Benutzerdefiniertes Hello-Training: Projekt und Umgebung einrichten

Auf dieser Seite wird beschrieben, wie Sie Ihr Google Cloud-Projekt für die Verwendung von Vertex AI einrichten und TensorFlow-Code für das Training herunterladen. Sie laden außerdem Code für eine Webanwendung herunter, die Vorhersagen abruft.

Dieses Dokument ist Teil der Anleitung "Benutzerdefiniertes Training". In dieser Anleitung wird beschrieben, wie Sie mit Vertex AI ein Bildklassifizierungsmodell trainieren und mithilfe des Modells Vorhersagen bereitstellen. In dieser Anleitung verwenden Sie die benutzerdefinierte Trainingsfunktion von Vertex AI, um eine TensorFlow Keras-Trainingsanwendung in einer der vordefinierten Containerumgebungen von Vertex AI auszuführen. Mit diesem benutzerdefinierten Trainingsjob wird ein ML-Modell trainiert, um Bilder von Blumen nach ihrem Typ zu klassifizieren. Nachdem Sie das ML-Modell trainiert haben, erfahren Sie in der Anleitung, wie Sie einen Endpunkt erstellen und Vorhersagen von diesem Endpunkt an eine einfache Webanwendung bereitstellen.

Diese Anleitung umfasst mehrere Seiten:

  1. Projekt und Umgebung einrichten

  2. Benutzerdefiniertes Bildklassifizierungsmodell trainieren.

  3. Vorhersagen aus einem benutzerdefinierten Bildklassifizierungsmodell bereitstellen.

  4. Projekt bereinigen.

Auf jeder Seite wird davon ausgegangen, dass Sie die Anleitung auf den vorherigen Seiten des Leitfadens bereits ausgeführt haben.

Hinweis

In dieser Anleitung verwenden Sie die Google Cloud Console und Cloud Shell für die Interaktion mit Google Cloud. Alternativ können Sie eine andere Bash-Shell mit dem installierten Cloud SDK anstelle von Cloud Shell verwenden.

  1. Melden Sie sich bei Ihrem Google Cloud-Konto an. Wenn Sie mit Google Cloud noch nicht vertraut sind, erstellen Sie ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.
  2. Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.

    Zur Projektauswahl

  3. Die Abrechnung für das Cloud-Projekt muss aktiviert sein. So prüfen Sie, ob die Abrechnung für Ihr Projekt aktiviert ist.

  4. Vertex AI and Cloud Functions APIs aktivieren.

    Aktivieren Sie die APIs

  5. Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.

    Zur Projektauswahl

  6. Die Abrechnung für das Cloud-Projekt muss aktiviert sein. So prüfen Sie, ob die Abrechnung für Ihr Projekt aktiviert ist.

  7. Vertex AI and Cloud Functions APIs aktivieren.

    Aktivieren Sie die APIs

  8. Aktivieren Sie Cloud Shell in der Cloud Console.

    Cloud Shell aktivieren

    Unten in der Cloud Console wird eine Cloud Shell-Sitzung gestartet und eine Eingabeaufforderung angezeigt. Cloud Shell ist eine Shell-Umgebung, in der das Cloud SDK einschließlich des gcloud-Befehlszeilentools vorinstalliert ist. Die Werte sind bereits für Ihr aktuelles Projekt festgelegt. Das Initialisieren der Sitzung kann einige Sekunden dauern.

  9. Wenn Cloud Shell in seiner Eingabeaufforderung nicht (PROJECT_ID)$ anzeigt ( wo PROJECT_ID durch Ihre Google Cloud-Projekt-ID ersetzt wird), führen Sie den folgenden Befehl aus, um Cloud Shell für die Verwendung Ihres Projekts zu konfigurieren:

    gcloud config set project PROJECT_ID
    

1. Cloud Storage-Bucket erstellen

Erstellen Sie für die weitere Ausführung dieser Anleitung einen regionalen Cloud Storage-Bucket in der Region us-central1. Wenn Sie die Anleitung befolgen, können Sie den Bucket für verschiedene Zwecke nutzen:

  • Zum Speichern des Trainingscode für Vertex AI für die Verwendung in einem benutzerdefinierten Trainingsjob.
  • Zum Speichern der Modellartefakte, die vom benutzerdefinierten Trainingsjob ausgegeben werden.
  • Zum Hosten der Webanwendung, die Vorhersagen von Ihrem Vertex AI-Endpunkt abruft.

Führen Sie zum Erstellen des Cloud Storage-Buckets den folgenden Befehl in Ihrer Cloud Shell-Sitzung aus:

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

Dabei gilt:

  • PROJECT_ID: ID Ihres Google Cloud-Projekts.
  • BUCKET_NAME: Name, den Sie für Ihren Bucket auswählen. Beispiel: hello_custom_PROJECT_ID Anforderungen an Bucket-Namen

2. Beispielcode herunterladen

Laden Sie Beispielcode für den Rest der Anleitung herunter. Führen Sie die folgenden Befehle in Ihrer Cloud Shell-Sitzung aus, um das Verzeichnis für diese Anleitung herunterzuladen, zu entpacken und zum Verzeichnis zu wechseln:

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

Führen Sie optional den folgenden Befehl aus, um sich den Beispielcode anzusehen:

ls -lpR

Das Verzeichnis hello-custom-sample enthält vier Elemente:

  • trainer/: Ein Verzeichnis mit TensorFlow Keras-Code zum Trainieren des Blumenklassifizierungsmodells.

  • setup.py: Eine Konfigurationsdatei zum Verpacken des Verzeichnisses trainer/ in eine Python-Quelldistribution, die Vertex AI verwenden kann.

  • function/: Ein Verzeichnis mit Python-Code für eine Cloud Functions-Funktion, die Vorhersageanfragen von einem Webbrowser empfangen und vorverarbeiten kann, sie an Vertex AI senden kann, die Vorhersageantworten verarbeiten kann und diese zurück an den Browser senden kann.

  • webapp/: Ein Verzeichnis mit Code und Markup für eine Webanwendung, die Vorhersagen zur Klassifizierung von Blumen von Vertex AI abruft.

Nächste Schritte

Führen Sie die nächste Seite dieser Anleitung aus, um auf Vertex AI einen benutzerdefinierten Trainingsjob auszuführen.