יצירת מחברת

במדריך הזה משתמשים ב-Vertex AI SDK ב-notebook של Jupyter כדי לקבל חיזויים באמצעות מכונת Vertex AI Workbench.

בקטע הזה מוסבר איך ליצור מחברת Jupyter במופע של Vertex AI Workbench. מכונות של Vertex AI Workbench הן סביבות פיתוח מבוססות notebook של Jupyter לכל תהליך העבודה של מדעי הנתונים. מכונות Vertex AI Workbench מגיעות עם חבילה מראש של JupyterLab, ועם חבילה מותקנת מראש של חבילות ללמידה עמוקה, כולל תמיכה ב-frameworks של TensorFlow ו-PyTorch. מידע נוסף זמין במאמר מבוא למכונות של Vertex AI Workbench.

אחרי שיוצרים notebook ב-Vertex AI Workbench, מריצים חלקים רציפים של קוד Python כדי לבצע את רוב העבודה ליצירת התחזיות.

לפני שמתחילים

נכנסים לחשבון Google Cloud . אם אתם משתמשים חדשים ב- Google Cloud, צרו חשבון כדי שתוכלו להעריך את הביצועים של המוצרים שלנו בתרחישים מהעולם האמיתי. לקוחות חדשים מקבלים בחינם גם קרדיט בשווי 300$ להרצה, לבדיקה ולפריסה של עומסי העבודה.

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.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Gemini Enterprise Agent Platform and Notebooks 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

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.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Gemini Enterprise Agent Platform and Notebooks 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

יצירת מכונה של Vertex AI Workbench

כדי ליצור מכונה של Vertex AI Workbench:

1. במסוף Google Cloud , פותחים את הפרויקט Google Cloud אם הוא לא פתוח כבר.

2. נכנסים לדף Instances ב-Vertex AI Workbench במסוף Google Cloud .

   כניסה לדף Instances

3. אם מופיעה האפשרות להפעיל את Notebooks API, לוחצים על Enable. תהליך ההפעלה עשוי להימשך כמה רגעים.

4. לוחצים על  יצירת פריט חדש.

5. בתיבת הדו-שיח New instance, בשדה Name, מזינים שם למופע.

6. בשדה Region, בוחרים באפשרות us-central1 (Iowa).

7. בשדה Zone, בוחרים us-central1-a.

8. לוחצים על יצירה. כדי לקבל מידע נוסף על המכונה, אחרי שהיא מופיעה ברשימת המכונות, לוחצים על השם שלה כדי לראות את המאפיינים שלה.

הכנת ה-Notebook

המכונה של Vertex AI Workbench כבר מאומתת לשימוש בפרויקט Google Cloud . עם זאת, צריך להתקין ולאתחל את Agent Platform SDK ל-Python. בקטע הזה מוסבר איך לבצע את השלבים האלה.

אחרי שיוצרים את המחברת, משתמשים בה כדי להזין ולהריץ את קטעי הקוד הרציפים במדריך הזה. צריך להפעיל כל קטע קוד בנפרד ובסדר הנכון.

יצירה ופתיחה של Notebook

ב-notebook מריצים את הקוד שמופיע במדריך הזה. זה קובץ עם הסיומת .ipynb. כשיוצרים אותו, הוא לא מקבל שם. אפשר לשנות את השם אחרי הפתיחה. כדי ליצור ולפתוח את ה-Notebook:

1. נכנסים לדף Instances במסוף Google Cloud .

   כניסה לדף Instances

2. לצד שם המכונה, לוחצים על Open JupyterLab.

   המופע של Agent Platform Workbench פותח את סביבת JupyterLab.

3. ב-JupyterLab, בוחרים באפשרות קובץ > חדש > מחברת.

   קובץ המחברת החדש ייפתח ותיבת הדו-שיח Select kernel תופיע.

4. בתיבת הדו-שיח Select kernel, בוחרים את ליבת Python 3.

5. בחלונית הניווט הימנית של JupyterLab, מחפשים את ה-notebook החדש שנקרא Untitled.ipynb. כדי לשנות את השם, לוחצים לחיצה ימנית על שם המחברת, לוחצים על שינוי השם ומזינים שם חדש.

