Entraînement personnalisé Hello : configurer votre projet et votre environnement

Cette page explique comment configurer votre projet Google Cloud pour utiliser Vertex AI et télécharger du code TensorFlow pour l'entraînement. Vous allez également télécharger le code d'une application Web qui obtient des prédictions.

Ce tutoriel comporte plusieurs pages :

  1. Configurer votre projet et votre environnement.

  2. Entraîner un modèle de classification d'images personnalisé.

  3. Effectuer des prédictions à partir d'un modèle de classification d'images personnalisé.

  4. Nettoyer votre projet.

Chaque page suppose que vous avez déjà effectué les instructions des pages précédentes du tutoriel.

Avant de commencer

Tout au long de ce tutoriel, vous utiliserez Google Cloud Console et Cloud Shell pour interagir avec Google Cloud. Sinon, au lieu de Cloud Shell, vous pouvez utiliser un autre shell Bash lorsque la Google Cloud CLI est installée.

  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. Si Cloud Shell n'affiche pas (PROJECT_ID)$ dans son invite (où PROJECT_ID est remplacé par l'ID de votre projet Google Cloud), exécutez la commande suivante pour configurer Cloud Shell de manière à utiliser votre projet :

    gcloud config set project PROJECT_ID

Créer un bucket Cloud Storage

Dans la région us-central1, créez un bucket Cloud Storage régional à utiliser pour la suite de ce tutoriel. Pendant ce tutoriel, vous utiliserez le bucket à plusieurs fins :

  • Stockez le code d'entraînement à utiliser par Vertex AI dans une tâche d'entraînement personnalisée.
  • Stocker des artefacts de modèle générés par votre tâche d'entraînement personnalisé.
  • Hébergez l'application Web qui obtient les prédictions à partir de votre point de terminaison Vertex AI.

Pour créer le bucket Cloud Storage, exécutez la commande suivante dans votre session Cloud Shell :

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

Remplacez l'élément suivant :

  • PROJECT_ID : ID de votre projet Google Cloud.
  • BUCKET_NAME : nom que vous choisissez pour votre bucket. Exemple : hello_custom_PROJECT_ID. Consultez les consignes de dénomination des buckets.

Télécharger l'exemple de code

Téléchargez l'exemple de code à utiliser pour le reste du tutoriel.

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

Pour afficher les exemples de fichiers de code, exécutez la commande suivante:

ls -lpR hello-custom-sample

Le répertoire hello-custom-sample contient quatre éléments :

  • trainer/ : répertoire du code TensorFlow Keras pour l'entraînement du modèle de classification de fleurs.

  • setup.py : fichier de configuration permettant d'empaqueter le répertoire trainer/ dans une distribution source Python que Vertex AI peut utiliser.

  • function/ : répertoire de code Python pour une fonction Cloud Run permettant de recevoir et prétraiter les requêtes de prédiction à partir d'un navigateur Web, de les envoyer à Vertex AI, de traiter les réponses de prédiction et de les renvoyer au navigateur.

  • webapp/ : répertoire contenant le code et le balisage d'une application Web qui obtient des prédictions de classification de fleurs à partir de Vertex AI.

Étape suivante

Suivez la page suivante de ce tutoriel pour exécuter une tâche d'entraînement personnalisée dans Vertex AI.

Précédent
Présentation
Suivant
Entraîner un modèle de classification d'images personnalisé