run
do job de treinamento para executar o script.
Neste tópico, você cria o script de treinamento e especifica argumentos de comando para ele.
Criar um script de treinamento
Nesta seção, você criará um script de treinamento. Esse script é um novo arquivo no ambiente
do notebook chamado task.py. Mais adiante neste tutorial, você vai transmitir esse
script para o construtor aiplatform.CustomTrainingJob. Quando o script é executado, ele faz o seguinte:
Carrega os dados no conjunto de dados do BigQuery que você criou.
Usa a API TensorFlow Keras para criar, compilar e treinar seu modelo.
Especifica o número de épocas e o tamanho do lote a ser usado quando o método
Model.fitdo Keras é invocado.Especifica onde salvar os artefatos de modelo usando a variável de ambiente
AIP_MODEL_DIR.AIP_MODEL_DIRé definido pela Vertex AI e contém o URI de um diretório para salvar artefatos de modelo. Para mais informações, consulte Variáveis de ambiente para diretórios especiais do Cloud Storage.Exporta um
SavedModeldo TensorFlow para o diretório do modelo. Para mais informações, consulte Como usar o formatoSavedModelno site do TensorFlow.
Para criar o script de treinamento, execute o seguinte código no seu notebook:
%%writefile task.py
import argparse
import numpy as np
import os
import pandas as pd
import tensorflow as tf
from google.cloud import bigquery
from google.cloud import storage
# Read environmental variables
training_data_uri = os.getenv("AIP_TRAINING_DATA_URI")
validation_data_uri = os.getenv("AIP_VALIDATION_DATA_URI")
test_data_uri = os.getenv("AIP_TEST_DATA_URI")
# Read args
parser = argparse.ArgumentParser()
parser.add_argument('--label_column', required=True, type=str)
parser.add_argument('--epochs', default=10, type=int)
parser.add_argument('--batch_size', default=10, type=int)
args = parser.parse_args()
# Set up training variables
LABEL_COLUMN = args.label_column
# See https://cloud.google.com/vertex-ai/docs/workbench/managed/executor#explicit-project-selection for issues regarding permissions.
PROJECT_NUMBER = os.environ["CLOUD_ML_PROJECT_ID"]
bq_client = bigquery.Client(project=PROJECT_NUMBER)
# Download a table
def download_table(bq_table_uri: str):
# Remove bq:// prefix if present
prefix = "bq://"
if bq_table_uri.startswith(prefix):
bq_table_uri = bq_table_uri[len(prefix) :]
# Download the BigQuery table as a dataframe
# This requires the "BigQuery Read Session User" role on the custom training service account.
table = bq_client.get_table(bq_table_uri)
return bq_client.list_rows(table).to_dataframe()
# Download dataset splits
df_train = download_table(training_data_uri)
df_validation = download_table(validation_data_uri)
df_test = download_table(test_data_uri)
def convert_dataframe_to_dataset(
df_train: pd.DataFrame,
df_validation: pd.DataFrame,
):
df_train_x, df_train_y = df_train, df_train.pop(LABEL_COLUMN)
df_validation_x, df_validation_y = df_validation, df_validation.pop(LABEL_COLUMN)
y_train = tf.convert_to_tensor(np.asarray(df_train_y).astype("float32"))
y_validation = tf.convert_to_tensor(np.asarray(df_validation_y).astype("float32"))
# Convert to numpy representation
x_train = tf.convert_to_tensor(np.asarray(df_train_x).astype("float32"))
x_test = tf.convert_to_tensor(np.asarray(df_validation_x).astype("float32"))
# Convert to one-hot representation
num_species = len(df_train_y.unique())
y_train = tf.keras.utils.to_categorical(y_train, num_classes=num_species)
y_validation = tf.keras.utils.to_categorical(y_validation, num_classes=num_species)
dataset_train = tf.data.Dataset.from_tensor_slices((x_train, y_train))
dataset_validation = tf.data.Dataset.from_tensor_slices((x_test, y_validation))
return (dataset_train, dataset_validation)
# Create datasets
dataset_train, dataset_validation = convert_dataframe_to_dataset(df_train, df_validation)
# Shuffle train set
dataset_train = dataset_train.shuffle(len(df_train))
def create_model(num_features):
# Create model
Dense = tf.keras.layers.Dense
model = tf.keras.Sequential(
[
Dense(
100,
activation=tf.nn.relu,
kernel_initializer="uniform",
input_dim=num_features,
),
Dense(75, activation=tf.nn.relu),
Dense(50, activation=tf.nn.relu),
Dense(25, activation=tf.nn.relu),
Dense(3, activation=tf.nn.softmax),
]
)
# Compile Keras model
optimizer = tf.keras.optimizers.RMSprop(lr=0.001)
model.compile(
loss="categorical_crossentropy", metrics=["accuracy"], optimizer=optimizer
)
return model
# Create the model
model = create_model(num_features=dataset_train._flat_shapes[0].dims[0].value)
# Set up datasets
dataset_train = dataset_train.batch(args.batch_size)
dataset_validation = dataset_validation.batch(args.batch_size)
# Train the model
model.fit(dataset_train, epochs=args.epochs, validation_data=dataset_validation)
tf.saved_model.save(model, os.getenv("AIP_MODEL_DIR"))
Depois que você criar o script, ele vai aparecer na pasta raiz do notebook:
Defina argumentos para seu script de treinamento
Transmita os seguintes argumentos de linha de comando para seu script de treinamento:
label_column: identifica a coluna nos dados que contém o que você quer prever. Nesse caso, essa coluna éspecies. Você definiu isso em uma variável chamadaLABEL_COLUMNao processar seus dados. Para mais informações, consulte Fazer o download, pré-processamento e divisão dos dados.epochs: esse é o número de épocas usadas ao treinar o modelo. Uma época é uma iteração dos dados ao treinar o modelo. Neste tutorial, usamos 20 épocas.batch_size: é o número de amostras processadas antes da atualização do modelo. Este tutorial usa um tamanho de lote de 10.
Para definir os argumentos que são transmitidos para seu script, execute o seguinte código:
JOB_NAME = "custom_job_unique"
EPOCHS = 20
BATCH_SIZE = 10
CMDARGS = [
"--label_column=" + LABEL_COLUMN,
"--epochs=" + str(EPOCHS),
"--batch_size=" + str(BATCH_SIZE),
]