Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

Hello 自訂訓練：透過自訂圖片分類模型提供預測結果

本頁面將逐步說明如何透過圖像分類模型提供預測結果，並在網頁應用程式中查看這些預測結果。

本教學課程包含多個頁面：

設定專案和環境。
訓練自訂圖片分類模型。
透過自訂圖片分類模型提供預測結果。
清除專案所用資源。

各頁面都假設您已完成教學課程先前頁面的操作說明。

本文的其餘部分假設您使用的是按照本教學課程第一頁建立的 Cloud Shell 環境。如果原始 Cloud Shell 工作階段已關閉，請按照下列步驟返回環境：

在 Google Cloud 控制台中啟用 Cloud Shell。

啟用 Cloud Shell
在 Cloud Shell 工作階段中，執行下列指令：
```
cd hello-custom-sample
```

建立端點

如要透過您在上一頁訓練的機器學習模型取得線上預測，請建立 Agent Platform 端點。端點會透過一或多個模型提供線上預測。

前往 Google Cloud 控制台的「Agent Platform」部分，然後前往「Models」頁面。

前往「模型」
在本教學課程的先前步驟中，找到您訓練的模型所在的列 hello_custom，然後點選模型名稱，開啟模型詳細資料頁面。
在「Deploy & test」(部署及測試) 分頁中，按一下「Deploy to endpoint」(部署至端點)，開啟「Deploy to endpoint」(部署至端點) 窗格。
在「定義端點」步驟中，為端點新增一些基本資訊：
1. 選取「建立新端點」。
2. 在「Endpoint name」(端點名稱) 欄位中輸入 hello_custom。
3. 在「模型設定」部分，確認您看到模型名稱 (也稱為 hello_custom)。指定下列模型設定：
  1. 在「流量分配」欄位中，輸入 100。Agent Platform 支援將端點的流量分配給多個模型，但本教學課程不會使用這項功能。
  2. 在「Minimum number of compute nodes」(運算節點數量下限) 欄位中，輸入 1。
  3. 在「Machine type」(機器類型) 下拉式清單中，選取「Standard」(標準) 部分中的「n1-standard-2」。
  4. 按一下 [完成]。
4. 在「記錄」部分，確認已啟用兩種預測記錄類型。
按一下「繼續」。
在「端點詳細資料」步驟中，確認端點將部署至 us-central1 (Iowa)。

請勿選取「使用客戶自行管理的加密金鑰 (CMEK)」核取方塊。本教學課程不會使用 CMEK。
按一下「Deploy」(部署)，建立端點並將模型部署至端點。

幾分鐘後，「端點」表格中新端點旁會顯示。同時，您也會收到電子郵件，指出您已成功建立端點，並將模型部署至端點。

部署 Cloud Run 函式

您可以向 Agent Platform API 的 REST 介面傳送要求，從剛建立的 Agent Platform 端點取得預測結果。不過，只有具備 aiplatform.endpoints.predict 權限的主體才能傳送線上預測要求。您無法將端點設為公開，供任何人傳送要求，例如透過網頁應用程式。

在本節中，請將程式碼部署至 Cloud Run functions，以處理未經驗證的要求。您在閱讀本教學課程的第一頁時下載的程式碼範例，包含 function/ 目錄中這個 Cloud Run 函式的程式碼。您也可以執行下列指令，查看 Cloud Run 函式程式碼：

less function/main.py

部署函式有下列用途：

您可以設定 Cloud Run 函式，接收未經驗證的要求。此外，函式預設會使用具備「編輯者」角色的服務帳戶執行，該帳戶包含從 Agent Platform 端點取得預測結果所需的 aiplatform.endpoints.predict 權限。
這項函式也會對要求執行實用的前置處理作業。Agent Platform 端點預期使用已訓練的 TensorFlow Keras 圖形第一層的格式來提供預測要求：具有固定維度的標準化浮點數張量。這個函式會將圖片網址視為輸入內容，並在要求 Agent Platform 端點的預測之前，將圖片預先處理為這個格式。

如要部署 Cloud Run 函式，請按照下列步驟操作：

前往 Google Cloud 控制台的「Agent Platform」部分，然後前往「Endpoints」頁面。

前往「Endpoints」(端點) 頁面
找出您在前一節建立的端點列，名稱為 hello_custom。點選該列中的「Sample request」(要求範例)，開啟「Sample request」(要求範例) 窗格。
在「Sample request」(範例要求) 窗格中，找出符合下列模式的殼層程式碼行：
```
ENDPOINT_ID="ENDPOINT_ID"
```
ENDPOINT_ID 是用於識別這個特定端點的數字。

複製這行程式碼，並在 Cloud Shell 工作階段中執行，設定 ENDPOINT_ID 變數。

在 Cloud Shell 工作階段中執行下列指令，即可部署 Cloud Run 函式：

gcloud functions deploy classify_flower \
  --region=us-central1 \
  --source=function \
  --runtime=python37 \
  --memory=2048MB \
  --trigger-http \
  --allow-unauthenticated \
  --set-env-vars=ENDPOINT_ID=${ENDPOINT_ID}

部署網頁應用程式來傳送預測要求

最後，在 Cloud Storage 中託管靜態網頁應用程式，透過訓練後的 ML 模型取得預測結果。網頁應用程式會將要求傳送至 Cloud Run 函式，後者會預先處理要求，並從 Agent Platform 端點取得預測結果。

您下載的程式碼範例 webapp 目錄包含範例網頁應用程式。在 Cloud Shell 工作階段中，執行下列指令來準備及部署網頁應用程式：

設定幾個殼層變數，供後續步驟中的指令使用：
```
PROJECT_ID=PROJECT_ID
BUCKET_NAME=BUCKET_NAME
```
更改下列內容：
- PROJECT_ID：您的 Google Cloud 專案 ID。
- BUCKET_NAME：您按照本教學課程第一頁建立的 Cloud Storage bucket 名稱。

編輯應用程式，提供 Cloud Run 函式的觸發網址：

echo "export const CLOUD_FUNCTION_URL = 'https://us-central1-${PROJECT_ID}.cloudfunctions.net/classify_flower';" \
  > webapp/function-url.js

將 webapp 目錄上傳至 Cloud Storage bucket：

gcloud storage cp webapp gs://${BUCKET_NAME}/ --recursive

將剛剛上傳的網頁應用程式檔案設為可公開讀取：
```
gcloud storage objects update gs://${BUCKET_NAME}/webapp/** --add-acl-grant=entity=allUsers,role=READER
```
注意： 有時，殼層 (例如 bash、zsh) 會嘗試以令人意外的方式擴展萬用字元。詳情請參閱「URI 萬用字元」。
您現在可以前往下列網址，開啟網頁應用程式並取得預測結果：
```
https://storage.googleapis.com/BUCKET_NAME/webapp/index.html
```
開啟網頁應用程式並按一下花卉圖片，即可查看機器學習模型的花卉類型分類。網頁應用程式會以花朵類型清單的形式呈現預測結果，以及這張圖片包含各個花朵類型的機率。

注意： 這個網頁應用程式會取得模型訓練資料集中的圖片預測結果。因此，模型可能會因過度配適而顯得比實際更準確。