创建 Jupyter 笔记本

在本教程中，您将在 Jupyter 笔记本中使用 Vertex AI SDK，以通过 Vertex AI Workbench 实例获取预测结果。

本部分介绍如何在 Vertex AI Workbench 实例中创建 Jupyter 笔记本。Vertex AI Workbench 实例是基于 Jupyter 笔记本的开发环境，适用于整个数据科学工作流。Vertex AI Workbench 实例预封装了 JupyterLab，并预安装了深度学习软件包套件，并且都支持 TensorFlow 和 PyTorch 框架。如需了解详情，请参阅 Vertex AI Workbench 实例简介。

在 Vertex AI Workbench 中创建笔记本后，运行 Python 代码的连续部分，以执行大部分工作来生成预测结果。

创建 Vertex AI Workbench 实例

如需创建 Vertex AI Workbench 实例，请执行以下操作：

1. 在 Google Cloud 控制台中打开 Google Cloud 项目（如果尚未打开）。

2. 在 Google Cloud 控制台中，进入 Vertex AI Workbench 实例页面。

   转到实例

3. 如果系统显示用于启用 Notebooks API 的选项，请点击启用。启用过程可能需要一些时间才能完成。

4. 点击新建。

5. 在新建实例对话框的名称中，为实例输入名称。

6. 在区域处，选择 us-central1 (爱荷华)。

7. 在区域处，选择 us-central1-a。

8. 点击创建。如需详细了解您的实例，请在该实例出现在实例列表中时点击其名称，以查看其属性。

准备笔记本

您的 Vertex AI Workbench 实例已通过身份验证，可以使用 Google Cloud 项目。但您必须安装并初始化 Python 版 Vertex AI SDK。此部分会引导您完成这些步骤。

创建笔记本后，您可以使用它输入并运行本教程中的连续代码段。每个代码段必须按顺序单独运行。

创建并打开笔记本

在本教程中，代码在笔记本中运行。这是一个扩展程序为 .ipynb 的文件。当您创建笔记本时，它是未命名的。您可以在将其打开后进行重命名。如需创建并打开笔记本，请执行以下操作：

1. 在 Google Cloud 控制台中，进入实例页面。

   转到实例

2. 在实例名称旁边，点击打开 JupyterLab。

   您的 Vertex AI Workbench 实例会打开 JupyterLab 环境。

3. 在 JupyterLab 中，选择 文件 > 新建 > 笔记本。

   系统会打开您的新笔记本文件。

4. 在 JupyterLab 的左侧导航窗格中，找到名为 Untitled.ipynb 的新笔记本。如需重命名，请右键点击笔记本的名称，点击重命名，然后输入新名称。

安装 Python 版 Vertex AI SDK

打开笔记本后，您必须安装 Python 版 Vertex AI SDK。您可以使用 Python 版 Vertex AI SDK 进行 Vertex AI API 调用，以创建数据集、创建模型、训练和部署模型及使用模型进行预测。如需了解详情，请参阅使用 Python 版 Vertex AI SDK。

安装 Python 版 Vertex AI SDK 时，系统还会安装它所依赖的其他 Google Cloud SDK。本教程中使用了其中的两种 SDK：

• Cloud Storage - 使用 Python 版 Vertex AI SDK 进行 Vertex AI API 调用时，Vertex AI 将工件存储在 Cloud Storage 存储桶中。该存储桶称为暂存存储桶。您可以在初始化 Python 版 Vertex AI SDK 时指定暂存存储桶。如需了解详情，请参阅适用于 Google Cloud Storage API 的 Python 客户端。

• BigQuery - Vertex AI 使用 BigQuery 公共数据集训练您的模型。必须安装 BigQuery SDK 才能访问和下载本教程中使用的数据集。如需了解详情，请参阅 BigQuery API 客户端库。

如需安装 Python 版 Vertex AI SDK 及其从属 SDK，请运行以下代码。

# Install the Vertex AI SDK
! pip3 install --upgrade --quiet google-cloud-aiplatform

--quiet 标志会抑制输出，以便仅显示错误（如果有）。感叹号 (!) 表示这是一个 shell 命令。

由于这是您在新笔记本中运行的第一段代码，因此请将其输入到笔记本顶部的空白代码单元中。在代码单元中输入代码后，点击 运行所选单元并前进或使用键盘快捷键 Shift + Enter 运行代码。

在继续学习本教程时，请在自动显示在最近运行的代码下方的空代码单元中运行代码。如果您想手动添加新的代码单元，请点击笔记本文件的  在下方插入单元按钮。

设置项目 ID 和区域

在此步骤中，您将设置项目 ID 和区域。您首先需要将它们分配给变量，以便在本教程后面的部分中轻松引用它们。接下来，您将使用 gcloud config 命令为 Google Cloud 会话设置项目 ID 和区域。随后，您可以使用它们和 Cloud Storage 存储桶 URI 来初始化 Python 版 Vertex AI SDK。

