Diese Legacy-Version von AI Platform Training wurde verworfen und ist nach dem 31. Januar 2025 nicht mehr in Google Cloud verfügbar. Migrieren Sie Ihre Ressourcen zum benutzerdefinierten Vertex AI-Training, um neue Features für maschinelles Lernen zu erhalten, die in der AI Platform nicht verfügbar sind.

ML-Modell mit scikit-learn und XGBoost trainieren

Der AI Platform-Trainingsdienst verwaltet die Rechenressourcen in der Cloud für das Training Ihrer Modelle. Auf dieser Seite wird das Verfahren zum Trainieren eines Modells mit scikit-learn und XGBoost in AI Platform Training beschrieben.

Überblick

In dieser Anleitung trainieren Sie mit dem Iris-Dataset ein einfaches Modell zur Vorhersage von Blumenarten. Nachdem Sie Ihren Modelltrainingscode so angepasst haben, dass Daten aus Cloud Storage heruntergeladen und Ihre gespeicherte Modelldatei in Cloud Storage hochgeladen werden, erstellen Sie ein Trainingsanwendungspaket und verwenden es, um Trainings in AI Platform Training durchzuführen.

Modell in AI Platform Training trainieren

Nach der Ersteinrichtung können Sie Ihr Modell in AI Platform Training in drei Schritten trainieren:

Python-Trainingsmodul erstellen
- Sie fügen Code zum Herunterladen Ihrer Daten aus Cloud Storage hinzu, damit AI Platform Training sie verwenden kann.
- Sie fügen Code hinzu, um das Modell nach Cloud Storage zu exportieren und dort zu speichern, wenn das Training in AI Platform Training beendet ist.
Trainingsanwendungspaket vorbereiten
Trainingsjob senden

Die Ersteinrichtung umfasst die Erstellung eines Google Cloud-Projekts, die Aktivierung der Abrechnung und von APIs, die Einrichtung eines Cloud Storage-Buckets für AI Platform Training und die lokale Installation von scikit-learn oder XGBoost. Wenn Sie bereits alles eingerichtet und installiert haben, fahren Sie mit Modelltrainingscode erstellen fort.

Hinweise

Führen Sie die folgenden Schritte aus, um ein GCP-Konto einzurichten, die AI Platform Training API zu aktivieren und das Cloud SDK zu installieren und zu aktivieren.

GCP-Projekt einrichten

Melden Sie sich bei Ihrem Google Cloud-Konto an. Wenn Sie mit Google Cloud noch nicht vertraut sind, erstellen Sie ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.

Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.

Zur Projektauswahl

Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.

AI Platform Training & Prediction and Compute Engine APIs aktivieren.

Aktivieren Sie die APIs

Installieren Sie die Google Cloud CLI.

Führen Sie folgenden Befehl aus, um die gcloud CLI zu initialisieren:

gcloud init

Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.

Zur Projektauswahl

Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.

AI Platform Training & Prediction and Compute Engine APIs aktivieren.

Aktivieren Sie die APIs

Installieren Sie die Google Cloud CLI.

Führen Sie folgenden Befehl aus, um die gcloud CLI zu initialisieren:

gcloud init

Umgebung einrichten

Wählen Sie eine der folgenden Optionen aus, um Ihre Umgebung entweder lokal auf macOS oder in einer Remote-Umgebung in Cloud Shell einzurichten.

Nutzern von macOS wird empfohlen, ihre Umgebung mit dem folgenden MACOS-Tab einzurichten. Cloud Shell ist unter macOS, Linux und Windows verfügbar. Die entsprechende Anleitung finden Sie auf dem Tab CLOUD SHELL. Cloud Shell bietet eine schnelle Möglichkeit für den Test von AI Platform Training, eignet sich jedoch nicht für fortlaufende Entwicklungsarbeiten.

macOS

Python-Installation prüfen.
Prüfen Sie, ob Python installiert ist, und installieren Sie es gegebenenfalls.
```
python -V
```
pip-Installation prüfen.
pip ist der Paketmanager von Python, der in aktuellen Versionen von Python enthalten ist. Prüfen Sie, ob Sie pip bereits installiert haben. Dazu führen Sie pip --version aus. Ist das nicht der Fall, lesen Sie die Anleitung zum Installieren von pip.

