Dados de texto do Hello: configurar o projeto e o ambiente

Para saber mais, execute o notebook Jupyter "Criar, treinar e implantar um modelo de classificação de texto do AutoML" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos notebooks gerenciados pelo usuário do Vertex AI Workbench | Conferir no GitHub

Se você planeja usar o SDK da Vertex AI para Python, verifique se a conta de serviço que inicializa o cliente tem o papel do IAM do Agente de serviço da Vertex AI (roles/aiplatform.serviceAgent).

Nesta parte do tutorial, você configurará seu projeto do Google Cloud para usar a Vertex AI e um bucket do Cloud Storage que conterá os documentos para treinar seu modelo do AutoML.

Este tutorial tem várias páginas:

1. Como configurar o projeto e o ambiente

2. Como criar um conjunto de dados de classificação de texto .

3. Como treinar um modelo do AutoML de classificação de textos.

4. Implantar o modelo em um endpoint e fazer uma previsão.

5. Como limpar o projeto.

Cada página pressupõe que você já tenha realizado as instruções das páginas anteriores do tutorial.

Configurar o projeto e o ambiente

Conclua as etapas a seguir antes de usar a funcionalidade da Vertex AI.

1. In the Google Cloud console, go to the project selector page.

   Go to project selector

2. Select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

3. Verifique se a cobrança está ativada para o seu projeto do Google Cloud.

4. Abra o Cloud Shell. O Cloud Shell é um ambiente shell interativo para o Google Cloud que permite gerenciar projetos e recursos a partir do navegador da Web.
Acesse o Cloud Shell
5. No Cloud Shell, defina o projeto atual como o ID do projeto do Google Cloud e armazene-o na variável de shell projectid:

     gcloud config set project PROJECT_ID &&
     projectid=PROJECT_ID &&
     echo $projectid

   Substitua PROJECT_ID pela ID do seu projeto. Localize o ID do projeto no console do Google Cloud. Para mais informações, consulte Encontrar o ID do projeto.

6. Enable the IAM, Compute Engine, Notebooks, Cloud Storage, and Vertex AI APIs:

   gcloud services enable iam.googleapis.com  compute.googleapis.com notebooks.googleapis.com storage.googleapis.com aiplatform.googleapis.com

7. Grant roles to your user account. Run the following command once for each of the following IAM roles: roles/aiplatform.user, roles/storage.admin

   gcloud projects add-iam-policy-binding PROJECT_ID --member="USER_IDENTIFIER" --role=ROLE

   • Replace PROJECT_ID with your project ID.

   • Replace USER_IDENTIFIER with the identifier for your user account. For example, user:[e-mail].

   • Replace ROLE with each individual role.
O papel do IAM do usuário da Vertex AI (roles/aiplatform.user) fornece acesso para usar todos os recursos na Vertex AI. O Administrador do Storage (roles/storage.admin) permite armazenar o conjunto de dados de treinamento do documento no Cloud Storage.

Crie um bucket do Cloud Storage e copie o conjunto de dados de amostra

Crie um bucket do Cloud Storage para armazenar os documentos que serão usados para treinar o modelo do AutoML.

1. Abra o Cloud Shell.

2. Defina a variável PROJECT_ID como o ID do seu projeto.

   export PROJECT_ID=PROJECT_ID

3. Defina a variável BUCKET, que você usará para criar um bucket do Cloud Storage.

   export BUCKET=${PROJECT_ID}-lcm

4. Crie um bucket do Cloud Storage na região us-central1 com a variável BUCKET.

   gsutil mb -p ${PROJECT_ID} -l us-central1 gs://${BUCKET}/

5. Copie o conjunto de dados de treinamento de amostra happiness.csv para seu bucket.

   gsutil -m cp -R gs://cloud-ml-data/NL-classification/happiness.csv gs://${BUCKET}/text/

A seguir

Siga a próxima página deste tutorial para usar o console da Vertex AI para criar um conjunto de dados de classificação de textos e importar os documentos que você copiou para o bucket do Cloud Storage.