设置项目 ID

如需设置项目 ID，请执行以下操作：

1. 找到您的 Google Cloud 项目 ID。如需了解详情，请参阅查找项目 ID。

2. 在笔记本的代码单元中运行以下命令。在代码中，将 MY_PROJECT_ID 替换为您刚刚找到的项目 ID。此命令生成的输出为 Updated property [core/project].

   project_id = "MY_PROJECT_ID"  # @param {type:"string"}
   # Set the project id
   ! gcloud config set project {project_id}
   

设置区域

本教程使用 us-central1 区域。如需设置区域，请执行以下操作：

1. 运行以下代码，将 Vertex AI 使用的 region 变量设置为 us-central1。此命令不会生成输出。如需了解详情，请参阅选择适合您的版本。

   region = "us-central1"  # @param {type: "string"}
   

创建 Cloud Storage 存储桶

本教程需要 Vertex AI 用于暂存工件的 Cloud Storage 存储桶。Vertex AI 将与您创建的数据集和模型资源关联的数据存储在暂存存储桶中。此数据会保留下来，并且在各个会话中可用。在本教程中，Vertex AI 还会将您的数据集存储在暂存存储桶中。您可以在初始化 Python 版 Vertex AI SDK 时指定暂存存储桶。

每个 Cloud Storage 存储桶的名称都必须是全局唯一的。如果您选择已使用的名称，则用于创建存储桶的 gsutil mb 命令将失败。以下代码使用日期时间戳和您的项目名称来创建唯一的存储桶名称。您可以将存储桶名称附加到 gs://，以创建 Cloud Storage 存储桶的 URI。echo shell 命令会显示 URI，以便您验证其创建是否正确。

1. 如需设置存储桶的名称和 URI，请运行以下代码。最后一行显示 Cloud Storage 存储桶的 URI。

   bucket_name = "bucket-name-placeholder"  # @param {type:"string"}
   bucket_uri = f"gs://{bucket_name}"
   
   from datetime import datetime
   timestamp = datetime.now().strftime("%Y%m%d%H%M%S")
   
   if bucket_name == "" or bucket_name is None or bucket_name == "bucket-name-placeholder":
       bucket_name = project_id + "aip-" + timestamp
       bucket_uri = "gs://" + bucket_name
   ! echo $bucket_uri
   

2. 如需使用 Cloud Storage 客户端库和存储桶 URI 创建存储桶，请运行以下代码。此代码不会生成输出。

   from google.cloud import storage
   client = storage.Client(project=project_id)
   
   # Create a bucket
   bucket = client.create_bucket(bucket_name, location=region)
   

3. 如需验证您的存储桶是否已成功创建，请运行以下命令：

   print("Bucket {} created.".format(bucket.name))
   

初始化 Python 版 Vertex AI SDK

如需初始化 Python 版 Vertex AI SDK，请先导入其库 aiplatform。接下来，调用 aiplatform.init 并传入以下参数的值：

• project - project 指定使用 Python 版 Vertex AI SDK 调用 Vertex AI API 时要使用的 Google Cloud 项目。在本教程中，您将使用 Google Cloud 项目的名称来指定该项目。您也可以使用项目编号来指定项目。

• location - location 指定进行 API 调用时使用的 Google Cloud 区域。如果您未指定位置，则 Python 版 Vertex AI SDK 将使用 us-central1。

• staging_bucket - staging_bucket 指定使用 Python 版 Vertex AI SDK 暂存工件时使用的 Cloud Storage 存储桶。您可以使用以 gs:// 开头的 URI 指定存储桶。在本教程中，您将使用之前在创建 Cloud Storage 存储桶中创建的 URI。

如需设置 Google Cloud 项目、区域和暂存存储桶，请运行以下命令。此命令不会生成输出。

from google.cloud import aiplatform

# Initialize the Vertex AI SDK
aiplatform.init(project=project_id, location=region, staging_bucket=bucket_uri)

初始化 BigQuery

本教程使用 BigQuery 的企鹅公共数据集来训练模型。在 Vertex AI 训练模型后，您可以指定代表企鹅特征的参数，而模型使用这些特征来预测它们代表的企鹅种类。如需详细了解公共数据集，请参阅 BigQuery 公共数据集。

在使用 BigQuery 数据集之前，您必须使用项目 ID 初始化 BigQuery。如需执行此操作，请运行以下命令：此命令不会生成输出。

from google.cloud import bigquery

# Set up BigQuery client
bq_client = bigquery.Client(project=project_id)