Hello カスタム トレーニング: プロジェクトと環境を設定する

このページでは、Vertex AI を使用するための Google Cloud プロジェクトの設定と、トレーニングに使用する TensorFlow のコードのダウンロードを行う手順について説明します。また、予測に使用するウェブアプリのコードもダウンロードします。

このドキュメントは「Hello カスタム トレーニング」チュートリアルの一部です。このチュートリアルでは、Vertex AI を使用して画像分類モデルをトレーニングし、そのモデルを使用して予測を提供する方法について説明しています。このチュートリアルでは、Vertex AI のカスタム トレーニング機能を使用して、Vertex AI のビルド済みコンテナ環境のいずれかで TensorFlow Keras トレーニング アプリケーションを実行します。このカスタム トレーニング ジョブは、花の画像をタイプで分類するように機械学習(ML)モデルをトレーニングします。このチュートリアルでは、ML モデルをトレーニングした後、エンドポイントを作成し、そのエンドポイントからシンプルなウェブアプリに予測を提供する方法を説明します。

このチュートリアルには複数のページが含まれます。

  1. プロジェクトと環境の設定

  2. カスタム画像分類モデルのトレーニング

  3. カスタム画像分類モデルから取得した予測情報の提供

  4. プロジェクトのクリーンアップ

各ページは、前のページのチュートリアルの手順をすでに実施していることを前提としています。

始める前に

このチュートリアルでは、Google Cloud Console と Cloud Shell を使用して Google Cloud を操作します。または、Cloud Shell の代わりに Google Cloud CLI がインストールされている他の Bash シェルを使用することもできます。

  1. Google Cloud アカウントにログインします。Google Cloud を初めて使用する場合は、アカウントを作成して、実際のシナリオでの Google プロダクトのパフォーマンスを評価してください。新規のお客様には、ワークロードの実行、テスト、デプロイができる無料クレジット $300 分を差し上げます。
  2. Google Cloud Console の [プロジェクト セレクタ] ページで、Google Cloud プロジェクトを選択または作成します。

    プロジェクト セレクタに移動

  3. Cloud プロジェクトに対して課金が有効になっていることを確認します。詳しくは、プロジェクトで課金が有効になっているかどうかを確認する方法をご覧ください。

  4. Vertex AI and Cloud Functions API を有効にします。

    API を有効にする

  5. Google Cloud Console の [プロジェクト セレクタ] ページで、Google Cloud プロジェクトを選択または作成します。

    プロジェクト セレクタに移動

  6. Cloud プロジェクトに対して課金が有効になっていることを確認します。詳しくは、プロジェクトで課金が有効になっているかどうかを確認する方法をご覧ください。

  7. Vertex AI and Cloud Functions API を有効にします。

    API を有効にする

  8. Cloud Console で、Cloud Shell をアクティブにします。

    Cloud Shell をアクティブにする

    Cloud Console の下部にある Cloud Shell セッションが開始し、コマンドライン プロンプトが表示されます。Cloud Shell はシェル環境です。Google Cloud CLI がすでにインストールされており、現在のプロジェクトの値もすでに設定されています。セッションが初期化されるまで数秒かかることがあります。

  9. Cloud Shell のプロンプトに (PROJECT_ID)$ が表示されない場合(PROJECT_ID は Google Cloud プロジェクト ID で置き換えられています)、次のコマンドを実行して Cloud Shell を構成し、プロジェクトを使用します。

    gcloud config set project PROJECT_ID
    

1. Cloud Storage バケットを作成する

このチュートリアルの残りの部分で使用するリージョン Cloud Storage バケットを us-central1 リージョンに作成します。このチュートリアルを進めていくなかで、このバケットをいくつかの目的で使用します。

  • カスタム トレーニング ジョブに使用する Vertex AI 用のトレーニング コードを保存する。
  • カスタム トレーニング ジョブで出力されるモデル アーティファクトを保存する。
  • Vertex AI エンドポイントから予測を取得するウェブアプリをホストする。

Cloud Storage バケットを作成するには、Cloud Shell セッションで次のコマンドを実行します。

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

以下を置き換えます。

  • PROJECT_ID: Google Cloud プロジェクトの ID。
  • BUCKET_NAME: バケットに付ける名前。例: hello_custom_PROJECT_IDバケット名の要件をご覧ください。

2. サンプルコードをダウンロードする

チュートリアルの残りの部分で使用するサンプルコードをダウンロードします。Cloud Shell セッションで次のコマンドを実行して、このチュートリアル用のサンプルコードをダウンロード、解凍し、そのディレクトリに移動します。

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

必要に応じて、次のコマンドを実行してサンプルコードを確認します。

ls -lpR

hello-custom-sample ディレクトリには 4 つの項目があります。

  • trainer/: 花の分類モデルをトレーニングするための TensorFlow Keras コードのディレクトリ。

  • setup.py: Vertex AI が使用できる Python ソース配布に trainer/ ディレクトリをパッケージ化するための構成ファイル。

  • function/: ウェブブラウザから予測リクエストを受信し、前処理、Vertex AI への送信、予測レスポンスの処理を行ってブラウザに送り返す Cloud Functions の関数の Python コードのディレクトリ。

  • webapp/: Vertex AI から花の分類予測を取得するウェブアプリのコードとマークアップを含むディレクトリ。

次のステップ

このチュートリアルの次のページの手順に沿って Vertex AI でカスタム トレーニング ジョブを実行する。