Hello-Textdaten: Projekt und Umgebung einrichten

Um mehr zu erfahren, führen Sie das Jupyter-Notebook "AutoML-Textklassifizierungsmodell erstellen, trainieren und bereitstellen" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Wenn Sie das Vertex AI SDK für Python verwenden möchten, muss das Dienstkonto, das den Client initialisiert, die IAM-Rolle Dienst-Agent von Vertex AI (roles/aiplatform.serviceAgent) haben.

In diesem Teil der Anleitung richten Sie Ihr Google Cloud-Projekt für die Verwendung von Vertex AI und einen Cloud Storage-Bucket ein, der die Dokumente zum Trainieren Ihres AutoML-Modells enthält.

Diese Anleitung umfasst mehrere Seiten:

1. Projekt und Umgebung einrichten

2. Textklassifizierungs-Dataset erstellen

3. AutoML-Textklassifizierungsmodell trainieren.

4. Modell auf einem Endpunkt bereitstellen und eine Vorhersage treffen.

5. Projekt bereinigen.

Auf jeder Seite wird davon ausgegangen, dass Sie die Anleitung auf den vorherigen Seiten des Leitfadens bereits ausgeführt haben.

Projekt und Umgebung einrichten

Führen Sie die folgenden Schritte aus, bevor Sie die Vertex-AI-Funktionen verwenden.

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. Make sure that billing is enabled for your Google Cloud project.

4. Öffnen Sie Cloud Shell. Cloud Shell ist eine interaktive Shell-Umgebung für Google Cloud, mit der Sie Projekte und Ressourcen über Ihren Webbrowser verwalten können.
Zu Cloud Shell
5. Legen Sie in Cloud Shell das aktuelle Projekt auf Ihre Google Cloud-Projekt-ID fest und speichern Sie sie in der Shell-Variable projectid:

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

   Ersetzen Sie PROJECT_ID durch Ihre Projekt-ID. Sie finden Ihre Projekt-ID in der Google Cloud Console. Weitere Informationen finden Sie unter Projekt-ID ermitteln.

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: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.
Die IAM-Rolle „Vertex AI-Nutzer“ (roles/aiplatform.user) bietet Zugriff auf alle Ressourcen in Vertex AI. Mit dem Storage-Administrator (roles/storage.admin) können Sie das Trainings-Dataset des Dokuments in Cloud Storage speichern.

Cloud Storage-Bucket erstellen und das Beispiel-Dataset kopieren

Erstellen Sie einen Cloud Storage-Bucket zum Speichern der Dokumente, die Sie zum Trainieren Ihres AutoML-Modells verwenden.

1. Öffnen Sie Cloud Shell.

2. Legen Sie die Variable PROJECT_ID auf die ID Ihres Projekts fest.

   export PROJECT_ID=PROJECT_ID

3. Legen Sie die Variable BUCKET fest, mit der Sie einen Cloud Storage-Bucket erstellen.

   export BUCKET=${PROJECT_ID}-lcm

4. Erstellen Sie mit der Variable BUCKET einen Cloud Storage-Bucket in der Region us-central1.

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

5. Kopieren Sie das Beispiel-Trainings-Dataset happiness.csv in Ihren Bucket.

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

Nächste Schritte

Folgen Sie der nächsten Seite dieser Anleitung, um mit der Vertex AI-Konsole ein Textklassifizierungs-Dataset zu erstellen und die Dokumente zu importieren, die Sie in Ihren Cloud Storage-Bucket kopiert haben.