此旧版 AI Platform Training 已弃用，2025 年 1 月 31 日之后将不再在 Google Cloud 上提供。将资源迁移至 Vertex AI 自定义训练即可获取 AI Platform 没有的新机器学习功能。

此页面由 Cloud Translation API 翻译。

封装训练应用

您必须先将代码和所有依赖项上传到 Google Cloud 项目可访问的 Cloud Storage 存储分区，然后才能使用 AI Platform Training 运行训练应用。本页面介绍如何在云端封装和暂存应用。

如果您先在本地测试训练应用，然后再将其上传到云端，则可以获得最佳效果。使用 AI Platform Training 进行训练时，系统会根据使用的资源向您的账号收取费用。

准备工作

在将训练应用迁移到云端之前，您必须完成以下步骤：

按照入门指南中的说明配置您的开发环境。
使用 AI Platform Training 托管的其中一个机器学习框架（TensorFlow、scikit-learn 或 XGBoost）开发您的训练应用。或者，构建自定义容器以自定义训练应用的环境。这样您就可以使用 AI Platform Training 托管框架之外的机器学习框架。

如果您希望在训练后将经过训练的模型部署到 AI Platform Prediction，请参阅导出模型以进行预测指南，以确保训练软件包导出 AI Platform Prediction 可以使用的模型工件。
按照该指南设置一个用于存储训练应用数据和文件的 Cloud Storage 存储分区。
了解训练应用所依赖的所有 Python 库，无论它们是自定义软件包，还是通过 PyPI 免费提供。

本文档讨论了以下因素，这些因素可影响您如何封装应用并将其上传到 Cloud Storage：

使用 gcloud CLI（推荐）或编写您自己的解决方案代码。
如有必要，手动构建软件包。
如何添加您所用 AI Platform Training 运行时未安装的其他依赖项。

使用 `gcloud` 封装并上传应用（推荐）

如需封装应用并将其与依赖项一同上传，最简单的方法是使用 gcloud CLI。只需使用一条命令 (gcloud ai-platform jobs submit training)，即可封装并上传应用，以及提交第一项训练作业。

为方便起见，您可以将配置值定义为 shell 变量，这种做法非常有用：

PACKAGE_PATH='LOCAL_PACKAGE_PATH'
MODULE_NAME='MODULE_NAME'
STAGING_BUCKET='BUCKET_NAME'
JOB_NAME='JOB_NAME'
JOB_DIR='JOB_OUTPUT_PATH'
REGION='REGION'

请替换以下内容：

LOCAL_PACKAGE_PATH：本地环境中 Python 软件包的目录的路径
MODULE_NAME：训练模块的完全限定名称
BUCKET_NAME - Cloud Storage 存储桶的名称
JOB_NAME：训练作业的名称
JOB_OUTPUT_PATH：您希望训练作业在其中保存输出的 Cloud Storage 目录的 URI
REGION：您要运行训练作业的地区

如需详细了解对于以下命令中的值的要求，请参阅下面的列表。

以下示例展示了一条 gcloud ai-platform jobs submit training 命令，该命令会封装应用并提交训练作业：

gcloud ai-platform jobs submit training $JOB_NAME \
    --staging-bucket=$STAGING_BUCKET \
    --job-dir=$JOB_DIR  \
    --package-path=$PACKAGE_PATH \
    --module-name=$MODULE_NAME \
    --region=$REGION \
    -- \
    --user_first_arg=first_arg_value \
    --user_second_arg=second_arg_value

--staging-bucket 指定您要用于暂存训练软件包和依赖项软件包的 Cloud Storage 存储桶。您的 Google Cloud 项目必须拥有此 Cloud Storage 存储桶的访问权限，并且此存储桶必须位于运行作业的区域。请参阅 AI Platform Training 服务的可用区域。如果您没有指定暂存存储桶，AI Platform Training 会将您的软件包暂存在 job-dir 参数所指定的位置。
--job-dir 指定要用于存储训练作业输出文件的 Cloud Storage 位置。您的 Google Cloud 项目必须拥有此 Cloud Storage 存储分区的访问权限，且此存储分区应位于运行作业的区域。请参阅 AI Platform Training 服务的可用区域。
--package-path 指定应用目录的本地路径。gcloud CLI 会根据 setup.py 文件（位于 --package-path 所指定目录的父目录中），通过您的代码构建 .tar.gz 分发软件包。然后，它会将此 .tar.gz 文件上传到 Cloud Storage，并使用该文件来运行您的训练作业。

如果预期位置中没有 setup.py 文件，gcloud CLI 会创建一个简单的临时 setup.py，并仅将 --package-path 指定的目录加入其所构建的 .tar.gz 文件中。
--module-name 指定应用主模块的名称，该名称使用软件包的命名空间点表示法。这是用于启动应用的 Python 文件。例如，如果您的主模块为 .../my_application/trainer/task.py（请参阅推荐的项目结构），则该模块名称为 trainer.task。

