Entrenamiento personalizado de Hello: configura tu proyecto y entorno

En esta página, se explica cómo configurar tu proyecto de Google Cloud para usar Vertex AI y descargar código de TensorFlow para el entrenamiento. También descargarás un código de aplicación web que obtiene predicciones.

En este instructivo, se incluyen las siguientes páginas:

  1. Configura tu proyecto y tu entorno.

  2. Entrena un modelo de clasificación de imágenes personalizado.

  3. Entrega predicciones desde un modelo de clasificación de imágenes personalizado.

  4. Limpia tu proyecto.

En cada página, se supone que ya realizaste las instrucciones de las páginas anteriores del instructivo.

Antes de comenzar

Durante este instructivo, usa la consola de Google Cloud y Cloud Shell para interactuar con Google Cloud. Como alternativa, en lugar de Cloud Shell, puedes usar otro shell de Bash con Google Cloud CLI 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.

    Go to project selector

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

  4. Enable the Vertex AI and Cloud 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 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. Si Cloud Shell no muestra (PROJECT_ID)$ en su mensaje (donde PROJECT_ID se reemplaza por el ID de tu proyecto de Google Cloud), ejecuta el siguiente comando para configurar Cloud Shell. para usar tu proyecto:

    gcloud config set project PROJECT_ID

Crea un bucket de Cloud Storage

Crea un bucket regional de Cloud Storage en la región us-central1 para usar en el resto de este instructivo. A medida que sigues el instructivo, usa el bucket para diversos propósitos:

  • Almacena código de entrenamiento para que Vertex AI lo use en un trabajo de entrenamiento personalizado.
  • Almacena los artefactos del modelo que genera tu trabajo de entrenamiento personalizado.
  • Aloja la app web que obtiene predicciones de tu extremo de Vertex AI.

Para crear el bucket de Cloud Storage, ejecuta el siguiente comando en tu sesión de Cloud Shell:

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

Reemplaza lo siguiente:

  • PROJECT_ID: El ID del proyecto de Google Cloud.
  • BUCKET_NAME: Es el nombre que elijas para tu bucket. Por ejemplo, hello_custom_PROJECT_ID Obtén más información sobre los requisitos para los nombres de los buckets.

Descarga el código de muestra

Descarga el código de muestra para usar en el resto del instructivo.

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

Para ver los archivos de código de muestra de manera opcional, ejecuta el siguiente comando:

ls -lpR hello-custom-sample

El directorio hello-custom-sample tiene cuatro elementos:

  • trainer/: Un directorio del código de Keras de TensorFlow para entrenar el modelo de clasificación de flores.

  • setup.py: Un archivo de configuración para empaquetar el directorio trainer/ en una distribución de fuente de Python que Vertex AI puede usar.

  • function/: Un directorio de código de Python para una Cloud Function que puede recibir y procesar de forma previa solicitudes de predicción desde un navegador web, enviarlas a Vertex AI, y procesar la respuestas de predicción y enviarlas al navegador.

  • webapp/: Un directorio con código y lenguaje de marcado para una aplicación web que obtiene predicciones de clasificación de flores de Vertex AI.

¿Qué sigue?

Sigue las instrucciones en la siguiente página de este instructivo para ejecutar un trabajo de entrenamiento personalizado en Vertex AI.

Anterior
Información general
Siguiente
Entrenar un modelo de clasificación de imágenes personalizado