Mit diesem Befehl können Sie ein Upgrade von pip ausführen:
```
pip install -U pip
```
Weitere Informationen finden Sie in der Dokumentation zu pip.
virtualenv installieren
virtualenv ist ein Tool, mit dem sich isolierte Python-Umgebungen erstellen lassen. Prüfen Sie, ob Sie virtualenv bereits installiert haben. Dazu führen Sie virtualenv --version aus. Ist dies nicht der Fall, installieren Sie virtualenv:
```
pip install --user --upgrade virtualenv
```
Zur Einrichtung einer isolierten Entwicklungsumgebung für diese Anleitung erstellen Sie in virtualenv eine neue virtuelle Umgebung. Mit dem folgenden Befehl wird beispielsweise eine Umgebung mit dem Namen aip-env aktiviert:
```
virtualenv aip-env
source aip-env/bin/activate
```
Führen Sie für diese Anleitung die übrigen Befehle in Ihrer virtuellen Umgebung aus.
Hier finden Sie weitere Informationen zur Verwendung von virtualenv. Zum Beenden von virtualenv führen Sie deactivate aus.

Cloud Shell

Öffnen Sie die Google Cloud Console.

Google Cloud Console
Klicken Sie oben auf Cloud Shell aktivieren.

In einem neuen Frame im unteren Teil der Console wird eine Cloud Shell-Sitzung geöffnet und darin eine Eingabeaufforderung angezeigt. Die Initialisierung der Shell-Sitzung kann einige Sekunden dauern.

Die Cloud Shell-Sitzung kann jetzt verwendet werden.
Konfigurieren Sie das gcloud-Befehlszeilentool für die Verwendung des ausgewählten Projekts.
```
gcloud config set project [selected-project-id]
```
Dabei ist [selected-project-id] Ihre Projekt-ID. Diese geben Sie ohne die Klammern ein.

Frameworks installieren

macOS

Führen Sie in Ihrer virtuellen Umgebung den folgenden Befehl aus, um die Versionen von scikit-learn, XGBoost und pandas zu installieren, die in der Laufzeitversion 2.11 von AI Platform Training verwendet werden:

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

Durch die Angabe von Versionsnummern im vorherigen Befehl sorgen Sie dafür, dass die Abhängigkeiten in Ihrer virtuellen Umgebung mit den Abhängigkeiten in der Laufzeitversion übereinstimmen. Dies verhindert unerwartetes Verhalten, wenn Ihr Code in AI Platform Training ausgeführt wird.

Weitere Informationen, Hinweise zu weiteren Installationsoptionen und Informationen zur Fehlerbehebung finden Sie in den Installationsanleitungen für die einzelnen Frameworks:

Cloud Shell

Führen Sie den folgenden Befehl aus, um scikit-learn, XGBoost und pandas zu installieren:

pip install --user scikit-learn xgboost pandas

Weitere Informationen, Hinweise zu weiteren Installationsoptionen und Informationen zur Fehlerbehebung finden Sie in den Installationsanleitungen für die einzelnen Frameworks:

Cloud Storage-Bucket einrichten

Sie benötigen einen Cloud Storage-Bucket, um Trainingscode und Abhängigkeiten zu speichern. Für diese Anleitung ist es am einfachsten, wenn Sie einen dedizierten Cloud Storage-Bucket im selben Projekt wie AI Platform Training verwenden.

Wenn Sie einen Bucket in einem anderen Projekt verwenden, müssen Sie dafür sorgen, dass Ihr AI Platform Training-Dienstkonto auf Ihren Trainingscode und Ihre Abhängigkeiten in Cloud Storage zugreifen kann. Ohne die entsprechenden Berechtigungen wird der Trainingsjob nicht ordnungsgemäß ausgeführt. Hier erfahren Sie, wie Sie Berechtigungen für den Speicher erteilen.

Achten Sie darauf, dass Sie einen Bucket in der Region verwenden oder einrichten, in der Sie auch die Trainingsjobs ausführen. Hier finden Sie die Regionen, in denen AI Training Platform-Dienste verfügbar sind.

In diesem Abschnitt erfahren Sie, wie Sie einen neuen Bucket erstellen. Sie können auch einen vorhandenen Bucket verwenden. Dieser muss sich aber in der Region befinden, in der Sie AI Platform-Jobs ausführen. Hinzu kommt: Wenn der Bucket nicht in dem Projekt ist, das Sie für die Ausführung von AI Platform Training verwenden, müssen Sie den AI Platform Training-Dienstkonten explizit Zugriff gewähren.