התקנה של Agent Platform SDK ל-Python

אחרי שפותחים את המחברת, צריך להתקין את Agent Platform SDK for Python. משתמשים ב-Agent Platform SDK for Python כדי לבצע קריאות ל-Agent Platform API שיוצרות את מערך הנתונים, יוצרות את המודל, מאמנות ומפריסות את המודל ומבצעות חיזויים באמצעות המודל. מידע נוסף זמין במאמר בנושא שימוש ב-Agent Platform SDK ל-Python.

כשמתקינים את Agent Platform SDK for Python, מותקנים גם ערכות SDK אחרות Google Cloud שהוא תלוי בהן. במדריך הזה נעשה שימוש בשתי ערכות SDK:

• ‫Cloud Storage – כשמשתמשים ב-Agent Platform SDK for Python כדי לבצע קריאות ל-Agent Platform API, ‏ Gemini Enterprise Agent Platform מאחסן ארטיפקטים בקטגוריה של Cloud Storage. הקטגוריה נקראת קטגוריית ביניים. אתם מציינים את דלי האחסון של הסביבה הזמנית כשאתם מאתחלים את Agent Platform SDK for Python. מידע נוסף מופיע במאמר בנושא לקוח Python ל-Storage API. Google Cloud

• ‫BigQuery – פלטפורמת הסוכנים של Gemini Enterprise מאמנת את המודל באמצעות מערך נתונים ציבורי של BigQuery. כדי לגשת למערך הנתונים שמשמש במדריך הזה ולהוריד אותו, צריך להתקין את BigQuery SDK. מידע נוסף זמין במאמר ספריות לקוח של BigQuery API.

כדי להתקין את Agent Platform SDK ל-Python ואת ערכות ה-SDK שתלויות בו, מריצים את הקוד הבא.

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

הדגל --quiet מדכא את הפלט כך שרק שגיאות מוצגות, אם יש כאלה. סימן הקריאה (!) מציין שזו פקודת מעטפת.

מכיוון שזה הקוד הראשון שמריצים ב-notebook החדש, מזינים אותו בתא הקוד הריק בחלק העליון של ה-notebook. אחרי שמזינים קוד בתא קוד, לוחצים על  הפעלת התאים שנבחרו ומעבר או משתמשים במקש הקיצור Shift + Enter כדי להריץ את הקוד.

במהלך המדריך הזה, מריצים קוד בתא הקוד הריק שמופיע באופן אוטומטי מתחת לקוד שהורץ לאחרונה. כדי להוסיף תא קוד חדש באופן ידני, לוחצים על הלחצן  הוספת תא מתחת בקובץ המחברת.

הגדרת מזהה הפרויקט והאזור

בשלב הזה, מקצים את מזהה הפרויקט ואת האזור למשתנים כדי שיהיה קל להתייחס אליהם בהמשך המדריך.

הגדרת מזהה הפרויקט

כדי להגדיר את מזהה הפרויקט:

1. מאתרים את מזהה הפרויקט. Google Cloud מידע נוסף זמין במאמר איך מאתרים את מזהה הפרויקט.

2. מריצים את הקוד הבא בתא קוד ב-notebook. בקוד, מחליפים את PROJECT_ID במזהה הפרויקט שאיתרתם. הפלט שנוצר מהפקודה הזו הוא Updated property [core/project].

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

הגדרת האזור

במדריך הזה נעשה שימוש באזור us-central1. כדי להגדיר את האזור:

1. מריצים את הקוד הבא כדי להגדיר את המשתנה region שמשמש את Gemini Enterprise Agent Platform ל-us-central1. הפקודה הזו לא יוצרת פלט. מידע נוסף זמין במאמר בנושא בחירת מיקום.

