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 document fait partie du tutoriel "Entraînement personnalisé Hello", qui explique comment utiliser Vertex AI pour entraîner un modèle de classification d'images et diffuser des prédictions à l'aide de ce modèle. Dans ce tutoriel, vous utilisez l'entraînement personnalisé de Vertex AI pour exécuter une application d'entraînement TensorFlow Keras dans l'un des environnements de conteneur prédéfinis de Vertex AI. Cette tâche d'entraînement personnalisé entraîne un modèle de machine learning (ML) afin de classer des images de fleurs en fonction de leur type. Une fois le modèle de ML entraîné, le tutoriel vous montre comment créer un point de terminaison et diffuser les prédictions à partir de ce point de terminaison vers une application Web simple.

Pour obtenir des instructions détaillées sur cette tâche directement dans la console Google Cloud, cliquez sur Visite guidée :

Visite guidée

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. Vous pouvez également utiliser un autre shell Bash en installant Google Cloud CLI plutôt que d'utiliser Cloud Shell.

  1. Connectez-vous à votre compte Google Cloud. Si vous débutez sur Google Cloud, créez un compte pour évaluer les performances de nos produits en conditions réelles. Les nouveaux clients bénéficient également de 300 $ de crédits gratuits pour exécuter, tester et déployer des charges de travail.

  2. Dans Google Cloud Console, sur la page de sélection du projet, sélectionnez ou créez un projet Google Cloud.

    Accéder au sélecteur de projet

  3. Vérifiez que la facturation est activée pour votre projet Google Cloud.

  4. Activer les API Vertex AI and Cloud Functions.

    Activer les API

    5.

  5. Dans Google Cloud Console, sur la page de sélection du projet, sélectionnez ou créez un projet Google Cloud.

    Accéder au sélecteur de projet

  6. Vérifiez que la facturation est activée pour votre projet Google Cloud.

  7. Activer les API Vertex AI and Cloud Functions.

    Activer les API

    8.

  8. Dans la console Google Cloud, activez Cloud Shell.

    Activer Cloud Shell

    En bas de la fenêtre de la console Google Cloud, une session Cloud Shell démarre et affiche une invite de ligne de commande. Cloud Shell est un environnement shell dans lequel Google Cloud CLI est déjà installé, et dans lequel des valeurs sont déjà définies pour votre projet actuel. L'initialisation de la session peut prendre quelques secondes.

  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 :

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

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.

gsutil 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 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.