如果您在配置文件 (config.yaml) 中指定了一个选项，同时又将该选项指定为命令行标志，则命令行中的值将覆盖配置文件中的值。
空 -- 标志标记了 gcloud 特有标志的结束以及您要传递至应用的 USER_ARGS 的开始。
AI Platform Training 特有的标志（例如 --module-name、--runtime-version 和 --job-dir）必须位于空 -- 标志之前。AI Platform Training 服务可解读这些标志。
如果指定 --job-dir 标志，则该标志必须位于空 -- 标志之前，原因是 AI Platform Training 会使用 --job-dir 来验证路径。
如果指定 --job-dir 标志，您的应用也必须对该标志进行处理。虽然 --job-dir 位于空 -- 之前，该标志也会作为命令行标志传递至您的应用。
您可以根据需要定义任意数量的 USER_ARGS。AI Platform Training 会将 --user_first_arg、--user_second_arg 等传递至您的应用。

您可以在运行训练作业相关指南中深入了解作业提交标志。

使用依赖项

依赖项是您在代码中 import 的软件包。您的应用可能需要多个依赖项才能正常运行。

在 AI Platform Training 上运行训练作业时，该作业将在已安装许多常用 Python 软件包的训练实例（特别配置的虚拟机）上运行。请检查用于训练的运行时版本中包含的软件包，并记下尚未安装的所有依赖项。

您可能需要添加以下两种类型的依赖项：

标准依赖项，这是 PyPI 中提供的常用 Python 软件包。
自定义软件包，例如您自己开发的软件包，或组织内部的软件包。

以下部分介绍了每个类型的过程。

添加标准 (PyPI) 依赖项

您可以在软件包的 setup.py 脚本中为其指定标准依赖项。AI Platform Training 会使用 pip 在其为作业分配的训练实例上安装您的软件包。pip install 命令会查找您配置的依赖项并进行安装。

在应用的根目录（如果您遵循推荐的格式，则为 trainer 目录的上一级目录）中，创建一个名为 setup.py 的文件。

在 setup.py 中输入以下脚本，并插入您自己的值：

from setuptools import find_packages
from setuptools import setup

REQUIRED_PACKAGES = ['some_PyPI_package>=1.0']

setup(
    name='trainer',
    version='0.1',
    install_requires=REQUIRED_PACKAGES,
    packages=find_packages(),
    include_package_data=True,
    description='My training application package.'
)

如果您使用 Google Cloud CLI 提交训练作业，它会自动使用您的 setup.py 文件生成软件包。

如果您没有使用 gcloud 提交训练作业，请使用以下命令运行脚本：

python setup.py sdist

如需了解详情，请参阅手动封装训练应用部分。

添加自定义依赖项

如需指定应用的自定义依赖项，您可以将这些依赖项的路径作为作业配置的一部分进行传递。您需要每个依赖项软件包的 URI。自定义依赖项必须位于 Cloud Storage 位置。AI Platform Training 使用 pip install 来安装自定义依赖项，因此这些依赖项可以在其 setup.py 脚本中拥有自己的标准依赖项。

如果您使用 gcloud CLI 运行训练作业，则可以在本地机器和 Cloud Storage 上指定依赖项，随后该工具会为您将依赖项暂存到云端，具体做法如下：在运行 gcloud ai-platform jobs submit training 命令时设置 --packages 标志，以采用英文逗号分隔的列表形式添加依赖项。

所包含的每个 URI 都是分发软件包的路径，其格式为 tar (.tar.gz) 或 whl (.whl) 压缩文件。AI Platform Training 会使用 pip install 在其为训练作业分配的每个虚拟机上安装各个软件包。

以下示例指定了名为 dep1.tar.gz 和 dep2.whl 的打包依赖项（每种受支持软件包类型各一个）以及应用源代码的路径：

gcloud ai-platform jobs submit training $JOB_NAME \
    --staging-bucket $PACKAGE_STAGING_PATH \
    --package-path /Users/mluser/models/faces/trainer \
    --module-name $MODULE_NAME \
    --packages dep1.tar.gz,dep2.whl \
    --region us-central1 \
    -- \
    --user_first_arg=first_arg_value \
    --user_second_arg=second_arg_value

同样，以下示例指定了名为 dep1.tar.gz 和 dep2.whl 的打包依赖项（每种受支持软件包类型各一个），但使用已构建的训练应用：

gcloud ai-platform jobs submit training $JOB_NAME \
    --staging-bucket $PACKAGE_STAGING_PATH \
    --module-name $MODULE_NAME \
    --packages trainer-0.0.1.tar.gz,dep1.tar.gz,dep2.whl
    --region us-central1 \
    -- \
    --user_first_arg=first_arg_value \
    --user_second_arg=second_arg_value