Geben Sie einen Namen für den neuen Bucket an. Der Name muss sich von allen anderen Bucket-Namen in Cloud Storage unterscheiden:
```
BUCKET_NAME="YOUR_BUCKET_NAME"
```
Verwenden Sie beispielsweise den Projektnamen mit angehängtem -aiplatform:
```
PROJECT_ID=$(gcloud config list project --format "value(core.project)")
BUCKET_NAME=${PROJECT_ID}-aiplatform
```
Prüfen Sie den erstellten Bucketnamen.
```
echo $BUCKET_NAME
```
Wählen Sie eine Region für den Bucket aus und legen Sie eine Umgebungsvariable REGION fest.

Verwenden Sie die Region, in der Sie auch AI Platform Training-Jobs ausführen möchten. Hier finden Sie die Regionen, in denen AI Platform Training-Dienste verfügbar sind.

Mit dem folgenden Code wird beispielsweise REGION erstellt und auf us-central1 festgelegt:
```
REGION=us-central1
```
Erstellen Sie den neuen Bucket:
```
gsutil mb -l $REGION gs://$BUCKET_NAME
```

Python-Trainingsmodul erstellen

Erstellen Sie eine Datei namens iris_training.py, die den Code zum Trainieren Ihres Modells enthält. In diesem Abschnitt werden die Aufgaben der einzelnen Abschnitte des Trainingscodes erläutert:

Einrichtung und Importe
Herunterladen der Daten aus Cloud Storage
Laden der Daten in Pandas
Trainieren und Speichern des Modells
Hochladen der Datei mit dem gespeicherten Modell zu Cloud Storage

Der Einfachheit halber ist der gesamte Code für iris_training.py auf GitHub gehostet und kann für diese Anleitung verwendet werden:

Einrichtung

Importieren Sie die folgenden Bibliotheken aus Python und scikit-learn bzw. XGBoost. Legen Sie eine Variable für den Namen Ihres Cloud Storage-Buckets fest.

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>'

Daten von Cloud Storage herunterladen

Im Rahmen eines typischen Entwicklungsprozesses laden Sie Ihre Daten in Cloud Storage hoch, damit AI Platform Training darauf zugreifen kann. Die Daten für diese Anleitung werden in einem öffentlichen Cloud Storage-Bucket gehostet: gs://cloud-samples-data/ai-platform/iris/.

Mit dem folgenden Code lassen sich die Daten mit gsutil herunterladen und dann von gsutil an stdout weiterleiten:

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)

Daten in Pandas laden

Verwenden Sie Pandas, um für das Training mit scikit-learn oder XGBoost Ihre Daten in NumPy-Arrays zu laden.

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,))

Modell trainieren und speichern

Erstellen Sie ein Trainingsmodul zur Ausführung von AI Platform Training. In diesem Beispiel wird mit dem Trainingsmodul ein Modell mit den Iris-Trainingsdaten (iris_data und iris_target) trainiert und das trainierte Modell gespeichert. Dazu wird es in eine Datei exportiert. Wenn Sie über AI Platform Prediction Onlinevorhersagen nach dem Training erhalten möchten, müssen Sie Ihre Modelldatei entsprechend der Bibliothek benennen, die Sie zum Exportieren verwenden. Weitere Informationen zu den Anforderungen für die Benennung Ihrer Modelldatei.

scikit-learn

Gemäß dem scikit-learn-Beispiel zur Modellpersistenz können Sie ein Modell so trainieren und exportieren:

# 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)

Sie haben auch die Möglichkeit, die Pickle-Bibliothek zu verwenden, um das Modell zu exportieren:

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

XGBoost

Sie können das Modell mithilfe der Methode "save_model" des Booster-Objekts exportieren.

# 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)

Sie haben auch die Möglichkeit, die Pickle-Bibliothek zu verwenden, um das Modell zu exportieren:

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

Anforderungen an die Benennung von Modelldateien

Bei Onlinevorhersagen muss je nach verwendeter Bibliothek die gespeicherte Modelldatei, die Sie in Cloud Storage hochladen, einen der folgenden Namen haben: model.pkl, model.joblib oder model.bst. Diese Einschränkung sorgt dafür, dass AI Platform Prediction zur Modellrekonstruktion beim Importieren das gleiche Muster verwendet, das auch beim Exportieren verwendet wurde.

