试用 Gemini 1.5 模型，这是 Vertex AI 中最新的多模态模型，看看您可以运用多达 200 万词元的上下文窗口构建怎样的应用。 试用 Gemini 1.5 模型，这是 Vertex AI 中最新的多模态模型，看看您可以运用多达 200 万词元的上下文窗口构建怎样的应用。

Hello 自定义训练：训练自定义图片分类模型

本页面介绍如何在 Vertex AI 上运行 TensorFlow Keras 训练应用。该特定模型会训练可按类型对花卉进行分类的图片分类模型。

本教程包含多个页面：

每个页面均假定您已经按照本教程中之前页面的说明操作。

本文档的其余部分假定您使用的是您在本教程的第一页中创建的 Cloud Shell 环境。如果原始的 Cloud Shell 会话不再处于打开状态，您可以执行以下操作来返回该环境：

In the Google Cloud console, activate Cloud Shell.

Activate Cloud Shell
在 Cloud Shell 会话中，运行以下命令：
```
cd hello-custom-sample
```

运行自定义训练流水线

本部分介绍如何使用您上传到 Cloud Storage 的训练软件包来运行 Vertex AI 自定义训练流水线。

在 Google Cloud 控制台的 Vertex AI 部分中，转到训练流水线页面。

转到“训练流水线”
点击创建以打开训练新模型窗格。
在选择训练方法步骤中，执行以下操作：
1. 在数据集下拉列表中，选择无代管式数据集。此特定训练应用从 TensorFlow 数据集库（而非托管 Vertex AI 数据集）加载数据。
2. 确保选择自定义训练（高级）。
点击继续。
在模型详细信息步骤的名称字段中，输入 hello_custom。点击继续。
在训练容器步骤中，为 Vertex AI 提供使用您上传到 Cloud Storage 的训练软件包所需的信息：
1. 选择预构建的容器。
2. 在模型框架下拉列表中，选择 TensorFlow。
3. 在模型框架版本下拉列表中，选择 2.3。
4. 在软件包位置字段中，输入 cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz。
5. 在 Python 模块字段中，输入 trainer.task。trainer 是 tarball 压缩文件中的 Python 软件包的名称，task.py 包含您的训练代码。因此，trainer.task 是您希望 Vertex AI 运行的模块的名称。
6. 在模型输出目录字段中，点击浏览。在选择文件夹窗格中执行以下操作：
  1. 导航到您的 Cloud Storage 存储桶。
  2. 点击创建新文件夹 。
  3. 将新文件夹命名为 output。然后，点击创建。
  4. 点击选择。
  确认该字段的值为 gs://BUCKET_NAME/output，其中 BUCKET_NAME 是 Cloud Storage 存储桶的名称。
  
  此值会在 baseOutputDirectory API 字段中传递给 Vertex AI，该字段设置训练应用在其运行时可以访问的几个环境变量。
  
  例如，当您将此字段设置为 gs://BUCKET_NAME/output 时，Vertex AI 会将 AIP_MODEL_DIR 环境变量设置为 gs://BUCKET_NAME/output/model。在训练结束时，Vertex AI 会使用 AIP_MODEL_DIR 目录中的任何工件来创建模型资源。
  
  详细了解此字段设置的环境变量。
点击继续。
在可选的超参数步骤中，确保清除启用超参数调节复选框。本教程不使用超参数调节。点击继续。
在计算和价格步骤中，为自定义训练作业分配资源：
1. 在地区下拉列表中，选择 us-central1（爱荷华州）。
2. 在机器类型下拉列表中，从标准部分选择 n1-standard-4。
请勿为本教程添加任何加速器或工作器池。点击继续。
在预测容器步骤中，为 Vertex AI 提供执行预测所需的信息：
1. 选择预构建的容器。
2. 在预构建容器设置部分，执行以下操作：
  1. 在模型框架下拉列表中，选择 TensorFlow。
  2. 在模型框架版本下拉列表中，选择 2.3。
  3. 在加速器类型下拉列表中，选择无。
  4. 确认模型目录字段的值为 gs://BUCKET_NAME/output，其中 BUCKET_NAME 是 Cloud Storage 存储桶的名称。这与您在上一步中提供的模型输出目录值匹配。
3. 将预测架构部分中的字段留空。
点击开始训练以启动自定义训练流水线。

您现在可以在训练页面上查看新的训练流水线（名为 hello_custom）。您可能需要刷新页面。此训练流水线执行两个主要任务：

训练流水线会创建一个自定义作业资源（名为 hello_custom-custom-job）。片刻之后，您可以在训练部分的自定义作业页面上查看此资源：

转到“自定义作业”

自定义作业使用您在此部分中指定的计算资源运行训练应用。
自定义作业完成后，训练流水线会在 Cloud Storage 存储桶的 output/model/ 目录中找到您的训练应用创建的工件。其使用这些工件来创建模型资源。

监控训练

如需查看训练日志，请执行以下操作：

在 Google Cloud 控制台的 Vertex AI 部分中，转到自定义作业页面。

转到“自定义作业”
如需查看您刚刚创建的 CustomJob 的详细信息，请点击列表中的 hello_custom-custom-job。
在作业详情页面上，点击查看日志。

查看经过训练的模型

自定义训练流水线完成后，您可以在 Google Cloud 控制台的 Vertex AI 部分的模型页面上找到经过训练的模型。

转到“模型”

该模型的名称为 hello_custom。

后续步骤

按照本教程的下一页，处理来自经过训练的机器学习模型的预测。

设置您的项目和环境

提供自定义图片分类模型的预测结果