Il servizio di formazione di AI Platform Training gestisce le risorse di calcolo nel cloud per addestrare i tuoi modelli. Questa pagina descrive il processo per addestrare un modello XGBoost utilizzando AI Platform Training.
Questo tutorial addestra un modello semplice per prevedere il livello di reddito di una persona in base al set di dati sul reddito censito. Puoi creare un'applicazione di addestramento localmente, caricarla su Cloud Storage e inviare un job di addestramento. Il servizio di addestramento AI Platform Training scrive l'output nel bucket Cloud Storage e crea i log in Logging.
Questi contenuti sono disponibili anche su GitHub come blocco note Jupyter.
Come addestrare il tuo modello su AI Platform Training
Puoi addestrare il tuo modello su AI Platform Training in tre passaggi:
- Crea il file del tuo modello Python.
- Aggiungi codice per scaricare i dati da Cloud Storage in modo che AI Platform Training possa utilizzarlo
- Aggiungi codice per esportare e salvare il modello in Cloud Storage dopo che AI Platform Training ha terminato
- prepara un pacchetto di applicazioni di addestramento
- invia il job di addestramento
Prima di iniziare
Completa i seguenti passaggi per configurare un account Google Cloud, attivare l'API AI Platform Training e installare e attivare Cloud SDK.
Configura il progetto Google Cloud
- Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.
-
Nella pagina del selettore di progetti della console Google Cloud, seleziona o crea un progetto Google Cloud.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API AI Platform Training & Prediction and Compute Engine.
- Installa Google Cloud CLI.
-
Per initialize gcloud CLI, esegui questo comando:
gcloud init
-
Nella pagina del selettore di progetti della console Google Cloud, seleziona o crea un progetto Google Cloud.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API AI Platform Training & Prediction and Compute Engine.
- Installa Google Cloud CLI.
-
Per initialize gcloud CLI, esegui questo comando:
gcloud init
configura l'ambiente
Scegli una delle opzioni seguenti per configurare il tuo ambiente localmente su macOS o in un ambiente remoto su Cloud Shell.
Per gli utenti di macOS, consigliamo di configurare l'ambiente utilizzando la scheda MACOS riportata di seguito. Cloud Shell, mostrato nella scheda CLOUD SHELL, è disponibile su macOS, Linux e Windows. Cloud Shell offre un modo rapido per provare AI Platform Training, ma non è adatto per il lavoro di sviluppo continuo.
macOS
-
Controlla l'installazione di Python
Assicurati di aver installato Python e, se necessario, installalo.python -V
-
Controlla l'installazione di
pip
pip
è il gestore di pacchetti di Python, incluso nelle versioni attuali di Python. Verifica sepip
è già installato eseguendopip --version
. In caso contrario, scopri come installarepip
.Puoi eseguire l'upgrade di
pip
utilizzando il seguente comando:pip install -U pip
Per ulteriori dettagli, consulta la documentazione pip.
-
Installa
virtualenv
virtualenv
è uno strumento per creare ambienti Python isolati. Controlla sevirtualenv
è già installato eseguendovirtualenv --version
. In caso contrario, installavirtualenv
:pip install --user --upgrade virtualenv
Per creare un ambiente di sviluppo isolato per questa guida, crea un nuovo ambiente virtuale in
virtualenv
. Ad esempio, il comando seguente attiva un ambiente denominatoaip-env
:virtualenv aip-env source aip-env/bin/activate
-
Ai fini di questo tutorial, esegui gli altri comandi all'interno del tuo ambiente virtuale.
Leggi ulteriori informazioni sull'utilizzo divirtualenv
. Per uscire davirtualenv
, eseguideactivate
.
Cloud Shell
-
Apri la console Google Cloud.
-
Fai clic sul pulsante Attiva Google Cloud Shell nella parte superiore della finestra della console.
All'interno di un nuovo frame nella parte inferiore della console si apre una sessione di Cloud Shell e viene visualizzato un prompt della riga di comando. L'inizializzazione della sessione della shell può richiedere alcuni secondi.
La sessione Cloud Shell è pronta per l'uso.
