Crea un notebook

In questo tutorial, utilizzi l'SDK Vertex AI in un notebook Jupyter per ottenere previsioni utilizzando un'istanza di Vertex AI Workbench.

Questa sezione mostra come creare un blocco note Jupyter in un'istanza di Vertex AI Workbench. Le istanze Vertex AI Workbench sono ambienti di sviluppo basati su blocchi note Jupyter per l'intero workflow di data science. Le istanze di Vertex AI Workbench sono preconfigurate con JupyterLab e hanno una suite preinstallata di pacchetti di deep learning, tra cui il supporto per i framework TensorFlow e PyTorch. Per saperne di più, consulta Introduzione alle istanze Vertex AI Workbench.

Dopo aver creato un notebook in Vertex AI Workbench, esegui porzioni sequenziali di codice Python per svolgere la maggior parte del lavoro di generazione delle previsioni.

Prima di iniziare

  1. Accedi al tuo account Google Cloud . 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 workload.

  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 Notebooks 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 Gemini Enterprise Agent Platform and Notebooks 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.

crea un'istanza di Vertex AI Workbench

Per creare un'istanza di Vertex AI Workbench:

  1. Nella console Google Cloud , apri il tuo progetto Google Cloud se non è già aperto.

  2. Nella console Google Cloud , vai alla pagina Istanze di Vertex AI Workbench.

    Vai a Istanze

  3. Se viene visualizzata l'opzione per abilitare l'API Notebooks, fai clic su Abilita. Il completamento della procedura di attivazione potrebbe richiedere qualche istante.

  4. Fai clic su  Crea nuovo.

  5. Nella finestra di dialogo Nuova istanza, in Nome, inserisci un nome per l'istanza.

  6. In Regione, seleziona us-central1 (Iowa).

  7. In Zona, seleziona us-central1-a.

  8. Fai clic su Crea. Se vuoi saperne di più sulla tua istanza, dopo che viene visualizzata nell'elenco delle istanze, fai clic sul suo nome per visualizzarne le proprietà.

Preparare il notebook

La tua istanza Vertex AI Workbench è già autenticata per utilizzare il tuo progetto Google Cloud . Tuttavia, devi installare e inizializzare l'SDK Agent Platform per Python. Questa sezione ti guida in questi passaggi.

Dopo aver creato il notebook, lo utilizzi per inserire ed eseguire gli snippet di codice sequenziali in questo tutorial. Ogni snippet di codice deve essere eseguito singolarmente e in ordine.

Creare e aprire il notebook

Il notebook è il luogo in cui esegui il codice in questo tutorial. Si tratta di un file con l'estensione .ipynb. Quando lo crei, è senza titolo. Puoi rinominarlo dopo l'apertura. Per creare e aprire il notebook:

  1. Nella console Google Cloud , vai alla pagina Istanze.

    Vai a Istanze

  2. Accanto al nome dell'istanza, fai clic su Apri JupyterLab.

    L'istanza di Agent Platform Workbench apre l'ambiente JupyterLab.

  3. In JupyterLab, seleziona File > Nuovo > Notebook.

    Si apre il nuovo file del notebook e viene visualizzata la finestra di dialogo Seleziona kernel.

  4. Nella finestra di dialogo Seleziona kernel, seleziona il kernel Python 3.

  5. Nel riquadro di navigazione a sinistra di JupyterLab, trova il nuovo notebook, denominato Untitled.ipynb. Per rinominarlo, fai clic con il tasto destro del mouse sul nome del blocco note, fai clic su Rinomina e inserisci un nuovo nome.

Installare l'SDK Agent Platform per Python

Dopo aver aperto il notebook, devi installare l'SDK Agent Platform per Python. Utilizzi l'SDK Agent Platform per Python per effettuare chiamate all'API Agent Platform che creano il set di dati, il modello, lo addestrano e lo implementano e fanno previsioni con il modello. Per maggiori informazioni, consulta la sezione Utilizzare l'SDK Agent Platform per Python.

Quando installi l'SDK Agent Platform per Python, vengono installati anche altri SDK da cui dipende. Google Cloud In questo tutorial vengono utilizzati due di questi SDK:

  • Cloud Storage: quando utilizzi l'SDK Agent Platform per Python per effettuare chiamate all'API Agent Platform, Gemini Enterprise Agent Platform archivia gli artefatti in un bucket Cloud Storage. Il bucket è denominato bucket di staging. Specifichi il bucket di staging quando inizializzi l'SDK Agent Platform per Python. Per saperne di più, consulta Client Python per l'API Cloud Storage. Google Cloud

  • BigQuery - Gemini Enterprise Agent Platform addestra il modello utilizzando un set di dati pubblici BigQuery. Per accedere e scaricare il set di dati utilizzato in questo tutorial, devi installare BigQuery SDK. Per ulteriori informazioni, vedi Librerie client dell'API BigQuery.

Per installare l'SDK Agent Platform per Python e gli SDK dipendenti, esegui il seguente codice.

# Install the Agent Platform SDK
! pip3 install --upgrade --quiet google-cloud-aiplatform

Il flag --quiet sopprime l'output in modo che vengano visualizzati solo gli errori, se presenti. Il punto esclamativo (!) indica che si tratta di un comando shell.

Poiché questo è il primo codice che esegui nel nuovo notebook, inseriscilo nella cella di codice vuota nella parte superiore del notebook. Dopo aver inserito il codice in una cella di codice, fai clic su  Esegui le celle selezionate e avanza o usa la scorciatoia da tastiera Shift + Enter per eseguire il codice.

