Treinamento personalizado do Hello: configurar o projeto e o ambiente

Esta página explica como configurar seu Google Cloud projeto para usar a Vertex AI e fazer o download de alguns códigos do TensorFlow para o treinamento. Você também fará o download do código de um app da Web que recebe previsões.

Este tutorial tem várias páginas:

  1. Como configurar o projeto e o ambiente

  2. Como treinar um modelo de classificação de imagens personalizado

  3. Como exibir previsões de um modelo de classificação de imagens personalizado

  4. Como limpar o projeto

Cada página pressupõe que você já tenha realizado as instruções das páginas anteriores do tutorial.

Antes de começar

Neste tutorial, você usará o Google Cloud console e o Cloud Shell para interagir com Google Cloud. Como alternativa, em vez do Cloud Shell, é possível usar outro shell do Bash com a Google Cloud CLI instalada.

  1. Faça login na sua Google Cloud conta do. Se você começou a usar o Google Cloud, crie uma conta para avaliar o desempenho dos nossos produtos em situações reais. Clientes novos também recebem US $300 em créditos para executar, testar e implantar cargas de trabalho.

  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 Vertex AI and Cloud Run functions APIs.

    Roles required to enable APIs

    To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. 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 Vertex AI and Cloud Run functions APIs.

    Roles required to enable APIs

    To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

    Enable the APIs

    8.

  8. Noconsol, ative o Cloud Shell. Google Cloud

    Ativar o Cloud Shell

    Na parte inferior do Google Cloud consol, uma sessão do Cloud Shell é iniciada e exibe um prompt de linha de comando. O Cloud Shell é um ambiente shell com a Google Cloud CLI já instalada e com valores já definidos para o projeto atual. A inicialização da sessão pode levar alguns segundos.

  9. Se o Cloud Shell não exibir (PROJECT_ID)$ no prompt, em que PROJECT_ID é substituído pelo Google Cloud ID do projeto, execute o seguinte comando para configurar o Cloud Shell para usar seu projeto:

    gcloud config set project PROJECT_ID

Criar um bucket do Cloud Storage

Crie um bucket regional do Cloud Storage na região us-central1 que será usado pelo restante deste tutorial. Ao seguir o tutorial, você usará o bucket para várias finalidades:

  • Armazene o código de treinamento da Vertex AI para usar em um job de treinamento personalizado.
  • Armazenar os artefatos do modelo gerados pelo seu job de treinamento personalizado
  • Hospede o app da Web que recebe previsões do endpoint da Vertex AI.

Para criar o bucket do Cloud Storage, execute o seguinte comando na sessão do Cloud Shell:

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

Substitua:

  • PROJECT_ID: o ID do seu Google Cloud projeto.
  • BUCKET_NAME: um nome que você escolhe para o bucket. Por exemplo, hello_custom_PROJECT_ID. Saiba mais sobre os requisitos para nomes de buckets.

Fazer o download do código de exemplo

Faça o download do exemplo de código para usar no restante do tutorial.

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

Para ver os arquivos de exemplo de código, execute o seguinte comando:

ls -lpR hello-custom-sample

O diretório hello-custom-sample tem quatro itens:

  • trainer/: um diretório com o código da API Keras do TensorFlow para o treinamento do modelo de classificação de flores.

  • setup.py: um arquivo de configuração para empacotar o diretório trainer/ em uma distribuição de origem do Python que a Vertex AI pode usar.

  • function/: um diretório de código em Python para uma função do Cloud Run que pode receber e pré-processar solicitações de previsão a partir de um navegador da Web, enviá-las para a Vertex AI, processar as respostas de previsão e enviá-las de volta ao navegador.

  • webapp/: um diretório com código e marcação para um app da Web que recebe da Vertex AI previsões de classificação de flores.

A seguir

Siga a próxima página deste tutorial para executar um job de treinamento personalizado na Vertex AI.

Anterior
Visão geral
Avançar
Treinar um modelo de classificação de imagens personalizado