Benutzerdefiniertes Hello-Training: Projekt und Umgebung einrichten

Auf dieser Seite wird beschrieben, wie Sie Ihr Google Cloud-Projekt für die Verwendung von Vertex AI einrichten und TensorFlow-Code für das Training herunterladen. Sie laden auch Code für eine Webanwendung herunter, die Vorhersagen abruft.

Diese Anleitung umfasst mehrere Seiten:

1. Projekt und Umgebung einrichten

2. Benutzerdefiniertes Bildklassifizierungsmodell trainieren.

3. Vorhersagen aus einem benutzerdefinierten Bildklassifizierungsmodell bereitstellen.

4. Projekt bereinigen.

Auf jeder Seite wird davon ausgegangen, dass Sie die Anleitung auf den vorherigen Seiten des Leitfadens bereits ausgeführt haben.

Vorbereitung

In dieser Anleitung verwenden Sie die Google Cloud Console und Cloud Shell für die Interaktion mit Google Cloud. Anstelle von Cloud Shell können Sie auch eine andere Bash-Shell mit installierter Google Cloud CLI verwenden.

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.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.

4. Enable the Vertex AI and Cloud Functions APIs.

   Enable the APIs

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

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

6. Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.

7. Enable the Vertex AI and Cloud Functions APIs.

   Enable the APIs

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. Wenn Cloud Shell in seiner Eingabeaufforderung nicht (PROJECT_ID)$ anzeigt ( wo PROJECT_ID durch Ihre Google Cloud-Projekt-ID ersetzt wird), führen Sie den folgenden Befehl aus, um Cloud Shell für die Verwendung Ihres Projekts zu konfigurieren:

   gcloud config set project PROJECT_ID
   

Cloud Storage-Bucket erstellen

Erstellen Sie für die weitere Ausführung dieser Anleitung einen regionalen Cloud Storage-Bucket in der Region us-central1. Beim Ausführen der Anleitung können Sie den Bucket für verschiedene Zwecke verwenden:

• Zum Speichern des Trainingscode für Vertex AI für die Verwendung in einem benutzerdefinierten Trainingsjob.
• Zum Speichern der Modellartefakte, die vom benutzerdefinierten Trainingsjob ausgegeben werden.
• Zum Hosten der Webanwendung, die Vorhersagen von Ihrem Vertex AI-Endpunkt abruft.

Führen Sie zum Erstellen des Cloud Storage-Buckets den folgenden Befehl in Ihrer Cloud Shell-Sitzung aus:

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

Dabei gilt:

• PROJECT_ID: ID Ihres Google Cloud-Projekts.
• BUCKET_NAME: Name, den Sie für Ihren Bucket auswählen. Beispiel: hello_custom_PROJECT_ID Anforderungen an Bucket-Namen

Beispielcode herunterladen

Laden Sie Beispielcode für den Rest der Anleitung herunter.

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

Führen Sie folgenden Befehl aus, um die Beispielcodedateien optional anzusehen:

ls -lpR hello-custom-sample

Das Verzeichnis hello-custom-sample enthält vier Elemente:

• trainer/: Ein Verzeichnis mit TensorFlow Keras-Code zum Trainieren des Blumenklassifizierungsmodells.

• setup.py: Eine Konfigurationsdatei zum Verpacken des Verzeichnisses trainer/ in eine Python-Quelldistribution, die Vertex AI verwenden kann.

• function/: Ein Verzeichnis mit Python-Code für eine Cloud Functions-Funktion, die Vorhersageanfragen von einem Webbrowser empfangen und vorverarbeiten kann, sie an Vertex AI senden kann, die Vorhersageantworten verarbeiten kann und diese zurück an den Browser senden kann.

• webapp/: Ein Verzeichnis mit Code und Markup für eine Webanwendung, die Vorhersagen zur Klassifizierung von Blumen von Vertex AI abruft.

Nächste Schritte

Folgen Sie der nächsten Seite dieser Anleitung, um einen benutzerdefinierten Trainingsjob auf Vertex AI auszuführen.