen und klicken Sie auf Weiter.

  8. Gehen Sie auf der Seite Jobeinstellungen so vor:

    1. Geben Sie eine eindeutige Job-ID ein, z. B. "wide_deep_example".
    2. Geben Sie eine verfügbare Region ein, z. B. "us-central1".
    3. Wählen Sie "BASIC" als Skalierungsstufe aus.

    Klicken Sie auf Fertig, um den Trainingsjob zu senden.

gcloud

  1. Richten Sie alle Argumente für den Trainingsjob und den Algorithmus ein, bevor Sie mit gcloud den Job senden:

    DATASET_NAME="census"
    ALGORITHM="wide_deep"
    MODEL_TYPE="classification"
    MODEL_NAME="${DATASET_NAME}_${ALGORITHM}_${MODEL_TYPE}"
    
    # Give a unique name to your training job.
    DATE="$(date '+%Y%m%d_%H%M%S')"
    JOB_ID="${MODEL_NAME}_${DATE}"
    
    # Make sure you have access to this Cloud Storage bucket.
    JOB_DIR="gs://${BUCKET_NAME}/algorithms_training/${MODEL_NAME}/${DATE}"
    
  2. Senden Sie den Job:

    gcloud ai-platform jobs submit training $JOB_ID \
      --master-image-uri=$IMAGE_URI --scale-tier=BASIC --job-dir=$JOB_DIR \
      -- \
      --preprocess --model_type=$MODEL_TYPE --batch_size=250 --learning_rate=0.1 \
      --dnn_learning_rate=0.005 --dnn_dropout=0.1 --hidden_units=10,10,10 \
      --use_wide --embed_categories \
      --max_steps=1000 --training_data_path=$TRAINING_DATA_PATH
    

  3. Nachdem der Job gesendet wurde, können Sie die Logs mit den folgenden gcloud-Befehlen aufrufen:

    gcloud ai-platform jobs describe $JOB_ID
    gcloud ai-platform jobs stream-logs $JOB_ID
    

Struktur des Jobverzeichnisses

Nach erfolgreicher Ausführung eines Trainingsjobs erstellt AI Platform ein trainiertes Modell sowie einige andere Artefakte in Ihrem Cloud Storage-Bucket. Ihr JOB_DIR hat folgende Verzeichnisstruktur:

  • model/ (TensorFlow SavedModel-Verzeichnis, das auch die Datei deployment_config.yaml enthält)
    • saved_model.pb
    • deployment_config.yaml
  • artifacts/
    • metadata.json
  • processed_data/
    • training.csv
    • validation.csv
    • test.csv

Prüfen Sie, ob die Verzeichnisstruktur Ihrem JOB_DIR entspricht:

gsutil ls -a $JOB_DIR/*

Trainiertes Modell bereitstellen

AI Platform strukturiert Ihre trainierten Modelle nach Modell- und Versionsressourcen. Ein AI Platform-Modell ist ein Container für die Versionen Ihres Modells für maschinelles Lernen.

Zur Bereitstellung eines Modells legen Sie eine Modellressource in AI Platform an, erstellen eine Version dieses Modells und rufen dann mithilfe des Modells sowie mit der Version Onlinevorhersagen ab.

Weitere Informationen zum Bereitstellen von Modellen in AI Platform finden Sie unter TensorFlow-Modell bereitstellen.

Console

  1. Auf der Seite Jobs sind alle Trainingsjobs aufgelistet. Klicken Sie auf den Namen des gerade gesendeten Trainingsjobs ("wide_deep_example" oder den von Ihnen verwendeten Jobnamen).

  2. Auf der Seite Jobdetails sehen Sie den allgemeinen Fortschritt Ihres Jobs. Sie können auch auf Logs ansehen klicken, um eine detailliertere Ansicht des Fortschritts aufzurufen.

  3. Wenn die Jobausführung erfolgreich war, wird oben die Schaltfläche Modell bereitstellen eingeblendet. Klicken Sie auf Modell bereitstellen.

  4. Wählen Sie Als neues Modell bereitstellen aus und geben Sie einen Modellnamen wie z. B. "wide_deep_model" ein. Klicken Sie anschließend auf Bestätigen.

  5. Geben Sie auf der Seite Version erstellen einen Versionsnamen wie "v1" ein und übernehmen Sie für alle anderen Felder die Standardeinstellungen. Klicken Sie auf Speichern.

gcloud

Im Zuge des Trainingsvorgangs mit dem integrierten Wide-and-Deep-Algorithmus wird die Datei deployment_config.yaml generiert, die das Bereitstellen Ihres Modells in AI Platform für Prognosen vereinfacht.