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

יצירת קטגוריה של Cloud Storage

כדי לבצע את ההדרכה הזו, צריך קטגוריה של Cloud Storage שמשמשת את Gemini Enterprise Agent Platform לאחסון זמני של ארטיפקטים. פלטפורמת הסוכנים של Gemini Enterprise מאחסנת את הנתונים שמשויכים למערך הנתונים שאתם יוצרים ואת משאבי המודל בדלי ההעברה הזמנית. הנתונים האלה נשמרים וזמינים בסשנים שונים. במדריך הזה, Gemini Enterprise Agent Platform גם מאחסן את מערך הנתונים שלכם בקטגוריית הביניים. מציינים את קטגוריית הביניים כשמפעילים את Agent Platform SDK ל-Python.

כל שם של קטגוריית Cloud Storage חייב להיות ייחודי באופן גלובלי. אם תבחרו שם שכבר נמצא בשימוש, הפקודה ליצירת הקטגוריה תיכשל. הקוד הבא משתמש בחותמת תאריך ושעה ובשם הפרויקט כדי ליצור שם ייחודי לקטגוריה. מוסיפים את שם הקטגוריה ל-gs:// כדי ליצור את ה-URI של הקטגוריה ב-Cloud Storage. פקודת ה-shell‏ echo מציגה את ה-URI כדי שתוכלו לוודא שהוא נוצר בצורה נכונה.

1. כדי להגדיר את השם וה-URI של הקטגוריה, מריצים את הקוד הבא. בשורה האחרונה מוצג ה-URI של הקטגוריה שלכם ב-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. כדי ליצור קטגוריה באמצעות ספריית הלקוח של Cloud Storage וכתובת ה-URI של הקטגוריה, מריצים את הקוד הבא. הקוד הזה לא יוצר פלט.

   from google.cloud import storage
   client = storage.Client(project=project_id)
   
   # Create a bucket
   bucket = client.create_bucket(bucket_name, location=region)
   

3. כדי לוודא שהבאקט נוצר בהצלחה, מריצים את הפקודה הבאה:

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

אתחול של Agent Platform SDK ל-Python

כדי להפעיל את Agent Platform SDK ל-Python, קודם מייבאים את הספרייה שלו, aiplatform. לאחר מכן קוראים לפונקציה aiplatform.init ומעבירים ערכים לפרמטרים הבאים:

• ‫project – הפרמטר project מציין באיזה Google Cloud פרויקט להשתמש כשמשתמשים ב-Agent Platform SDK for Python כדי לבצע קריאות ל-Agent Platform API. במדריך הזה מציינים את הפרויקט Google Cloud באמצעות השם שלו. אפשר גם לציין את הפרויקט באמצעות מספר הפרויקט.

• ‫location – location מציין באיזה אזור להשתמש Google Cloud כשמבצעים קריאות ל-API. אם לא מציינים מיקום, Agent Platform SDK for Python משתמש ב-us-central1.

• ‫staging_bucket – המאפיין staging_bucket מציין באיזו קטגוריה (bucket) ב-Cloud Storage נעשה שימוש כדי לאחסן זמנית ארטיפקטים כשמשתמשים ב-Agent Platform SDK for Python. מציינים את הדלי באמצעות URI שמתחיל ב-gs://. במדריך הזה משתמשים ב-URI שנוצר קודם ביצירת קטגוריה של Cloud Storage.

כדי להגדיר את הפרויקט, האזור וקטגוריית הביניים, מריצים את הפקודה הבאה. Google Cloud הפקודה הזו לא יוצרת פלט.

from google.cloud import aiplatform

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

הפעלת BigQuery

במדריך הזה משתמשים במערך נתונים ציבורי של פינגווינים ב-BigQuery כדי לאמן מודל. אחרי שמודל Gemini Enterprise Agent Platform מאומן, מציינים פרמטרים שמייצגים מאפיינים של פינגווינים, והמודל משתמש במאפיינים האלה כדי לחזות את מין הפינגווין שהם מייצגים. מידע נוסף על מערכי נתונים ציבוריים זמין במאמר מערכי נתונים ציבוריים של BigQuery.

לפני שמשתמשים במערך הנתונים ב-BigQuery, צריך לאתחל את BigQuery עם מזהה הפרויקט. כדי לעשות את זה, מריצים את הפקודה הבאה. הפקודה הזו לא יוצרת פלט.

from google.cloud import bigquery

# Set up BigQuery client
bq_client = bigquery.Client(project=project_id)