Esegui il codice per installare l'SDK.

Man mano che procedi con questo tutorial, esegui il codice nella cella di codice vuota che viene visualizzata automaticamente sotto il codice eseguito più di recente. Se vuoi aggiungere manualmente una nuova cella di codice, fai clic sul pulsante  Inserisci una cella sotto del file del notebook.

Aggiungi una nuova cella di codice.

Imposta l'ID progetto e la regione

In questo passaggio, assegna l'ID progetto e la regione a variabili in modo che possano essere facilmente consultate in un secondo momento in questo tutorial.

Impostare l'ID progetto

Per impostare l'ID progetto:

  1. Individua l'ID progetto Google Cloud . Per saperne di più, consulta Trovare l'ID progetto.

  2. Esegui questo comando in una cella di codice del notebook. Nel codice, sostituisci PROJECT_ID con l'ID progetto che hai appena trovato. L'output generato da questo comando è Updated property [core/project].

    project_id = "PROJECT_ID"  # @param {type:"string"}

Impostare la regione

Questo tutorial utilizza la regione us-central1. Per impostare la regione:

  1. Esegui il seguente codice per impostare la variabile region utilizzata da Gemini Enterprise Agent Platform per us-central1. Questo comando non genera output. Per maggiori informazioni, consulta Scegli la tua posizione.

    region = "us-central1"  # @param {type: "string"}

Crea un bucket Cloud Storage

Questo tutorial richiede un bucket Cloud Storage utilizzato da Gemini Enterprise Agent Platform per organizzare gli artefatti. Gemini Enterprise Agent Platform archivia i dati associati al set di dati che crei e alle risorse del modello nel bucket di staging. Questi dati vengono conservati e sono disponibili in tutte le sessioni. In questo tutorial, Gemini Enterprise Agent Platform archivia anche il set di dati nel bucket di staging. Specifichi il bucket di staging quando inizializzi l'SDK Agent Platform per Python.

Ogni nome di bucket Cloud Storage deve essere univoco a livello globale. Se scegli un nome già utilizzato, il comando per creare il bucket non viene eseguito. Il codice seguente utilizza un timestamp e il nome del progetto per creare un nome di bucket univoco. Aggiungi il nome del bucket a gs:// per creare l'URI del tuo bucket Cloud Storage. Il comando shell echo mostra l'URI in modo che tu possa verificare che sia stato creato correttamente.

  1. Per impostare il nome e l'URI del bucket, esegui il seguente codice. L'ultima riga mostra l'URI del bucket Cloud Storage.

    bucket_name = "bucket-name-placeholder"  # @param {type:"string"}
bucket_uri = f"gs://{bucket_name}"

from datetime import datetime
timestamp = datetime.now().strftime("%Y%m%d%H%M%S")

if bucket_name == "" or bucket_name is None or bucket_name == "bucket-name-placeholder":
    bucket_name = project_id + "aip-" + timestamp
    bucket_uri = "gs://" + bucket_name
! echo $bucket_uri

  2. Per creare un bucket utilizzando la libreria client Cloud Storage e l'URI del bucket, esegui il seguente codice. Questo codice non genera output.

    from google.cloud import storage
client = storage.Client(project=project_id)

# Create a bucket
bucket = client.create_bucket(bucket_name, location=region)

  3. Per verificare che il bucket sia stato creato correttamente, esegui questo comando:

    print("Bucket {} created.".format(bucket.name))

Inizializza l'SDK Agent Platform per Python

Per inizializzare l'SDK Agent Platform per Python, devi prima importare la libreria, aiplatform. Successivamente, chiami aiplatform.init e passi i valori per i seguenti parametri:

  • project: project specifica il progetto Google Cloud da utilizzare quando utilizzi l'SDK Agent Platform per Python per effettuare chiamate all'API Agent Platform. In questo tutorial specifichi il tuo progetto Google Cloud con il suo nome. Puoi anche specificare il progetto con il suo numero.

  • location: location specifica la regione Google Cloud da utilizzare quando effettui chiamate API. Se non specifichi una località, l'SDK Agent Platform per Python utilizza us-central1.

  • staging_bucket: staging_bucket specifica quale bucket Cloud Storage viene utilizzato per organizzare gli artefatti quando utilizzi l'SDK Agent Platform per Python. Specifica il bucket con un URI che inizia con gs://. In questo tutorial, utilizzerai l'URI creato in precedenza in Crea un bucket Cloud Storage.

Per impostare il progetto, la regione e il bucket di gestione temporanea Google Cloud , esegui questo comando. Questo comando non genera output.

from google.cloud import aiplatform

# Initialize the Agent Platform SDK
aiplatform.init(project=project_id, location=region, staging_bucket=bucket_uri)

Inizializza BigQuery

Questo tutorial utilizza un set di dati pubblico di BigQuery sui pinguini per addestrare un modello. Dopo che Gemini Enterprise Agent Platform addestra il modello, specifica i parametri che rappresentano le caratteristiche dei pinguini e il modello utilizza queste caratteristiche per prevedere la specie di pinguino che rappresentano. Per saperne di più sui set di dati pubblici, consulta Set di dati pubblici BigQuery.

Prima di utilizzare il set di dati BigQuery, devi inizializzare BigQuery con l'ID progetto. Per farlo, esegui questo comando. Questo comando non genera output.

from google.cloud import bigquery

# Set up BigQuery client
bq_client = bigquery.Client(project=project_id)
Indietro
Prerequisiti
Avanti
Crea un set di dati