Introduzione all'addestramento personalizzato: configura il progetto e l'ambiente

Questa pagina illustra la configurazione del progetto Google Cloud per utilizzare Gemini Enterprise Agent Platform e il download di codice TensorFlow per l'addestramento. Scaricherai anche il codice per un'app web che riceve le previsioni.

Questo tutorial è suddiviso in più pagine:

  1. Configurazione del progetto e dell'ambiente.

  2. Addestramento di un modello di classificazione delle immagini personalizzato.

  3. Esecuzione di previsioni da un modello di classificazione delle immagini personalizzato.

  4. Pulizia del progetto.

Ogni pagina presuppone che tu abbia già eseguito le istruzioni delle pagine precedenti del tutorial.

Prima di iniziare

In questo tutorial, utilizza Google Cloud la 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.

  1. Accedi al tuo Google Cloud account. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti senza costi per l'esecuzione, il test e il deployment dei carichi di lavoro.

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

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  3. Verify that billing is enabled for your Google Cloud project.

  4. Enable the Gemini Enterprise Agent Platform and Cloud Run functions APIs.

    Roles required to enable APIs

    To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

    Enable the APIs

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

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  6. Verify that billing is enabled for your Google Cloud project.

  7. Enable the Gemini Enterprise Agent Platform and Cloud Run functions APIs.

    Roles required to enable APIs

    To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

    Enable the APIs

    8.

  8. Nella Google Cloud console, attiva Cloud Shell.

    Attiva Cloud Shell

    Nella parte inferiore della Google Cloud console viene avviata una sessione di Cloud Shell e viene visualizzato un prompt della riga di comando. Cloud Shell è un ambiente shell con Google Cloud CLI già incluso e installato e con valori già impostati per il progetto corrente. L'inizializzazione della sessione può richiedere alcuni secondi.

  9. Se Cloud Shell non visualizza (PROJECT_ID)$ nel prompt (dove PROJECT_ID viene sostituito dall' Google Cloud ID progetto), esegui il comando seguente per configurare Cloud Shell in modo che utilizzi il tuo progetto:

    gcloud config set project PROJECT_ID

Crea un bucket Cloud Storage

Crea un bucket Cloud Storage regionale nella us-central1 regione da utilizzare per il resto di questo tutorial. Seguendo il tutorial, utilizza il bucket per diversi scopi:

  • Archivia il codice di addestramento che Agent Platform 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 di Agent Platform.

Per creare il bucket Cloud Storage, esegui il comando seguente nella sessione di Cloud Shell:

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

Sostituisci quanto segue:

  • PROJECT_ID: l'ID del Google Cloud progetto.
  • BUCKET_NAME: un nome a tua scelta per il bucket. Ad esempio, hello_custom_PROJECT_ID. Scopri di più sui requisiti per i nomi dei bucket.

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 il comando seguente:

ls -lpR hello-custom-sample

La directory hello-custom-sample contiene quattro elementi:

  • trainer/: una directory di codice TensorFlow Keras per l'addestramento del modello di classificazione dei fiori.

  • setup.py: un file di configurazione per il packaging della directory trainer/ in una distribuzione di origine Python che Agent Platform può utilizzare.

  • function/: una directory di codice Python per una funzione Cloud Run che può ricevere ed eseguire la pre-elaborazione delle richieste di previsione da un browser web, inviarle ad Agent Platform, elaborare le risposte di previsione e inviarle di nuovo al browser.

  • webapp/: una directory con codice e markup per un'app web che riceve le previsioni di classificazione dei fiori da Agent Platform.

Passaggi successivi

Segui la pagina successiva di questo tutorial per eseguire un job di addestramento personalizzato su Agent Platform.

Indietro
Panoramica
Avanti
Addestramento di un modello di classificazione delle immagini personalizzato