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.

Este documento es parte del instructivo “entrenamiento personalizado de Hello”, que te guía a través del uso de Vertex AI para entrenar un modelo de clasificación de imágenes y entregar predicciones mediante el modelo. En este instructivo, usarás la función de entrenamiento personalizado de Vertex AI para ejecutar una aplicación de entrenamiento de Keras de TensorFlow en uno de los entornos de contenedores prediseñados de Vertex AI. Este trabajo de entrenamiento personalizado entrena un modelo de aprendizaje automático (AA) para clasificar imágenes de flores según su tipo. Después de entrenar el modelo de AA, en el instructivo se muestra cómo crear un extremo y entregar predicciones de ese extremo a una aplicación web simple.

Para seguir la guía paso a paso en esta tarea directamente en la consola de Google Cloud, haz clic en Guía:

GUIARME

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, puedes usar otra shell de Bash con la CLI de Google Cloud instalada en lugar de Cloud Shell.

  1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.

  2. En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.

    Ir al selector de proyectos

  3. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

  4. Habilita las API de Vertex AI and Cloud Functions.

    Habilita las API

    5.

  5. En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.

    Ir al selector de proyectos

  6. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

  7. Habilita las API de Vertex AI and Cloud Functions.

    Habilita las API

    8.

  8. En la consola de Google Cloud, activa Cloud Shell.

    Activar Cloud Shell

    En la parte inferior de la consola de Google Cloud, se inicia una sesión de Cloud Shell en la que se muestra una ventana de línea de comandos. Cloud Shell es un entorno de shell con Google Cloud CLI ya instalada y con valores ya establecidos para el proyecto actual. La sesión puede tardar unos segundos en inicializarse.

  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:

gsutil mb -p PROJECT_ID -l us-central1 gs://BUCKET_NAME

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.

gsutil 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.