Hello 커스텀 학습: 프로젝트 및 환경 설정

이 페이지에서는 Vertex AI를 사용하도록 Google Cloud 프로젝트를 설정하고 학습용 TensorFlow 코드를 다운로드하는 과정을 안내합니다. 또한 예측을 가져오는 웹 앱의 코드도 다운로드하게 될 것입니다.

이 튜토리얼은 여러 페이지로 이루어져 있습니다.

  1. 프로젝트 및 환경 설정

  2. 커스텀 이미지 분류 모델 학습

  3. 커스텀 이미지 분류 모델을 사용한 예측 제공

  4. 프로젝트 삭제

각 페이지에서는 이 튜토리얼의 이전 페이지에서 안내를 이미 수행했다고 가정합니다.

시작하기 전에

이 튜토리얼에서는 전반적으로 Google Cloud Console 및 Cloud Shell을 사용하여 Google Cloud와 상호작용합니다. Cloud Shell 대신 Google Cloud CLI가 설치된 다른 Bash 셸을 사용할 수도 있습니다.

  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.

    Go to project selector

  3. Make sure that billing is enabled for your Google Cloud project.

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

    Enable the APIs

    5.

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

    Go to project selector

  6. Make sure that billing is enabled for your Google Cloud project.

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

    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. Cloud Shell이 프롬프트에 (PROJECT_ID)$를 표시하지 않는 경우 (여기서 PROJECT_ID는 Google Cloud 프로젝트 ID로 바꿈) 다음 명령어를 실행하여 프로젝트를 사용할 Cloud Shell을 구성하세요.

    gcloud config set project PROJECT_ID

Cloud Storage 버킷 만들기

이 튜토리얼의 나머지 섹션에서 사용할 리전 Cloud Storage 버킷을 us-central1 리전에 만듭니다. 튜토리얼을 따라가는 동안 여러 가지 용도로 버킷을 사용하게 될 것입니다.

  • Vertex AI의 커스텀 학습 작업에서 사용할 학습 코드 저장
  • 커스텀 학습 작업에서 출력하는 모델 아티팩트 저장
  • Vertex AI 엔드포인트에서 예측을 가져오는 웹 앱 호스팅

Cloud Storage 버킷을 만들려면 Cloud Shell 세션에서 다음 명령어를 실행합니다.

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

다음을 바꿉니다.

  • PROJECT_ID: Google Cloud 프로젝트의 ID입니다.
  • BUCKET_NAME: 선택한 버킷 이름입니다. 예를 들면 hello_custom_PROJECT_ID입니다. 버킷 이름 요구사항에 대해 알아보세요.

샘플 코드 다운로드

튜토리얼의 나머지 부분에 사용할 샘플 코드를 다운로드합니다.

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

선택적으로 샘플 코드 파일을 보려면 다음 명령어를 실행합니다.

ls -lpR hello-custom-sample

hello-custom-sample 디렉터리에는 4개의 항목이 있습니다.

  • trainer/: 꽃 분류 모델을 학습하는 TensorFlow Keras 코드 디렉터리입니다.

  • setup.py: trainer/ 디렉터리를 Vertex AI가 사용할 수 있는 Python 소스 배포로 패키징하기 위한 구성 파일입니다.

  • function/: Cloud Run 함수의 Python 코드 디렉터리로서, 웹브라우저에서 예측 요청을 받아 사전 처리하고 요청을 Vertex AI로 전송하며 예측 응답을 처리한 후 브라우저에 다시 전송할 수 있습니다.

  • webapp/: Vertex AI에서 꽃 분류 예측을 가져오는 웹 앱의 코드 및 마크업이 포함된 디렉터리입니다.

다음 단계

이 튜토리얼의 다음 페이지에 따라 Vertex AI에서 커스텀 학습 작업을 실행합니다.

이전
개요
다음
커스텀 이미지 분류 모델 학습