-
Configura lo strumento a riga di comando
gcloud
per utilizzare il progetto selezionato.gcloud config set project [selected-project-id]
dove
[selected-project-id]
è l'ID progetto. (Ometti le parentesi che lo contengono.)
Installa framework
macOS
All'interno del tuo ambiente virtuale, esegui questo comando per installare le versioni di scikit-learn, XGBoost e pandas utilizzate nella versione 2.11 di AI Platform Training:
(aip-env)$ pip install scikit-learn==1.0.2 xgboost==1.6.2 pandas==1.3.5
Se fornisci i numeri di versione nel comando precedente, ti assicuri che le dipendenze nel tuo ambiente virtuale corrispondano a quelle nella versione del runtime. Ciò aiuta a prevenire comportamenti imprevisti quando il codice viene eseguito su AI Platform Training.
Per ulteriori dettagli, opzioni di installazione e informazioni sulla risoluzione dei problemi, consulta le istruzioni di installazione per ciascun framework:
Cloud Shell
Esegui questo comando per installare scikit-learn, XGBoost e pandas:
pip install --user scikit-learn xgboost pandas
Per ulteriori dettagli, opzioni di installazione e informazioni sulla risoluzione dei problemi, consulta le istruzioni di installazione per ciascun framework:
Configura il bucket Cloud Storage
Per archiviare il codice di addestramento e le dipendenze, devi avere un bucket Cloud Storage. Ai fini di questo tutorial, è il modo più semplice per utilizzare un bucket Cloud Storage dedicato nello stesso progetto che utilizzi per AI Platform Training.
Se utilizzi un bucket in un altro progetto, devi assicurarti che l'account di servizio AI Platform Training possa accedere al codice di addestramento e alle dipendenze in Cloud Storage. Senza le autorizzazioni appropriate, il job di addestramento ha esito negativo. Scopri come concedere autorizzazioni per l'archiviazione.
Assicurati di utilizzare o configurare un bucket nella stessa regione che utilizzi per eseguire i job di addestramento. Vedi le regioni disponibili per i servizi di AI Platform Training.
Questa sezione mostra come creare un nuovo bucket. Puoi utilizzare un bucket esistente, ma deve trovarsi nella stessa regione in cui prevedi di eseguire job AI Platform. Inoltre, se non fa parte del progetto che stai utilizzando per eseguire AI Platform Training, devi concedere esplicitamente l'accesso agli account di servizio di AI Platform Training.
-
Specifica un nome per il nuovo bucket. Il nome deve essere univoco in tutti i bucket in Cloud Storage.
BUCKET_NAME="YOUR_BUCKET_NAME"
Ad esempio, utilizza il nome del progetto con l'aggiunta di
-aiplatform
:PROJECT_ID=$(gcloud config list project --format "value(core.project)") BUCKET_NAME=${PROJECT_ID}-aiplatform
-
Controlla il nome del bucket che hai creato.
echo $BUCKET_NAME
-
Seleziona una regione per il bucket e imposta una variabile di ambiente
REGION
.Utilizza la stessa regione in cui prevedi di eseguire job di AI Platform Training. Consulta le regioni disponibili per i servizi di AI Platform Training.
Ad esempio, il seguente codice crea
REGION
e lo imposta suus-central1
:REGION=us-central1
-
Crea il nuovo bucket:
gsutil mb -l $REGION gs://$BUCKET_NAME
Informazioni sui dati
Il set di dati sul reddito da censimento utilizzato in questo esempio per l'addestramento è ospitato dall'UC Irvine Machine Learning Repository.
Dati del censimento gentilmente concessi da: Lichman, M. (2013); Repository di machine learning UCI http://archive.ics.uci.edu/ml. Irvine, California: University of California, School of Information and Computer Science. Questo set di dati è disponibile pubblicamente per l'utilizzo in base ai seguenti termini forniti dall'origine del set di dati: http://archive.ics.uci.edu/ml e viene fornito "così com'è", senza alcuna garanzia, espressa o implicita, da parte di Google. Google esclude qualsiasi responsabilità per eventuali danni, diretti o indiretti, derivanti dall'uso del set di dati.
