Olá, formação personalizada: configure o seu projeto e ambiente

Esta página explica como configurar o seu Google Cloud projeto para usar o Vertex AI e transferir algum código do TensorFlow para a preparação. Também transfere código para uma app Web que recebe previsões.

Este tutorial tem várias páginas:

  1. Configurar o projeto e o ambiente.

  2. Preparar um modelo de classificação de imagens personalizado.

  3. Publicação de previsões a partir de um modelo de classificação de imagens personalizado.

  4. Limpar o projeto.

Cada página pressupõe que já executou as instruções das páginas anteriores do tutorial.

Antes de começar

Ao longo deste tutorial, use a Google Cloud consola e o Cloud Shell para interagir com o Google Cloud. Em alternativa, em vez da Cloud Shell, pode usar outra shell Bash com a CLI Google Cloud instalada.

  1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  3. Verify that billing is enabled for your Google Cloud project.

  4. Enable the Vertex AI and Cloud Run functions APIs.

    Roles required to enable APIs

    To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

    Enable the APIs

  5. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  6. Verify that billing is enabled for your Google Cloud project.

  7. Enable the Vertex AI and Cloud Run functions APIs.

    Roles required to enable APIs

    To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

    Enable the APIs

    8.

  8. In the Google Cloud console, activate Cloud Shell.

    Activate Cloud Shell

    At the bottom of the Google Cloud console, a Cloud Shell session starts and displays a command-line prompt. Cloud Shell is a shell environment with the Google Cloud CLI already installed and with values already set for your current project. It can take a few seconds for the session to initialize.

  9. Se o Cloud Shell não apresentar (PROJECT_ID)$ no respetivo comando (em que PROJECT_ID é substituído pelo seu Google Cloud ID do projeto), execute o seguinte comando para configurar o Cloud Shell para usar o seu projeto:

    gcloud config set project PROJECT_ID

    10. Crie um contentor do Cloud Storage

    Crie um contentor Cloud Storage regional na us-central1região a usar para o resto deste tutorial. À medida que segue o tutorial, use o contentor para vários fins:

    • Armazenar código de preparação para o Vertex AI usar numa tarefa de preparação personalizada.
    • Armazenar os artefactos do modelo que a sua tarefa de preparação personalizada produz.
    • Alojamento da app Web que recebe previsões do seu ponto final do Vertex AI.

    Para criar o contentor do Cloud Storage, execute o seguinte comando na sua sessão do Cloud Shell:

    gcloud storage buckets create gs://BUCKET_NAME --project=PROJECT_ID --location=us-central1

    Substitua o seguinte:

    • PROJECT_ID: o ID do seu projeto Google Cloud .
    • BUCKET_NAME: um nome que escolhe para o seu contentor. Por exemplo, hello_custom_PROJECT_ID. Saiba mais acerca dos requisitos para os nomes dos contentores.

    Transfira código de exemplo

    Transfira o código de exemplo para usar no resto do tutorial.

    gcloud storage cp gs://cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz - | tar -xzv

    Para ver opcionalmente os ficheiros de código de exemplo, execute o seguinte comando:

    ls -lpR hello-custom-sample

    O diretório hello-custom-sample tem quatro itens:

    • trainer/: um diretório de código do TensorFlow Keras para preparar o modelo de classificação de flores.

    • setup.py: um ficheiro de configuração para criar um pacote do diretório trainer/ numa distribuição de origem Python que o Vertex AI pode usar.

    • function/: Um diretório de código Python para uma função do Cloud Run que pode receber e pré-processar pedidos de previsão de um navegador de Internet, enviá-los para o Vertex AI, processar as respostas de previsão e enviá-las de volta para o navegador.

    • webapp/: Um diretório com código e marcação para uma app Web que recebe previsões de classificação de flores do Vertex AI.

    O que se segue?

    Siga a página seguinte deste tutorial para executar uma tarefa de preparação personalizada no Vertex AI.

Anterior
Vista geral
Avançar
Prepare um modelo de classificação de imagens personalizado