Introduzione all'addestramento personalizzato: configura il progetto e l'ambiente

Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

Questa pagina illustra il processo di configurazione del progetto Google Cloud per l'utilizzo di Vertex AI e il download di codice TensorFlow per l'addestramento. Verrà inoltre scaricato il codice per un'app web che riceve previsioni.

Questo documento fa parte del tutorial "Hello custom training", che spiega come utilizzare Vertex AI per addestrare un modello di classificazione delle immagini e fornire previsioni utilizzando il modello. In questo tutorial, utilizzerai la funzionalità di addestramento personalizzato di Vertex AI per eseguire un'applicazione di addestramento TensorFlow Keras in uno degli ambienti di container predefiniti di Vertex AI. Questo job di addestramento personalizzato addestra un modello di machine learning (ML) per classificare le immagini dei fiori in base al tipo. Dopo aver addestrato il modello di machine learning, il tutorial mostra come creare un endpoint e fornire previsioni da quell'endpoint a una semplice app web.


Per seguire le istruzioni dettagliate per questa attività direttamente nella console Google Cloud, fai clic su Procedura guidata:

Procedura guidata


Questo tutorial ha diverse pagine:

  1. Configurazione del progetto e dell'ambiente.

  2. Addestra un modello di classificazione delle immagini personalizzato.

  3. Previsioni di pubblicazione da un modello di classificazione delle immagini personalizzato.

  4. Pulizia del progetto.

Ogni pagina presuppone che tu abbia già eseguito le istruzioni provenienti dalle pagine precedenti del tutorial.

Prima di iniziare

Nel corso di questo tutorial, utilizza Google Cloud Console e Cloud Shell per interagire con Google Cloud. In alternativa, puoi utilizzare un'altra shell Bash con Google Cloud CLI installato al posto di Cloud Shell.

  1. Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.
  2. Nella pagina del selettore dei progetti in Google Cloud Console, seleziona o crea un progetto Google Cloud.

    Vai al selettore progetti

  3. Assicurati che la fatturazione sia attivata per il tuo progetto Cloud. Scopri come verificare se la fatturazione è abilitata su un progetto.

  4. Abilita le API Vertex AI and Cloud Functions.

    Abilita le API

  5. Nella pagina del selettore dei progetti in Google Cloud Console, seleziona o crea un progetto Google Cloud.

    Vai al selettore progetti

  6. Assicurati che la fatturazione sia attivata per il tuo progetto Cloud. Scopri come verificare se la fatturazione è abilitata su un progetto.

  7. Abilita le API Vertex AI and Cloud Functions.

    Abilita le API

  8. In Google Cloud Console, attiva Cloud Shell.

    Attiva Cloud Shell

    Nella parte inferiore di Google Cloud Console, viene avviata una sessione di Cloud Shell e viene visualizzato un prompt della riga di comando. Cloud Shell è un ambiente shell con Google Cloud CLI già installato e con valori già impostati per il progetto corrente. L'inizializzazione della sessione può richiedere alcuni secondi.

  9. Se Cloud Shell non visualizza (PROJECT_ID)$ nel prompt (dove PROJECT_ID viene sostituito dall'ID del progetto Google Cloud), esegui il comando seguente per configurare Cloud Shell in modo da utilizzare il progetto:

    gcloud config set project PROJECT_ID
    

Crea un bucket Cloud Storage

Crea un bucket Cloud Storage a livello di regione nella regione us-central1 da utilizzare per il resto di questo tutorial. Mentre segui il tutorial, utilizza il bucket per diversi scopi:

  • Archiviare il codice di addestramento per Vertex AI da utilizzare in un job di addestramento personalizzato.
  • Archivia gli artefatti del modello restituiti 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:

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

Sostituisci quanto segue:

  • PROJECT_ID: l'ID del tuo progetto Google Cloud.
  • BUCKET_NAME: un nome scelto da te per il tuo bucket. Ad esempio: hello_custom_PROJECT_ID. Scopri i requisiti per i nomi dei bucket.

Scarica il codice campione.

Scarica il codice campione da utilizzare per il resto del tutorial.

gsutil 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 comando seguente:

ls -lpR hello-custom-sample

La directory hello-custom-sample contiene quattro elementi:

  • trainer/: una directory del codice TensorFlow Keras per addestrare il modello di classificazione dei fiori.

  • setup.py: un file di configurazione per la pacchettizzazione della directory trainer/ in una distribuzione di origine Python utilizzabile da Vertex AI.

  • function/: una directory del codice Python per una funzione Cloud Functions che può ricevere ed elaborare preventivamente le richieste di previsione da un browser web, inviarle a Vertex AI, elaborare le risposte di previsione e inviarle nuovamente al browser.

  • webapp/: una directory con codice e markup per un'app web che riceve previsioni di classificazione dei fiori da Vertex AI.

Passaggi successivi

Segui la pagina successiva di questo tutorial per eseguire un job di addestramento personalizzato su Vertex AI.