Die Anforderung gilt nicht, wenn Sie eine benutzerdefinierte Vorhersageroutine (Beta) erstellen.

scikit-learn

Zum Exportieren des Modells verwendete Bibliothek	Korrekter Modellname
`pickle`	`model.pkl`
`sklearn.externals.joblib`	`model.joblib`

XGBoost

Zum Exportieren des Modells verwendete Bibliothek	Korrekter Modellname
`pickle`	`model.pkl`
`joblib`	`model.joblib`
`xgboost.Booster`	`model.bst`

Organisieren Sie bei zukünftigen Iterationen Ihres Modells den Cloud Storage-Bucket so, dass jedes neue Modell ein eigenes Verzeichnis hat.

Gespeichertes Modell in Cloud Storage hochladen

Wenn Sie einen Cloud Storage-Bucket außerhalb des Google Cloud-Projekts verwenden, das Sie zum Ausführen von AI Platform Training verwenden, sorgen Sie dafür, dass AI Platform Training Zugriff auf Ihren Bucket hat.

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)

Trainingsanwendungspaket erstellen

Wenn Sie iris_training.py mit den oben gezeigten Snippets erstellt haben, erstellen Sie ein Trainingsanwendungspaket und fügen iris_training.py als Hauptmodul ein.

Die einfachste (und empfohlene) Methode zum Erstellen eines Trainingsanwendungspakets besteht darin, die Anwendung mit gcloud zu verpacken und hochzuladen, wenn Sie den Trainingsjob senden. Bei dieser Methode erstellen Sie eine sehr einfache Dateistruktur mit zwei Dateien.

scikit-learn

Für den Zweck dieser Anleitung sollte das Trainingsanwendungspaket in etwa so aussehen:

iris_sklearn_trainer/
    __init__.py
    iris_training.py

Erstellen Sie in der Befehlszeile lokal ein Verzeichnis:
```
mkdir iris_sklearn_trainer
```
Erstellen Sie eine leere Datei mit dem Namen __init__.py:
```
touch iris_sklearn_trainer/__init__.py
```
Speichern Sie den Trainingscode als iris_training.py und speichern Sie diese Datei im Verzeichnis iris_sklearn_trainer. Alternativ können Sie mit cURL die Datei von GitHub herunterladen und speichern:
```
curl https://raw.githubusercontent.com/GoogleCloudPlatform/cloudml-samples/master/sklearn/iris_training.py > iris_sklearn_trainer/iris_training.py
```
Sehen Sie sich den vollständigen Quellcode auf GitHub an.
Überprüfen Sie, ob Ihr Trainingsanwendungspaket ordnungsgemäß eingerichtet ist:
```
ls ./iris_sklearn_trainer
  __init__.py  iris_training.py
```

XGBoost

Für den Zweck dieser Anleitung sollte das Trainingsanwendungspaket in etwa so aussehen:

iris_xgboost_trainer/
    __init__.py
    iris_training.py

Erstellen Sie in der Befehlszeile lokal ein Verzeichnis:
```
mkdir iris_xgboost_trainer
```
Erstellen Sie eine leere Datei mit dem Namen __init__.py:
```
touch iris_xgboost_trainer/__init__.py
```
Speichern Sie den Trainingscode als iris_training.py und speichern Sie diese Datei im Verzeichnis iris_xgboost_trainer. Alternativ können Sie mit cURL die Datei von GitHub herunterladen und speichern:
```
curl https://raw.githubusercontent.com/GoogleCloudPlatform/cloudml-samples/master/xgboost/iris_training.py > iris_xgboost_trainer/iris_training.py
```
Sehen Sie sich den vollständigen Quellcode auf GitHub an.
Überprüfen Sie, ob Ihr Trainingsanwendungspaket ordnungsgemäß eingerichtet ist:
```
ls ./iris_xgboost_trainer
  __init__.py  iris_training.py
```

Weitere Informationen zum Verpacken einer Trainingsanwendung.

Trainingsanwendung lokal ausführen

Mit dem Befehl gcloud ai-platform local train können Sie Ihre Trainingsanwendung lokal testen. Dieser Schritt ist optional, aber nützlich für die Fehlerbehebung.

scikit-learn

Legen Sie in der Befehlszeile die folgenden Umgebungsvariablen fest und ersetzen Sie [VALUES-IN-BRACKETS] durch die entsprechenden Werte:

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

Testen Sie Ihren Trainingsjob lokal:

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

XGBoost

Legen Sie in der Befehlszeile die folgenden Umgebungsvariablen fest und ersetzen Sie [VALUES-IN-BRACKETS] durch die entsprechenden Werte:

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

Testen Sie Ihren Trainingsjob lokal:

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

Trainingsjob senden

In diesem Abschnitt senden Sie den Trainingsjob mit gcloud ai-platform jobs submit training.