如果您使用 AI Platform Training and Prediction API 直接运行训练作业，则必须自行将依赖项软件包暂存在一个 Cloud Storage 位置，然后使用该位置中软件包的路径。

手动构建软件包

封装 Python 代码是一个广泛的主题，在很大程度上超出了本文档的讨论范围。为方便起见，本部分概述了如何使用 Setuptools 构建软件包。您也可以使用其他库来执行相同的操作。

请按照以下步骤手动构建软件包：

在应用软件包的每个目录中，添加一个名为 __init__.py 的文件，该文件可以为空，也可以包含导入该软件包（该目录中的任何模块）时要运行的代码。
在要加入 .tar.gz 分发软件包中的所有代码的父目录（如果您遵循推荐的模式，则为 trainer 目录的上一级目录）中，添加一个名为 setup.py 的 Setuptools 文件，其中包含以下内容：
- setuptools.find_packages 和 setuptools.setup 的导入语句。
- 对 setuptools.setup 的调用，至少包含以下参数：
  - _name_ 设置为软件包命名空间的名称。
  - _version_ 设置为此软件包版本的版本号。
  - _install_requires_ 设置为应用所需的软件包列表，包括类似 'docutils>=0.3' 的版本要求。
  - _packages_ 设置为 find_packages()。该参数指示 Setuptools，以“导入软件包”的形式（在 Python 中，您使用类似 from trainer import util 的语句从这些软件包导入模块）将父目录下所有包含 __init__.py 文件的子目录都加入“分发软件包”（包含所有代码的 `.tar.gz 文件）中。
  - _include_package_data_ 设置为 True。
运行 python setup.py sdist 来创建您的 .tar.gz 分发软件包。

使用 gcloud CLI 上传现有软件包

如果您自行构建软件包，则可以使用 gcloud CLI 上传该软件包。运行 gcloud ai-platform jobs submit training 命令：

将 --packages 标志设置为已打包应用的路径。
将 --module-name 标志设置为应用主模块的名称，该名称使用软件包的命名空间点表示法。这是用于启动应用的 Python 文件。例如，如果您的主模块为 .../my_application/trainer/task.py（请参阅推荐的项目结构），则该模块名称为 trainer.task。

以下示例展示了如何使用与运行命令位于同一目录的 tar 压缩软件包（在本例中名为 trainer-0.0.1.tar.gz）。主函数位于名为 task.py: 的模块中

gcloud ai-platform jobs submit training $JOB_NAME \
    --staging-bucket $PACKAGE_STAGING_PATH \
    --job-dir $JOB_DIR \
    --packages trainer-0.0.1.tar.gz \
    --module-name $MODULE_NAME \
    --region us-central1 \
    -- \
    --user_first_arg=first_arg_value \
    --user_second_arg=second_arg_value

通过 gcloud CLI 使用已在云端的现有软件包

如果您自行构建软件包并将其上传到 Cloud Storage 位置，则可以使用 gcloud 上传该软件包。运行 gcloud ai-platform jobs submit training 命令：

将 --packages 标志设置为已打包应用的路径。
将 --module-name 标志设置为应用主模块的名称，该名称使用软件包的命名空间点表示法。这是用于启动应用的 Python 文件。例如，如果您的主模块为 .../my_application/trainer/task.py（请参阅推荐的项目结构），则该模块名称为 trainer.task。

以下示例展示了如何使用位于 Cloud Storage 存储分区的 tar 压缩软件包：

gcloud ai-platform jobs submit training $JOB_NAME \
    --job-dir $JOB_DIR \
    --packages $PATH_TO_PACKAGED_TRAINER \
    --module-name $MODULE_NAME \
    --region us-central1 \
    -- \
    --user_first_arg=first_arg_value \
    --user_second_arg=second_arg_value

其中 $PATH_TO_PACKAGED_TRAINER 是环境变量，表示已在云端的现有软件包的路径。例如，该路径可以指向以下 Cloud Storage 位置，其中包含一个名为 trainer-0.0.1.tar.gz 的 tar 压缩软件包：

PATH_TO_PACKAGED_TRAINER=gs://$CLOUD_STORAGE_BUCKET_NAME/trainer-0.0.0.tar.gz

手动上传软件包

如果需要，您可以手动上传软件包。最常见的原因是您想要直接调用 AI Platform Training and Prediction API 来启动训练作业。如需将软件包与任何自定义依赖项手动上传到 Cloud Storage 存储桶，最简单的方法是使用 gcloud storage 命令工具：

gcloud storage cp /local/path/to/package.tar.gz  gs://bucket/path/

不过，如果您可以使用命令行执行此操作，则只需在设置训练作业时使用 gcloud ai-platform jobs submit training 上传软件包即可。如果无法使用命令行，您可以使用 Cloud Storage 客户端库以编程方式上传。

后续步骤

运行训练作业