Per praticità, abbiamo ospitato i dati in un bucket Cloud Storage pubblico: gs://cloud-samples-data/ai-platform/sklearn/census_data/
, che puoi scaricare all'interno del file di addestramento Python.
Crea il file del modello Python
Puoi trovare tutto il codice di addestramento per questa sezione su GitHub:
train.py
.
Il resto di questa sezione fornisce una spiegazione della funzione del codice di addestramento.
Configurazione
Importa le seguenti librerie da Python, Google Cloud CLI, XGBoost e scikit-learn. Imposta una variabile per il nome del bucket Cloud Storage.
import xgboost as xgb
import pandas as pd
from sklearn.preprocessing import LabelEncoder
import subprocess
from google.cloud import storage
# Fill in your Cloud Storage bucket name
BUCKET_ID = <YOUR_BUCKET_NAME>
Scaricare i dati da Cloud Storage
Durante il tipico processo di sviluppo, carichi i tuoi dati in Cloud Storage in modo che AI Platform Training possa accedervi. I dati per questo tutorial sono ospitati in un bucket pubblico: gs://cloud-samples-data/ai-platform/sklearn/census_data/
Il codice seguente scarica il set di dati di addestramento adult.data
. I dati di valutazione sono disponibili in adult.test
, ma non vengono utilizzati in questo tutorial.
Aggiungi il codice del tuo modello
Il codice di addestramento del modello prevede alcuni passaggi di base:
- Definisci e carica i dati
- Convertire gli elementi categorici in elementi numerici
- Estrai caratteristiche numeriche con una pipeline scikit-learn
- Esporta e salva il modello in Cloud Storage
Definisci e carica i dati
Convertire gli elementi categorici in elementi numerici
Addestra, esporta e salva il modello in Cloud Storage
Se il bucket Cloud Storage si trova nello stesso progetto che utilizzi per AI Platform Training, AI Platform Training potrà leggere e scrivere nel bucket. In caso contrario, devi assicurarti che il progetto che utilizzi per eseguire AI Platform Training possa accedere al bucket Cloud Storage. Scopri come concedere autorizzazioni per lo spazio di archiviazione.
Assicurati di assegnare al file del modello il nome model.pkl
, model.joblib
o
model.bst
se vuoi utilizzarlo per richiedere previsioni online con AI Platform Prediction.
(Facoltativo) Verificare il caricamento del file del modello in Cloud Storage
Nella riga di comando, visualizza i contenuti della cartella del modello di destinazione per verificare che il file del modello sia stato caricato in Cloud Storage. Imposta una variabile di ambiente (BUCKET_ID
) per il nome del bucket, se non l'hai già fatto.
gsutil ls gs://$BUCKET_ID/census_*
L'output dovrebbe essere simile al seguente:
gs://[YOUR-PROJECT-ID]/census_[DATE]_[TIME]/model.bst
Crea pacchetto di applicazioni di addestramento
Il modo più semplice (e consigliato) per creare un pacchetto di applicazioni di addestramento utilizza gcloud
per pacchettizzare e caricare l'applicazione quando invii il job di addestramento. Questo metodo consente di creare una struttura di file molto semplice con solo due file. Per questo tutorial, la struttura dei file del pacchetto dell'applicazione di addestramento dovrebbe essere simile alla seguente:
census_training/
__init__.py
train.py
Crea una directory in locale:
mkdir census_training
Crea un file vuoto denominato
__init__.py
:touch census_training/__init__.py
Salva il codice di addestramento in un unico file Python, quindi salva il file all'interno della directory
census_training
. Vedi il codice di esempio pertrain.py
. Puoi utilizzarecURL
per scaricare e salvare il file:curl https://raw.githubusercontent.com/GoogleCloudPlatform/cloudml-samples/master/xgboost/notebooks/census_training/train.py > census_training/train.py
Scopri di più sulla presentazione di un'applicazione di addestramento.
Invia job di addestramento
In questa sezione utilizzerai gcloud ai-platform jobs submit training
per inviare il job di addestramento.
