Questa pagina descrive la configurazione del progetto Google Cloud per utilizzare Vertex AI e il download di codice TensorFlow per l'addestramento. Scaricherai anche il codice per un'app web che riceve le previsioni.
Questo tutorial è composto da più pagine:Configurazione del progetto e dell'ambiente.
Addestramento di un modello di classificazione delle immagini personalizzato.
Esecuzione di previsioni da un modello di classificazione delle immagini personalizzato.
Ogni pagina presuppone che tu abbia già eseguito le istruzioni delle pagine precedenti del tutorial.
Prima di iniziare
Durante questo tutorial, utilizza la Google Cloud console e Cloud Shell per interagire con Google Cloud. In alternativa, anziché Cloud Shell, puoi utilizzare un'altra shell Bash con Google Cloud CLI installato.
- Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the Vertex AI and Cloud Run functions APIs.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the Vertex AI and Cloud Run functions APIs.
-
In the Google Cloud console, activate Cloud Shell.
At the bottom of the Google Cloud console, a Cloud Shell session starts and displays a command-line prompt. Cloud Shell is a shell environment with the Google Cloud CLI already installed and with values already set for your current project. It can take a few seconds for the session to initialize.
-
Se Cloud Shell non mostra
(PROJECT_ID)$nel prompt (dove PROJECT_ID viene sostituito dal tuo Google Cloud ID progetto), esegui questo comando per configurare Cloud Shell in modo che utilizzi il tuo progetto:gcloud config set project PROJECT_ID - Memorizza il codice di addestramento che Vertex AI deve utilizzare in un job di addestramento personalizzato.
- Archivia gli artefatti del modello generati dal job di addestramento personalizzato.
- Ospita l'app web che riceve le previsioni dall'endpoint Vertex AI.
- PROJECT_ID: l'ID del tuo Google Cloud progetto.
- BUCKET_NAME: un nome che scegli per il bucket. Ad esempio,
hello_custom_PROJECT_ID. Scopri di più sui requisiti per i nomi dei bucket. trainer/: una directory del codice TensorFlow Keras per l'addestramento del modello di classificazione dei fiori.setup.py: un file di configurazione per il packaging della directorytrainer/in una distribuzione dell'origine Python che Vertex AI può utilizzare.function/: una directory di codice Python per una funzione Cloud Run che può ricevere ed elaborare le richieste di previsione da un browser web, inviarle a Vertex AI, elaborare le risposte di previsione e inviarle di nuovo al browser.webapp/: una directory con codice e markup per un'app web che riceve previsioni di classificazione dei fiori da Vertex AI.
Crea un bucket Cloud Storage
Crea un bucket Cloud Storage regionale nella regione us-central1
da utilizzare per il resto di questo tutorial. Mentre segui il tutorial, utilizza il
bucket per diversi scopi:
Per creare il bucket Cloud Storage, esegui questo comando nella sessione di Cloud Shell:
gcloud storage buckets create gs://BUCKET_NAME --project=PROJECT_ID --location=us-central1
Sostituisci quanto segue:
Scarica il codice campione.
Scarica il codice campione da utilizzare per il resto del tutorial.
gcloud storage cp gs://cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz - | tar -xzv
Per visualizzare facoltativamente i file di codice campione, esegui questo comando:
ls -lpR hello-custom-sample
La directory hello-custom-sample contiene quattro elementi:
Passaggi successivi
Segui la pagina successiva di questo tutorial per eseguire un job di addestramento personalizzato su Vertex AI.