Questa pagina mostra come eseguire un'applicazione di addestramento TensorFlow Keras su Vertex AI. Questo particolare modello addestra un modello di classificazione delle immagini che può classificare i fiori per tipo.
Questo tutorial è composto da diverse pagine:Addestramento di un modello di classificazione delle immagini personalizzato.
Fornitura di previsioni da un modello di classificazione delle immagini personalizzato.
Ogni pagina presuppone che tu abbia già eseguito le istruzioni dalle pagine precedenti del tutorial.
La parte restante di questo documento presuppone che tu stia utilizzando lo stesso ambiente Cloud Shell creato durante la prima pagina di questo tutorial. Se la sessione di Cloud Shell originale non è più aperta, puoi tornare all'ambiente seguendo questi passaggi:-
Nella console Google Cloud, attiva Cloud Shell.
-
Nella sessione di Cloud Shell, esegui questo comando:
cd hello-custom-sample
Esegui una pipeline di addestramento personalizzata
Questa sezione descrive l'utilizzo del pacchetto di addestramento che hai caricato in Cloud Storage per eseguire una pipeline di addestramento personalizzato di Vertex AI.
Nella sezione Vertex AI della console Google Cloud, vai alla pagina pipeline di addestramento.
Fai clic su
Crea per aprire il riquadro Addestra nuovo modello.Nel passaggio Scegli il metodo di addestramento, segui questi passaggi:
Nell'elenco a discesa Set di dati, seleziona Nessun set di dati gestito. Questa specifica applicazione di addestramento carica i dati dalla libreria Set di dati TensorFlow anziché da un set di dati Vertex AI gestito.
Assicurati che sia selezionato l'opzione Addestramento personalizzato (avanzato).
Fai clic su Continua.
Nel passaggio Dettagli modello, nel campo Nome, inserisci
hello_custom
. Fai clic su Continua.Nel passaggio Container di addestramento, fornisci a Vertex AI le informazioni necessarie per utilizzare il pacchetto di addestramento che hai caricato in Cloud Storage:
Seleziona Contenitore predefinito.
Nell'elenco a discesa Framework del modello, seleziona TensorFlow.
Nell'elenco a discesa Versione framework del modello, seleziona 2.3.
Nel campo Posizione pacco, inserisci
cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz
.Nel campo Modulo Python, inserisci
trainer.task
.trainer
è il nome del pacchetto Python nel tuo tarball, mentretask.py
contiene il tuo codice di addestramento. Pertanto,trainer.task
è il nome del modulo che vuoi che venga eseguito da Vertex AI.Nel campo Directory di output del modello, fai clic su Sfoglia. Procedi nel seguente modo nel riquadro Seleziona cartella:
Vai al bucket Cloud Storage.
Fai clic su Crea nuova cartella
.Assegna alla nuova cartella il nome
output
. Quindi, fai clic su Crea.Fai clic su Seleziona.
Conferma che il campo abbia il valore
gs://BUCKET_NAME/output
, dove BUCKET_NAME è il nome del tuo bucket Cloud Storage.Questo valore viene passato a Vertex AI nel campo API
baseOutputDirectory
, che imposta diverse variabili di ambiente a cui l'applicazione di addestramento può accedere durante l'esecuzione.Ad esempio, se imposti questo campo su
gs://BUCKET_NAME/output
, Vertex AI imposta la variabile di ambienteAIP_MODEL_DIR
sugs://BUCKET_NAME/output/model
. Al termine dell'addestramento, Vertex AI utilizza qualsiasi artefatto nella directoryAIP_MODEL_DIR
per creare una risorsa del modello.Scopri di più sulle variabili di ambiente impostate da questo campo.
Fai clic su Continua.
Nel passaggio facoltativo Iperparametri, assicurati che la casella di controllo Abilita l'ottimizzazione degli iperparametri sia deselezionata. Questo tutorial non utilizza l'ottimizzazione degli iperparametri. Fai clic su Continua.
Nel passaggio Calcolo e prezzi, alloca le risorse per il job di addestramento personalizzato:
Nell'elenco a discesa Regione, seleziona us-central1 (Iowa).
Nell'elenco a discesa Tipo di macchina, seleziona n1-standard-4 dalla sezione Standard.
Non aggiungere acceleratori o pool di worker per questo tutorial. Fai clic su Continua.
Nel passaggio Container di previsione, fornisci a Vertex AI le informazioni necessarie per fornire le previsioni:
Seleziona Contenitore predefinito.
Nella sezione Impostazioni container predefinite, segui questi passaggi:
Nell'elenco a discesa Framework del modello, seleziona TensorFlow.
Nell'elenco a discesa Versione framework del modello, seleziona 2.3.
Nell'elenco a discesa Tipo di acceleratore, seleziona Nessuno.
Verifica che il campo Directory del modello abbia il valore
gs://BUCKET_NAME/output
, dove BUCKET_NAME è il nome del tuo bucket Cloud Storage. Corrisponde al valore della directory di output del modello che hai fornito in un passaggio precedente.
Lascia vuoti i campi della sezione Prevedi schemi.
Fai clic su Avvia addestramento per avviare la pipeline di addestramento personalizzato.
Ora puoi visualizzare la tua nuova pipeline di addestramento, denominata hello_custom
, nella pagina Addestramento. Potresti dover aggiornare la pagina. La pipeline di addestramento fa due cose principali:
La pipeline di addestramento crea una risorsa job personalizzato denominata
hello_custom-custom-job
. Dopo qualche istante, puoi visualizzare questa risorsa nella pagina Job personalizzati della sezione Addestramento:Il job personalizzato esegue l'applicazione di addestramento utilizzando le risorse di computing specificate in questa sezione.
Al termine del job personalizzato, la pipeline di addestramento trova gli artefatti creati dall'applicazione di addestramento nella directory
output/model/
del bucket Cloud Storage. Utilizza questi artefatti per creare una risorsa model.
Monitora l'addestramento
Per visualizzare i log di addestramento:
Nella sezione Vertex AI della console Google Cloud, vai alla pagina Job personalizzati.
Per visualizzare i dettagli di
CustomJob
che hai appena creato, fai clic suhello_custom-custom-job
nell'elenco.Nella pagina dei dettagli del job, fai clic su Visualizza log.
Visualizza il modello addestrato
Al termine della pipeline di addestramento personalizzato, puoi trovare il modello addestrato nella pagina Modelli della console Google Cloud, nella sezione Vertex AI.
Il modello si chiama hello_custom
.
Passaggi successivi
Segui la pagina successiva di questo tutorial per fornire previsioni dal modello ML addestrato.