Introduzione all'addestramento personalizzato: configurazione del progetto e dell'ambiente

Questa pagina descrive la configurazione del tuo progetto Google Cloud per utilizzare Vertex AI e il download di codice TensorFlow per l'addestramento. Scaricherai anche il codice per un'app web che riceve le previsioni.

Questo tutorial è composto da 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

Durante questo tutorial, utilizza la Google Cloud 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 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 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. Nella console Google Cloud , attiva Cloud Shell.

    Attiva Cloud Shell

    Nella parte inferiore della console Google Cloud 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 installata e con valori già impostati per il progetto corrente. L'inizializzazione della sessione può richiedere alcuni secondi.

  9. Se Cloud Shell non mostra (PROJECT_ID)$ nel prompt (dove PROJECT_ID viene sostituito dal tuo Google Cloud ID progetto), esegui questo comando 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 regione us-central1 da utilizzare per il resto di questo tutorial. Mentre segui il tutorial, utilizza il bucket per diversi scopi:

  • Memorizza il codice di addestramento che Vertex AI 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 dal tuo endpoint Vertex AI.

Per creare il bucket Cloud Storage, esegui questo comando 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 tuo Google Cloud progetto.
  • BUCKET_NAME: un nome che scegli 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 questo comando:

ls -lpR hello-custom-sample

La directory hello-custom-sample contiene quattro elementi:

  • trainer/: una directory del 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 dell'origine Python che Vertex AI può utilizzare.

  • function/: una directory di codice Python per una funzione Cloud Run che può ricevere ed elaborare le richieste di previsione da un browser web, inviarle a Vertex AI, elaborare le risposte di previsione e inviarle di nuovo al browser.

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

Passaggi successivi

Segui la pagina successiva di questo tutorial per eseguire un job di addestramento personalizzato su Vertex AI.

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