Treinamento personalizado do Hello: configurar o projeto e o ambiente

Esta página explica como configurar seu projeto do Google Cloud para usar a Vertex AI e fazer o download de alguns códigos do TensorFlow para o treinamento. Você também fará o download do código de um app da Web que recebe previsões.

Este documento faz parte do tutorial "Treinamento personalizado do Hello", que ensina a usar a Vertex AI para treinar um modelo de classificação de imagens e exibir previsões usando o modelo. Neste tutorial, você usará o recurso de treinamento personalizado da Vertex AI para executar um aplicativo de treinamento Keras do TensorFlow em um dos ambientes de contêineres pré-criados da Vertex AI. Esse job de treinamento personalizado treina um modelo de machine learning (ML) para classificar imagens de flores por tipo. Depois de treinar o modelo de ML, o tutorial mostra como criar um endpoint e exibir previsões desse endpoint para um app da Web simples.

Este tutorial tem várias páginas:

  1. Como configurar o projeto e o ambiente

  2. Como treinar um modelo de classificação de imagens personalizado

  3. Como exibir previsões de um modelo de classificação de imagens personalizado

  4. Como limpar o projeto

Cada página pressupõe que você já tenha realizado as instruções das páginas anteriores do tutorial.

Antes de começar

Neste tutorial, você usará o Console do Google Cloud e o Cloud Shell para interagir com o Google Cloud. Outra opção é usar outro shell do Bash com a ferramenta de linha de comando gcloud instalada em vez do Cloud Shell.

  1. Faça login na sua conta do Google Cloud. Se você começou a usar o Google Cloud agora, crie uma conta para avaliar o desempenho de nossos produtos em situações reais. Clientes novos também recebem US$ 300 em créditos para executar, testar e implantar cargas de trabalho.

  2. No console do Google Cloud, na página do seletor de projetos, selecione ou crie um projeto do Google Cloud.

    Acessar o seletor de projetos

  3. Verifique se a cobrança está ativada para o seu projeto do Google Cloud.

  4. Ative as APIs Vertex AI and Cloud Functions.

    Ative as APIs

    5.

  5. No console do Google Cloud, na página do seletor de projetos, selecione ou crie um projeto do Google Cloud.

    Acessar o seletor de projetos

  6. Verifique se a cobrança está ativada para o seu projeto do Google Cloud.

  7. Ative as APIs Vertex AI and Cloud Functions.

    Ative as APIs

    8.

  8. No Console do Google Cloud, ative o Cloud Shell.

    Ativar o Cloud Shell

    Na parte inferior do Console do Google Cloud, uma sessão do Cloud Shell é iniciada e exibe um prompt de linha de comando. O Cloud Shell é um ambiente shell com a CLI do Google Cloud já instalada e com valores já definidos para o projeto atual. A inicialização da sessão pode levar alguns segundos.

  9. Se o Cloud Shell não exibir (PROJECT_ID)$ no prompt, em que PROJECT_ID é substituído pelo ID do projeto do Google Cloud, execute o seguinte comando para configurar o Cloud Shell para usar seu projeto:

    gcloud config set project PROJECT_ID

1. Criar um bucket do Cloud Storage

Crie um bucket regional do Cloud Storage na região us-central1 que será usado pelo restante deste tutorial. Ao seguir o tutorial, você usará o bucket para várias finalidades:

  • Armazene o código de treinamento da Vertex AI para usar em um job de treinamento personalizado.
  • Armazenar os artefatos do modelo gerados pelo seu job de treinamento personalizado
  • Hospede o app da Web que recebe previsões do endpoint da Vertex AI.

Para criar o bucket do Cloud Storage, execute o seguinte comando na sessão do Cloud Shell:

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

Substitua:

  • PROJECT_ID: o ID do projeto do Google Cloud;
  • BUCKET_NAME: um nome que você escolhe para o bucket. Por exemplo, hello_custom_PROJECT_ID. Saiba mais sobre os requisitos para nomes de buckets.

2. Fazer o download do código de exemplo

Faça o download do exemplo de código para usar no restante do tutorial. Execute os seguintes comandos na sessão do Cloud Shell para fazer o download, descompactar e navegar até o diretório com um exemplo de código para este tutorial:

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

Se quiser, execute o seguinte comando para examinar o exemplo de código:

ls -lpR

O diretório hello-custom-sample tem quatro itens:

  • trainer/: um diretório com o código da API Keras do TensorFlow para o treinamento do modelo de classificação de flores.

  • setup.py: um arquivo de configuração para empacotar o diretório trainer/ em uma distribuição de origem do Python que a Vertex AI pode usar.

  • function/: um diretório de código em Python para uma função do Cloud que pode receber e pré-processar solicitações de previsão a partir de um navegador da Web, enviá-las para a Vertex AI, processar as respostas de previsão e enviá-las de volta ao navegador.

  • webapp/: um diretório com código e marcação para um app da Web que recebe da Vertex AI previsões de classificação de flores.

A seguir

Siga a próxima página deste tutorial para executar um job de treinamento personalizado na Vertex AI.