Hello カスタム トレーニング: プロジェクトと環境を設定する

このページでは、Vertex AI を使用するための Google Cloud プロジェクトの設定と、トレーニングに使用する TensorFlow のコードのダウンロードを行う手順について説明します。また、予測に使用するウェブアプリのコードもダウンロードします。

このチュートリアルには複数のページが含まれます。

  1. プロジェクトと環境の設定

  2. カスタム画像分類モデルのトレーニング

  3. カスタム画像分類モデルから取得した予測情報の提供

  4. プロジェクトのクリーンアップ

各ページは、前のページのチュートリアルの手順をすでに実施していることを前提としています。

始める前に

このチュートリアルでは、Google Cloud コンソールと Cloud Shell を使用して Google Cloud を操作します。Cloud Shell の代わりに、Google Cloud CLI がインストールされている別の Bash シェルを使用することもできます。

  1. 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.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

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

  4. Enable the Vertex AI and Cloud Run functions APIs.

    Enable the APIs

    5.

  5. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

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

  7. Enable the Vertex AI and Cloud Run functions APIs.

    Enable the APIs

    8.

  8. In the Google Cloud console, activate Cloud Shell.

    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.

  9. Cloud Shell のプロンプトに (PROJECT_ID)$ が表示されない場合（PROJECT_ID は Google Cloud プロジェクト ID で置き換えられています）、次のコマンドを実行して Cloud Shell を構成し、プロジェクトを使用します。

    gcloud config set project PROJECT_ID

Cloud Storage バケットを作成する

このチュートリアルの残りの部分で使用するリージョン Cloud Storage バケットを us-central1 リージョンに作成します。このチュートリアルを進めていくなかで、このバケットをいくつかの目的で使用します。

  • カスタム トレーニング ジョブに使用する Vertex AI 用のトレーニング コードを保存する。
  • カスタム トレーニング ジョブで出力されるモデル アーティファクトを保存する。
  • Vertex AI エンドポイントから予測を取得するウェブアプリをホストする。

Cloud Storage バケットを作成するには、Cloud Shell セッションで次のコマンドを実行します。

gcloud storage buckets create gs://BUCKET_NAME --project=PROJECT_ID --location=us-central1

以下を置き換えます。

  • PROJECT_ID: Google Cloud プロジェクトの ID。
  • BUCKET_NAME: バケットに付ける名前。例: hello_custom_PROJECT_IDバケット名の要件をご覧ください。

サンプルコードをダウンロードする

チュートリアルの残りの部分で使用するサンプルコードをダウンロードします。

gcloud storage cp gs://cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz - | tar -xzv

必要に応じて、次のコマンドを実行して、サンプルコード ファイルを表示します。

ls -lpR hello-custom-sample

hello-custom-sample ディレクトリには 4 つの項目があります。

  • trainer/: 花の分類モデルをトレーニングするための TensorFlow Keras コードのディレクトリ。

  • setup.py: Vertex AI が使用できる Python ソース ディストリビューションに trainer/ ディレクトリをパッケージ化するための構成ファイル。

  • function/: ウェブブラウザから予測リクエストを受信し、前処理、Vertex AI への送信、予測レスポンスの処理を行ってブラウザに送り返す Cloud Run 関数の Python コードのディレクトリ。

  • webapp/: Vertex AI から花の分類予測を取得するウェブアプリのコードとマークアップを含むディレクトリ。

次のステップ

このチュートリアルの次のページの手順に沿って Vertex AI でカスタム トレーニング ジョブを実行する。

前へ
概要
次へ
カスタム画像分類モデルをトレーニングする