  1. Kopieren Sie die Datei in Ihr lokales Verzeichnis und rufen Sie ihren Inhalt auf:

    gsutil cp $JOB_DIR/model/deployment_config.yaml .
    cat deployment_config.yaml
    

    Ihre Datei deployment_config.yaml sollte in etwa so aussehen:

    deploymentUri: gs://[BUCKET_NAME]/algorithms_training/census_wide_deep_classification/model
    framework: TENSORFLOW
    labels:
      global_step: '1000'
      job_id: census_wide_deep_classification_20190227060114
      accuracy: '86'
    runtimeVersion: '1.12'
    
  2. Erstellen Sie das Modell und die Version in AI Platform:

    MODEL_NAME="${DATASET_NAME}_${ALGORITHM}_${MODEL_TYPE}"
    gcloud ai-platform models create $MODEL_NAME --regions $REGION
    
    # Create a model and a version using the file above.
    VERSION_NAME="v_${DATE}"
    
    gcloud ai-platform versions create $VERSION_NAME \
      --model $MODEL_NAME \
      --config deployment_config.yaml
    

    Das Erstellen der Version nimmt einige Minuten in Anspruch.

Onlinevorhersagen abrufen

Wenn Sie Vorhersagen anfordern, müssen die Eingabedaten genauso formatiert sein wie die Trainingsdaten. Vor dem Training bereitet AI Platform Ihre Daten durch Transformation in den in metadata.json angegebene Korpus vor.

Das TensorFlow Estimator-Modell wendet auf Ihre Eingabedaten eine ähnliche Vorverarbeitung an, bevor Vorhersagen ausgeführt werden.

  1. Laden Sie die Dateien mit den Trainingsartefakten herunter und prüfen Sie metadata.json:

    gsutil cp $JOB_DIR/artifacts/* .
    
    # Let's look at the metadata.json file
    head metadata.json
    
  2. Bereiten Sie die Vorhersageeingabe für eine Dateninstanz vor: Beachten Sie, dass Sie jede Dateninstanz als JSON-Objekt mit den folgenden Feldern angeben müssen:

    • csv_row – ein String mit einer durch Kommas getrennten Reihe von Merkmalen im gleichen Format wie die für das Training verwendeten Instanzen.
    • key – eine String-ID, die für jede Instanz eindeutig ist. Diese dient als Instanzschlüssel, der als Teil der Vorhersageausgabe angezeigt wird. Damit können Sie jede Vorhersage der entsprechenden Eingabeinstanz zuordnen.

      Dies ist für Batchvorhersagen erforderlich, da eine Batchvorhersage in einer zufälligen Reihenfolge die Eingabe verarbeitet und die Ausgabe speichert.

      Bei Onlinevorhersagen, bei denen die Ausgabe in der gleichen Reihenfolge wie in der bereitgestellten Eingabe erfolgt, sind Instanzschlüssel weniger wichtig. In diesem Beispiel wird nur eine Vorhersage für eine einzelne Instanz ausgeführt, sodass der Wert des Instanzschlüssels keine Rolle spielt.

    Zum Senden einer Onlinevorhersageanfrage mit dem gcloud-Befehlszeilentool wie in diesem Beispiel schreiben Sie jede Instanz in eine eigene Zeile in einer durch Zeilenumbruch getrennten JSON-Datei.

    Führen Sie die folgenden Befehle in Ihrem Terminal aus, um eine Eingabe für eine einzelne Instanz zu erstellen, die Sie an AI Platform Prediction senden können:

     # A sample record from census dataset. Ground truth is >50K
    RAW_DATA_POINT='44, Private, 160323, Some-college, 10, Married-civ-spouse, Machine-op-inspct, Husband, Black, Male, 7688, 0, 40, United-States'
    
     # Create a prediction request file
    echo "{\"csv_row\": \"$RAW_DATA_POINT\", \"key\": \"dummy-key\"}" > sample_input.json
    
    # Check the prediction request file.
    cat sample_input.json
    
  3. Senden Sie die Vorhersageanfrage:

    gcloud ai-platform predict \
      --model $MODEL_NAME \
      --version $VERSION_NAME \
      --json-instances sample_input.json
    

Höchstwahrscheinlich enthält die Vorhersageausgabe die Klasse >50K'. Dies bedeutet, dass das bereitgestellte Modell für die Person, deren Informationen Sie angegeben haben, ein Gehalt von mehr als 50.000 $ vorhersagt. Da das Training nicht deterministisch ist, kann Ihr Modell abweichen.

Über die Daten

Das in diesem Beispiel für das Training verwendete Census Income Data Set (Dataset zur Einkommenserhebung) wird vom UC Irvine Machine Learning Repository gehostet.

Erhebungsdaten mit freundlicher Genehmigung von: Lichman, M. (2013). UCI Machine Learning Repository http://archive.ics.uci.edu/ml. Irvine, CA: University of California, School of Information and Computer Science.

Weitere Informationen