Specifica i parametri del job di addestramento
Imposta le seguenti variabili di ambiente per ogni parametro nella richiesta di job di addestramento:
PROJECT_ID
: utilizza il PROJECT_ID che corrisponde al tuo progetto Google Cloud.BUCKET_ID
: il nome del tuo bucket Cloud Storage.JOB_NAME
: un nome da utilizzare per il job (solo lettere maiuscole e minuscole, numeri e trattini bassi, che iniziano con una lettera). In questo caso:census_training_$(date +"%Y%m%d_%H%M%S")
JOB_DIR
: il percorso di una località Cloud Storage da utilizzare per i file di output del job di addestramento. Ad esempio,gs://$BUCKET_ID/xgboost_job_dir
.TRAINING_PACKAGE_PATH
: il percorso locale della directory root dell'applicazione di addestramento. In questo caso:./census_training/
.MAIN_TRAINER_MODULE
- Specifica il file che deve essere eseguito dal servizio di addestramento AI Platform Training. Il formato è[YOUR_FOLDER_NAME.YOUR_PYTHON_FILE_NAME]
. In questo caso,census_training.train
.REGION
: il nome della regione che utilizzi per eseguire il job di addestramento. Utilizza una delle regioni disponibili per il servizio di formazione di AI Platform Training. Assicurati che il bucket Cloud Storage si trovi nella stessa regione. Questo tutorial utilizzaus-central1
.RUNTIME_VERSION
: devi specificare una versione del runtime di AI Platform Training che supporti scikit-learn. In questo esempio,2.11
.PYTHON_VERSION
: la versione Python da utilizzare per il job. Per questo tutorial, specifica Python 3.7.SCALE_TIER
: una specifica predefinita del cluster per le macchine su cui eseguire il job di addestramento. In questo caso,BASIC
. Puoi anche utilizzare livelli di scalabilità personalizzati per definire la tua configurazione del cluster per l'addestramento.
Per comodità, le variabili di ambiente per questo tutorial sono riportate di seguito.
Sostituisci [VALUES-IN-BRACKETS]
con i valori appropriati:
PROJECT_ID=[YOUR-PROJECT-ID]
BUCKET_ID=[YOUR-BUCKET-ID]
JOB_NAME=census_training_$(date +"%Y%m%d_%H%M%S")
JOB_DIR=gs://$BUCKET_ID/xgboost_job_dir
TRAINING_PACKAGE_PATH="[YOUR-LOCAL-PATH-TO-TRAINING-PACKAGE]/census_training/"
MAIN_TRAINER_MODULE=census_training.train
REGION=us-central1
RUNTIME_VERSION=2.11
PYTHON_VERSION=3.7
SCALE_TIER=BASIC
Invia la richiesta:
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
Dovresti vedere un output simile al seguente:
Job [census_training_[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 census_training_20180718_160825 or continue streaming the logs with the command $ gcloud ai-platform jobs stream-logs census_training_[DATE]_[TIME] jobId: census_training_[DATE]_[TIME] state: QUEUED
(Facoltativo) Visualizzazione dei log di addestramento
AI Platform Training acquisisce tutti i flussi stdout
e stderr
e le istruzioni di logging. Questi log, archiviati in Logging, sono visibili durante e dopo l'esecuzione.
Per visualizzare i log per il job di addestramento:
Console
Apri la pagina Job di AI Platform Training.
Seleziona il nome del job di addestramento da ispezionare. Viene visualizzata la pagina Dettagli job per il job di addestramento selezionato.
Nei dettagli del job, seleziona il link Visualizza log. Viene visualizzata la pagina Logging, dove puoi cercare e filtrare i log per il job di addestramento selezionato.
gcloud
Puoi visualizzare i log nel tuo terminale con
gcloud ai-platform jobs stream-logs
.
gcloud ai-platform jobs stream-logs $JOB_NAME
Passaggi successivi
- Ricevi previsioni online con XGBoost su AI Platform Training.
- Scopri come utilizzare i livelli di scalabilità personalizzati per definire la tua configurazione del cluster per l'addestramento.