Questa pagina illustra come configurare il progetto Google Cloud per l'utilizzo Vertex AI e il download di codice TensorFlow per l'addestramento. Scarica anche il codice di un'app web che riceve le previsioni.
Questo tutorial è composto da varie pagine:Configurazione del progetto e dell'ambiente.
Addestramento di un modello di classificazione delle immagini personalizzato.
Esecuzione di previsioni da un modello di classificazione delle immagini personalizzato.
Ogni pagina presuppone che tu abbia già eseguito le istruzioni riportate nelle pagine precedenti del tutorial.
Prima di iniziare
In questo tutorial, utilizza la console Google Cloud e Cloud Shell per interagire con Google Cloud. In alternativa, anziché Cloud Shell, puoi utilizzare un'altra shell Bash con Google Cloud CLI installato.
- 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 $300 in free credits to run, test, and deploy workloads.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the Vertex AI and Cloud Run functions APIs.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the Vertex AI and Cloud Run functions APIs.
-
In the Google Cloud console, activate Cloud Shell.
At the bottom of the Google Cloud console, a Cloud Shell session starts and displays a command-line prompt. Cloud Shell is a shell environment with the Google Cloud CLI already installed and with values already set for your current project. It can take a few seconds for the session to initialize.
-
Se Cloud Shell non mostra
(PROJECT_ID)$nel prompt (dove PROJECT_ID viene sostituito dal tuo ID progetto Google Cloud), esegui il seguente comando per configurare Cloud Shell in modo da 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 il
bucket per diversi scopi:
- Memorizza il codice di addestramento da utilizzare in un job di addestramento personalizzato da parte di Vertex AI.
- Archivia gli elementi del modello generati dal job di addestramento personalizzato.
- Ospita l'app web che riceve le previsioni dall'endpoint Vertex AI.
Per creare il bucket Cloud Storage, esegui il comando seguente nella 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 per il bucket. Ad esempio:
hello_custom_PROJECT_ID. Scopri di più sui requisiti per i nomi dei bucket.
Scarica il codice campione.
Scarica il codice di esempio 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 facoltativamente i file di codice di esempio, esegui il seguente comando:
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 il packaging della directorytrainer/in una distribuzione di codice sorgente Python utilizzabile da Vertex AI.function/: una directory di codice Python per un funzione Cloud Run in grado di 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 riceve le predizioni di classificazione dei fiori da Vertex AI.
Passaggi successivi
Vai alla pagina successiva di questo tutorial per eseguire un job di addestramento personalizzato su Vertex AI.