run
del job di addestramento per eseguire lo script.
In questo argomento, creerai lo script di addestramento, quindi specificherai gli argomenti dei comandi per lo script di addestramento.
Creare uno script di addestramento
In questa sezione creerai uno script di addestramento. Questo script è un nuovo file nell'ambiente notebook denominato task.py. Più avanti in questo tutorial, passerai questo
script al aiplatform.CustomTrainingJob costruttore. Quando lo script viene eseguito, esegue le seguenti operazioni:
Carica i dati nel set di dati BigQuery che hai creato.
Utilizza l' API TensorFlow Keras per creare, compilare e addestrare il modello.
Specifica il numero di epoche e la dimensione del batch da utilizzare quando viene richiamato il metodo Keras
Model.fit.Specifica dove salvare gli artefatti del modello utilizzando la variabile di ambiente
AIP_MODEL_DIR.AIP_MODEL_DIRè impostata da Vertex AI e contiene l'URI di una directory per il salvataggio degli artefatti del modello. Per maggiori informazioni, consulta Variabili di ambiente per directory Cloud Storage speciali.Esporta un TensorFlow
SavedModelnella directory del modello. Per maggiori informazioni, consulta Utilizzo delSavedModelformato sul sito web di TensorFlow.
Per creare lo script di addestramento, esegui il seguente codice nel notebook:
%%writefile task.py
import argparse
import numpy as np
import os
import pandas as pd
import tensorflow as tf
from google.cloud import bigquery
from google.cloud import storage
# Read environmental variables
training_data_uri = os.getenv("AIP_TRAINING_DATA_URI")
validation_data_uri = os.getenv("AIP_VALIDATION_DATA_URI")
test_data_uri = os.getenv("AIP_TEST_DATA_URI")
# Read args
parser = argparse.ArgumentParser()
parser.add_argument('--label_column', required=True, type=str)
parser.add_argument('--epochs', default=10, type=int)
parser.add_argument('--batch_size', default=10, type=int)
args = parser.parse_args()
# Set up training variables
LABEL_COLUMN = args.label_column
# See https://cloud.google.com/gemini-enterprise-agent-platform/machine-learning/workbench/managed/executor#explicit-project-selection for issues regarding permissions.
PROJECT_NUMBER = os.environ["CLOUD_ML_PROJECT_ID"]
bq_client = bigquery.Client(project=PROJECT_NUMBER)
# Download a table
def download_table(bq_table_uri: str):
# Remove bq:// prefix if present
prefix = "bq://"
if bq_table_uri.startswith(prefix):
bq_table_uri = bq_table_uri[len(prefix) :]
# Download the BigQuery table as a dataframe
# This requires the "BigQuery Read Session User" role on the custom training service account.
table = bq_client.get_table(bq_table_uri)
return bq_client.list_rows(table).to_dataframe()
# Download dataset splits
df_train = download_table(training_data_uri)
df_validation = download_table(validation_data_uri)
df_test = download_table(test_data_uri)
def convert_dataframe_to_dataset(
df_train: pd.DataFrame,
df_validation: pd.DataFrame,
):
df_train_x, df_train_y = df_train, df_train.pop(LABEL_COLUMN)
df_validation_x, df_validation_y = df_validation, df_validation.pop(LABEL_COLUMN)
y_train = tf.convert_to_tensor(np.asarray(df_train_y).astype("float32"))
y_validation = tf.convert_to_tensor(np.asarray(df_validation_y).astype("float32"))
# Convert to numpy representation
x_train = tf.convert_to_tensor(np.asarray(df_train_x).astype("float32"))
x_test = tf.convert_to_tensor(np.asarray(df_validation_x).astype("float32"))
# Convert to one-hot representation
num_species = len(df_train_y.unique())
y_train = tf.keras.utils.to_categorical(y_train, num_classes=num_species)
y_validation = tf.keras.utils.to_categorical(y_validation, num_classes=num_species)
dataset_train = tf.data.Dataset.from_tensor_slices((x_train, y_train))
dataset_validation = tf.data.Dataset.from_tensor_slices((x_test, y_validation))
return (dataset_train, dataset_validation)
# Create datasets
dataset_train, dataset_validation = convert_dataframe_to_dataset(df_train, df_validation)
# Shuffle train set
dataset_train = dataset_train.shuffle(len(df_train))
def create_model(num_features):
# Create model
Dense = tf.keras.layers.Dense
model = tf.keras.Sequential(
[
Dense(
100,
activation=tf.nn.relu,
kernel_initializer="uniform",
input_dim=num_features,
),
Dense(75, activation=tf.nn.relu),
Dense(50, activation=tf.nn.relu),
Dense(25, activation=tf.nn.relu),
Dense(3, activation=tf.nn.softmax),
]
)
# Compile Keras model
optimizer = tf.keras.optimizers.RMSprop(lr=0.001)
model.compile(
loss="categorical_crossentropy", metrics=["accuracy"], optimizer=optimizer
)
return model
# Create the model
model = create_model(num_features=dataset_train._flat_shapes[0].dims[0].value)
# Set up datasets
dataset_train = dataset_train.batch(args.batch_size)
dataset_validation = dataset_validation.batch(args.batch_size)
# Train the model
model.fit(dataset_train, epochs=args.epochs, validation_data=dataset_validation)
tf.saved_model.save(model, os.getenv("AIP_MODEL_DIR"))
Dopo aver creato lo script, viene visualizzato nella cartella principale del notebook:
Definire gli argomenti per lo script di addestramento
Passa i seguenti argomenti della riga di comando allo script di addestramento:
label_column: identifica la colonna nei dati che contiene ciò che vuoi prevedere. In questo caso, la colonna èspecies. L'hai definita in una variabile denominataLABEL_COLUMNquando hai elaborato i dati. Per maggiori informazioni, consulta Scaricare, pre-elaborare e dividere i dati.epochs: il numero di epoche utilizzate durante l'addestramento del modello. Un' epoca è un'iterazione sui dati durante l'addestramento del modello. Questo tutorial utilizza 20 epoche.batch_size: il numero di campioni elaborati prima dell'aggiornamento del tuo modello. Questo tutorial utilizza una dimensione del batch di 10.
Per definire gli argomenti passati allo script, esegui il seguente codice:
JOB_NAME = "custom_job_unique"
EPOCHS = 20
BATCH_SIZE = 10
CMDARGS = [
"--label_column=" + LABEL_COLUMN,
"--epochs=" + str(EPOCHS),
"--batch_size=" + str(BATCH_SIZE),
]