Esegui la migrazione delle routine di previsione personalizzate a Vertex AI

Questa pagina descrive come eseguire la migrazione dei deployment di Custom Prediction Routine (CPR) da AI Platform a Vertex AI.

Nello specifico, a partire da un deployment di CPR su AI Platform, questa pagina mostra come:

Prima di iniziare

  • Assicurati che sia installato il software seguente:

  • Avere gli elementi del modello e il codice personalizzato del tuo deployment di CPR sulla piattaforma AI di cui vuoi eseguire la migrazione a Vertex AI.

  • Avere un bucket Cloud Storage per archiviare gli artefatti del modello.

  • Assicurati che l'API Vertex AI sia abilitata nel tuo progetto.

    Abilita l'API Vertex AI

Prepara la cartella di origine per il deployment di Vertex AI

  1. Crea una cartella locale denominata model_artifacts e copia gli elementi del modello dall'implementazione del CPR su AI Platform. Devono essere dello stesso modello gli artefatti specificati in deployment_uri (o --origin se hai utilizzato gcloud) quando hai eseguito il deployment del tuo CPR nel modello AI Platform.

  2. Crea una cartella locale denominata cpr_src_dir. Questa cartella conterrà i pacchetti di distribuzione delle origini adapter.py e requirements.txt (descritti di seguito) utilizzati per creare il contenitore personalizzato per il deployment su Vertex AI.

  3. Copia tutti i pacchetti forniti in package_uris. quando hai eseguito il deployment del CPR su AI Platform, incluso quello che contiene il corso Predictor.

  4. Crea un file adapter.py contenente la classe AdapterPredictor (definita di seguito) e imposta PREDICTION_CLASS sul nome completo del tuo Predictor corso. Questo valore è uguale a prediction_class quando hai eseguito il deployment il tuo CPR su AI Platform.

    L'adattatore inserisce il CPR nell'interfaccia Predictor di AI Platform in modo che sia compatibile con il CPR nell'interfaccia di Vertex AI.

    import pydoc

from google.cloud.aiplatform.utils import prediction_utils
from google.cloud.aiplatform.prediction.predictor import Predictor

# Fully qualified name of your CPR on CAIP Predictor class.
PREDICTION_CLASS = "predictor.MyPredictor"

class AdapterPredictor(Predictor):
  """Predictor implementation for adapting CPR on CAIP predictors."""

  def __init__(self):
      return

  def load(self, artifacts_uri: str):
      """Loads the model artifact.

      Args:
          artifacts_uri (str):
              Required. The model artifacts path (may be local or on Cloud Storage).
      """
      prediction_utils.download_model_artifacts(artifacts_uri)
      custom_class = pydoc.locate(PREDICTION_CLASS)
      self._predictor = custom_class.from_path(".")

  def predict(self, instances):
      """Performs prediction.

      Args:
          instances (Any):
              Required. The instance(s) used for performing prediction.

      Returns:
          Prediction results.
      """
      return self._predictor.predict(**instances)

  5. Crea un file requirements.txt contenente le dipendenze del modello, ad esempio:

    # Required for model serving
google-cloud-storage>=1.26.0,<2.0.0dev
google-cloud-aiplatform[prediction]>=1.16.0

# ML dependencies
numpy>=1.16.0
scikit-learn==0.20.2

    La prima sezione elenca le dipendenze necessarie per la pubblicazione del modello.

    La seconda sezione elenca i pacchetti di machine learning richiesti per il servizio di modelli (ad esempio scikit-learn, xgboost e TensorFlow). Assicurati di installare la stessa versione di queste librerie indicata per la versione di runtime che hai scelto quando hai eseguito il deployment della versione del modello in precedenza.

  6. Installa le dipendenze nel tuo ambiente locale:

    pip install -U --user -r cpr_src_dir/requirements.txt

Carica gli elementi del modello in Cloud Storage

Carica gli elementi del modello in Cloud Storage:

gcloud storage cp model_artifacts/* gs://BUCKET_NAME/MODEL_ARTIFACT_DIR

Configurare Artifact Registry

Artifact Registry viene utilizzato per archiviare e gestire le immagini container Docker.

  1. Assicurati di aver attivato l'API Artifact Registry nel tuo progetto.

    Abilita l'API Artifact Registry

  2. Crea il tuo repository se non ne hai già uno.

    gcloud artifacts repositories create {REPOSITORY} \
    --repository-format=docker \
    --location={REGION}

  3. Prima di eseguire il push o il pull delle immagini, configura Docker in modo che utilizzi Google Cloud CLI per autenticare le richieste ad Artifact Registry.

    gcloud auth configure-docker {REGION}-docker.pkg.dev

Crea, testa ed esegui il deployment del tuo container personalizzato

Il seguente script Python mostra come creare, testare ed eseguire il deployment del contenitore personalizzato utilizzando le API nell'SDK Vertex AI. Assicurati di impostare le variabili nella parte superiore dello script.

import json
import logging
import os

from google.cloud import aiplatform
from google.cloud.aiplatform.prediction import LocalModel
from cpr_src_dir.adapter import AdapterPredictor

##########################################################################
# CONFIGURE THE FOLLOWING
##########################################################################
# We recommend that you choose the region closest to you.
REGION = …
# Your project ID.
PROJECT_ID = …
# Name of the Artifact Repository to create or use.
REPOSITORY = …
# Name of the container image that will be pushed.
IMAGE = …
# Cloud Storage bucket where your model artifacts will be stored.
BUKCET_NAME = …
# Directory within the bucket where your model artifacts are stored.
MODEL_ARTIFACT_DIR = …
# Your model's input instances.
INSTANCES = …

##########################################################################
# Build the CPR custom container
##########################################################################
local_model = LocalModel.build_cpr_model(
    "cpr_src_dir",
    f"{REGION}-docker.pkg.dev/{PROJECT_ID}/{REPOSITORY}/{IMAGE}",
    predictor=AdapterPredictor,
    requirements_path="cpr_src_dir/requirements.txt",
    extra_packages=["cpr_src_dir/my_custom_code-0.1.tar.gz"],
)

##########################################################################
# Run and test the custom container locally
##########################################################################
logging.basicConfig(level=logging.INFO)

local_endpoint =
       local_model.deploy_to_local_endpoint(artifact_uri="model_artifacts")
local_endpoint.serve()

health_check_response = local_endpoint.run_health_check()

predict_response = local_endpoint.predict(
        request=json.dumps({"instances": INSTANCES}),
        headers={"Content-Type": "application/json"},
    )

local_endpoint.stop()

print(predict_response, predict_response.content)
print(health_check_response, health_check_response.content)
local_endpoint.print_container_logs(show_all=True)

##########################################################################
# Upload and deploy to Vertex
##########################################################################
local_model.push_image()

model = aiplatform.Model.upload(\
    local_model=local_model,
    display_name=MODEL_DISPLAY_NAME,
    artifact_uri=f"gs://{BUKCET_NAME}/{MODEL_ARTIFACT_DIR}",
)

endpoint = model.deploy(machine_type="n1-standard-4")

endpoint.predict(instances=INSTANCES)

Scopri di più su Vertex AI Prediction.