Hello 커스텀 학습: 프로젝트 및 환경 설정

이 페이지에서는 Vertex AI를 사용하도록 Google Cloud 프로젝트를 설정하고 학습용 TensorFlow 코드를 다운로드하는 과정을 안내합니다. 또한 예측을 가져오는 웹 앱의 코드도 다운로드하게 될 것입니다.

이 문서는 Vertex AI를 사용하여 이미지 분류 모델을 학습시키고 모델을 사용하여 예측을 수행하는 방법을 설명하는 'Hello 커스텀 학습' 가이드의 일부입니다. 이 가이드에서는 Vertex AI의 커스텀 학습 기능을 사용하여 Vertex AI의 사전 빌드된 컨테이너 환경 중 하나에서 TensorFlow Keras 학습 애플리케이션을 실행합니다. 이 커스텀 학습 작업은 머신러닝(ML) 모델을 학습시켜 꽃 이미지를 유형에 따라 분류합니다. ML 모델을 학습시킨 후 이 가이드에서는 엔드포인트를 만들어 해당 엔드포인트에서 간단한 웹 앱으로 예측을 제공하는 방법을 보여줍니다.

이 가이드는 여러 페이지로 이루어져 있습니다.

  1. 프로젝트 및 환경 설정

  2. 커스텀 이미지 분류 모델 학습

  3. 커스텀 이미지 분류 모델을 사용한 예측 제공

  4. 프로젝트 삭제

각 페이지에서는 이 가이드의 이전 페이지에서 안내를 이미 수행했다고 가정합니다.

시작하기 전에

이 가이드에서는 전반적으로 Google Cloud Console 및 Cloud Shell을 사용하여 Google Cloud와 상호작용합니다. 또는 Cloud Shell 대신 Cloud SDK가 설치된 다른 Bash 셸을 사용할 수도 있습니다.

  1. Google Cloud 계정에 로그인합니다. Google Cloud를 처음 사용하는 경우 계정을 만들고 Google 제품의 실제 성능을 평가해 보세요. 신규 고객에게는 워크로드를 실행, 테스트, 배포하는 데 사용할 수 있는 $300의 무료 크레딧이 제공됩니다.
  2. Google Cloud Console의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.

    프로젝트 선택기로 이동

  3. Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다. 프로젝트에 결제가 사용 설정되어 있는지 확인하는 방법을 알아보세요.

  4. Vertex AI and Cloud Functions API를 사용 설정합니다.

    API 사용 설정

  5. Google Cloud Console의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.

    프로젝트 선택기로 이동

  6. Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다. 프로젝트에 결제가 사용 설정되어 있는지 확인하는 방법을 알아보세요.

  7. Vertex AI and Cloud Functions API를 사용 설정합니다.

    API 사용 설정

  8. Cloud Console에서 Cloud Shell을 활성화합니다.

    Cloud Shell 활성화

    Cloud Console 하단에 Cloud Shell 세션이 시작되고 명령줄 프롬프트가 표시됩니다. Cloud Shell은 gcloud 명령줄 도구가 포함되고 Cloud SDK가 사전 설치된 셸 환경으로, 현재 프로젝트의 값이 이미 설정되어 있습니다. 세션이 초기화되는 데 몇 초 정도 걸릴 수 있습니다.

  9. Cloud Shell이 프롬프트에 (PROJECT_ID)$를 표시하지 않는 경우 (여기서 PROJECT_ID는 Google Cloud 프로젝트 ID로 바꿈) 다음 명령어를 실행하여 프로젝트를 사용할 Cloud Shell을 구성하세요.

    gcloud config set project PROJECT_ID
    

1. Cloud Storage 버킷 생성

이 가이드의 나머지 섹션에서 사용할 리전 Cloud Storage 버킷을 us-central1 리전에 만듭니다. 가이드를 따라가는 동안 여러 가지 용도로 버킷을 사용하게 될 것입니다.

  • Vertex AI의 커스텀 학습 작업에서 사용할 학습 코드 저장
  • 커스텀 학습 작업에서 출력하는 모델 아티팩트 저장
  • Vertex AI 엔드포인트에서 예측을 가져오는 웹 앱 호스팅

Cloud Storage 버킷을 만들려면 Cloud Shell 세션에서 다음 명령어를 실행합니다.

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

다음을 바꿉니다.

  • PROJECT_ID: Google Cloud 프로젝트의 ID입니다.
  • BUCKET_NAME: 선택한 버킷 이름입니다. 예를 들면 hello_custom_PROJECT_ID입니다. 버킷 이름 요구사항에 대해 알아보세요.

2. 샘플 코드 다운로드

튜토리얼의 나머지 부분에 사용할 샘플 코드를 다운로드합니다. Cloud Shell 세션에서 다음 명령어를 실행하여 이 튜토리얼의 샘플 코드가 포함된 디렉터리로 이동하여 다운로드하고 압축을 해제합니다.

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

선택 사항으로, 다음 명령어를 실행하여 샘플 코드를 검사합니다.

ls -lpR

hello-custom-sample 디렉터리에는 4개의 항목이 있습니다.

  • trainer/: 꽃 분류 모델을 학습하는 TensorFlow Keras 코드 디렉터리입니다.

  • setup.py: trainer/ 디렉터리를 Vertex AI가 사용할 수 있는 Python 소스 배포로 패키징하기 위한 구성 파일입니다.

  • function/: Cloud 함수의 Python 코드 디렉터리로서, 웹브라우저에서 예측 요청을 받아 사전 처리하고 요청을 Vertex AI로 전송하며 예측 응답을 처리한 후 이를 브라우저에 다시 전송할 수 있습니다.

  • webapp/: Vertex AI에서 꽃 분류 예측을 가져오는 웹 앱의 코드 및 마크업이 포함된 디렉터리입니다.

다음 단계

이 튜토리얼의 다음 페이지에 따라 Vertex AI에서 커스텀 학습 작업을 실행합니다.