Questa pagina illustra come configurare il progetto Google Cloud per l'utilizzo Vertex AI e il download di codice TensorFlow per l'addestramento. Potrai scaricare il codice per un'app web che riceve previsioni.
Questo tutorial è composto da varie pagine:Configurazione del progetto e dell'ambiente in corso.
Addestramento di una classificazione delle immagini personalizzata modello.
Pubblicazione di previsioni da una classificazione delle immagini personalizzata modello.
Per ogni pagina si presuppone che tu abbia già eseguito le istruzioni dalla pagine precedenti del tutorial.
Prima di iniziare
In questo tutorial, usa la console Google Cloud Cloud Shell per interagire con Google Cloud. In alternativa, anziché Cloud Shell, puoi utilizzare un'altra shell Bash con Google Cloud CLI installato.
- Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API Vertex AI and Cloud Functions.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API Vertex AI and Cloud Functions.
-
In the Google Cloud console, activate Cloud Shell.
At the bottom of the Google Cloud console, a Cloud Shell session starts and displays a command-line prompt. Cloud Shell is a shell environment with the Google Cloud CLI already installed and with values already set for your current project. It can take a few seconds for the session to initialize.
-
Se Cloud Shell non viene visualizzato
(PROJECT_ID)$nel suo prompt (dove PROJECT_ID è sostituito dal l'ID progetto Google Cloud), quindi esegui questo comando configura Cloud Shell per utilizzare il tuo progetto:gcloud config set project PROJECT_ID
Crea un bucket Cloud Storage
Crea un bucket Cloud Storage regionale in us-central1
da usare per il resto del tutorial. Mentre segui il tutorial, utilizza la
del bucket per vari scopi:
- Archivia il codice di addestramento per Vertex AI da utilizzare in un addestramento personalizzato un lavoro.
- Archivia gli artefatti del modello prodotti dal job di addestramento personalizzato.
- Ospita l'app web che riceve le previsioni dal tuo l'endpoint Vertex AI.
Per creare il bucket Cloud Storage, esegui questo comando Sessione Cloud Shell:
gcloud storage buckets create gs://BUCKET_NAME --project=PROJECT_ID --location=us-central1
Sostituisci quanto segue:
- PROJECT_ID: l'ID del tuo progetto Google Cloud.
- BUCKET_NAME: un nome scelto da te per il bucket. Ad esempio:
hello_custom_PROJECT_ID. Scopri di più sui requisiti per il bucket personalizzati.
Scarica il codice campione.
Scarica il codice campione da utilizzare per il resto del tutorial.
gcloud storage cp gs://cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz - | tar -xzv
Per visualizzare i file di codice campione, esegui il comando seguente:
ls -lpR hello-custom-sample
La directory hello-custom-sample contiene quattro elementi:
trainer/: una directory del codice TensorFlow Keras per l'addestramento del fiore modello di classificazione.setup.py: un file di configurazione per pacchettizzare la directorytrainer/in una distribuzione di codice sorgente Python utilizzabile da Vertex AI.function/: una directory di codice Python per un una funzione Cloud Functions che può ricevere e pre-elaborare richieste di previsione da un browser web, inviarle a Vertex AI elaborare le risposte della previsione e inviarle al browser.webapp/: una directory con codice e markup per un'app web che fiorisce le previsioni di classificazione da Vertex AI.
Passaggi successivi
Segui la pagina successiva di questo tutorial per eseguire un su Vertex AI.