Parameter für Trainingsjob festlegen

Legen Sie für jeden Parameter in Ihrer Trainingsjobanfrage die folgenden Umgebungsvariablen fest:

BUCKET_NAME: Der Name Ihres Cloud Storage-Buckets
JOB_NAME: Der für den Job zu verwendende, mit einem Buchstaben beginnende Name, bestehend aus Groß- und Kleinbuchstaben, Ziffern und Unterstrichen. Beispiel: iris_scikit_learn_$(date +"%Y%m%d_%H%M%S")oder iris_xgboost_$(date +"%Y%m%d_%H%M%S").
JOB_DIR: Der Pfad zu einem Cloud Storage-Speicherort, der für die Ausgabedateien des Trainingsjobs verwendet werden soll. Beispiel: gs://$BUCKET_NAME/scikit_learn_job_dir oder gs://$BUCKET_NAME/xgboost_job_dir.
TRAINING_PACKAGE_PATH: Der lokale Pfad zum Stammverzeichnis der Trainingsanwendung, Beispiel: ./iris_sklearn_trainer/ oder ./iris_xgboost_trainer/.
MAIN_TRAINER_MODULE: die Datei, die der Trainingsdienst von AI Platform Training ausführen soll. Das Format sieht so aus: [YOUR_FOLDER_NAME.YOUR_PYTHON_FILE_NAME]. Beispiel: iris_sklearn_trainer.iris_training oder iris_xgboost_trainer.iris_training.
REGION: Der Name der Region, in der Sie den Trainingsjob ausführen. Verwenden Sie dafür eine der verfügbaren Regionen für den Trainingsdienst von AI Platform Training. Achten Sie darauf, dass sich der Cloud Storage-Bucket in derselben Region befindet.
RUNTIME_VERSION: Sie müssen eine AI Platform Training-Laufzeitversion angeben, die scikit-learn unterstützt, in diesem Beispiel 2.11.
PYTHON_VERSION: Die für den Job zu verwendende Python-Version; Geben Sie für diese Anleitung Python 3.7 an.
SCALE_TIER: Eine vordefinierte Clusterspezifikation für Rechner, auf denen der Trainingsjob ausgeführt werden soll. In diesem Fall BASIC. Sie können mit benutzerdefinierten Skalierungsstufen auch eine eigene Clusterkonfiguration für das Training definieren.

Die Umgebungsvariablen für diese Anleitung sind unten aufgeführt.

scikit-learn

Ersetzen Sie [VALUES-IN-BRACKETS] dabei durch die entsprechenden Werte:

    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

Ersetzen Sie [VALUES-IN-BRACKETS] dabei durch die entsprechenden Werte:

    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

Senden Sie die Trainingsjobanfrage:

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

Die Ausgabe sollte in etwa so aussehen:

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

Trainingslogs ansehen (optional)

AI Platform Training erfasst alle Streams und Logberichte von stdout und stderr. Diese Logs werden in Stackdriver Logging gespeichert und sind sowohl während als auch nach der Ausführung sichtbar.

So zeigen Sie die Logs für Ihren Trainingsjob an:

Console

Rufen Sie die AI Platform Training-Seite Jobs auf.

Jobs in der Google Cloud Console öffnen
Wählen Sie den Namen des zu prüfenden Trainingsjobs aus. Dadurch gelangen Sie zur Seite Jobdetails für den ausgewählten Trainingsjob.
Klicken Sie in den Jobdetails auf den Link Logs ansehen. Sie werden zur Logging-Seite weitergeleitet, auf der Sie Logs für den ausgewählten Trainingsjob suchen und filtern können.

gcloud

Mit gcloud ai-platform jobs stream-logs können Sie Logs in Ihrem Terminal aufrufen:

gcloud ai-platform jobs stream-logs $JOB_NAME

Modelldatei in Cloud Storage prüfen

Sehen Sie sich den Inhalt des Zielordners für das Modell an, um zu überprüfen, ob die Datei mit dem gespeicherten Modell in Cloud Storage hochgeladen wurde.

gsutil ls gs://$BUCKET_NAME/iris_*

Beispielausgabe:

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

Nächste Schritte

Onlinevorhersagen mit scikit-learn in AI-Platform Training abrufen
Benutzerdefinierte Skalierungsstufen verwenden, um eine eigene Clusterkonfiguration für das Training zu definieren