הסקת מסקנה

עכשיו אפשר להשתמש בנתוני הבדיקה ב-df_for_prediction כדי לשלוח בקשת הסקה. בקשת ההיסק מפעילה את המודל כדי לחזות איזה מין של פינגווין מיוצג על ידי מאפייני הפינגווין בכל שורה ב-df_for_prediction.

הכנת נתונים לבדיקת הסקה

לפני שמשתמשים בנתוני הבדיקה כדי ליצור מסקנות, צריך להסיר את העמודה species. מכיוון שסוג הפינגווין הוא מה שאתם מנסים לחזות, אי אפשר לכלול אותו בנתוני הבדיקה שמשמשים ליצירת מסקנה. אחרי שמסירים את העמודה species, ממירים את הנתונים לרשימת Python כי זה מה ששיטת predict מקבלת כקלט. מריצים את הקוד הבא כדי להמיר את הנתונים לרשימת Python:

# Remove the species column
df_for_prediction.pop(LABEL_COLUMN)

# Convert data to a Python list
test_data_list = df_for_prediction.values.tolist()

(אופציונלי) הצגת נתוני הבדיקה

כדי להבין את נתוני הבדיקה, אפשר להריץ את שורת הקוד הבאה כדי לראות אותם:

test_data_list

בכל שורה, הערכים המתאימים בכל אחת משש העמודות מתייחסים למאפיינים הבאים של פינגווין אחד:

עמודה	מאפיין של פינגווין
0	‫island – האי שבו נמצא מין של פינגווין. מיפוי הערכים של האיים הוא 0 עבור Dream,‏ 1 עבור Biscoe ו-2 עבור Torgersen.
1	culmen_length_mm – האורך של הרכס לאורך החלק העליון של המקור של פינגווין.
2	‫culmen_depth_mm – גובה המקור של פינגווין.
3	‫flipper_length_mm – אורך הכנף דמוית הסנפיר של פינגווין.
4	‫body_mass_g – מסת הגוף של העט.
5	‫sex – המין של הפינגווין. ‫0 הוא FEMALE ו-1 הוא MALE.

שליחת בקשת ההסקה

כדי ליצור בקשת הסקה, מעבירים את רשימת נתוני הבדיקה של Python שיצרתם אל ה-method predict של endpoint.

השיטה predict בודקת את המאפיינים בכל שורה ומשתמשת בהם כדי לחזות איזה סוג פינגווין הם מייצגים. מריצים את הקוד הבא כדי ליצור את ההסקות. ההסקות שמוחזרות מכילות רשימה של שורות, כאשר כל שורה כוללת שלוש עמודות (Adelie Penguin (Pygoscelis adeliae) (עמודה 1), Chinstrap penguin (Pygoscelis antarctica) (עמודה 2) או Gentoo penguin (Pygoscelis papua) (עמודה 3)).

# Get your inferences.
predictions = endpoint.predict(instances=test_data_list)

# View the inferences
predictions.predictions

כל עמודה בשורה מכילה ערך, וככל שהערך גבוה יותר, כך גדל הביטחון שהמסקנה לגבי מין הפינגווין שמיוצג בעמודה הזו נכונה. לדוגמה, בשורת הפלט הבאה של מסקנה לדוגמה, המודל משתמש במאפיינים של שורת נתוני הפינגווין לדוגמה כדי לחזות שהפינגווין הוא כנראה מהמין Adelie Penguin (Pygoscelis adeliae). הסיבה לכך היא שהערך הגבוה ביותר, 0.732703805, נמצא בעמודה הראשונה.

[0.732703805, 0.233752429, 0.0335437432]

בדוגמה הבאה, השיטה argmax של NumPy מחזירה את העמודה של כל שורה שמכילה את הערך הכי גבוה. הערך הכי גבוה מתאים למסקנה שהכי סביר שהיא נכונה. בשורה השנייה מוצג מערך ההסקות.

# Get the inference for each set of input data.
species_predictions = np.argmax(predictions.predictions, axis=1)

# View the best inference for the penguin characteristics in each row.
species_predictions

כל תוצאה במערך species_predictions חוזה לאיזה מין של פינגווין שייכים הערכים בשורה המתאימה של נתוני הבדיקה. לדוגמה, הערך הראשון הוא 0, שממופה למין Adelie Penguin (Pygoscelis adeliae). המשמעות היא שהמודל חוזה שהמין של פינגווין עם המאפיינים בשורה הראשונה של נתוני הבדיקה הוא Adelie Penguin (פינגווין אדלי).

פינוי משאבים

אחרי שמסיימים, אפשר להמשיך להשתמש במחברת כדי לחקור וללמוד עוד על המשאבים שיצרתם ואיך הם פועלים.

מחיקת המשאבים

כשמסיימים, מומלץ למחוק את המשאבים שיצרתם במהלך המדריך כדי שלא תחויבו על שימוש לא נחוץ. Google Cloud יש שתי דרכים למחוק את המשאבים:

• מוחקים את הפרויקט, וכך גם את כל המשאבים שמשויכים אליו. מידע נוסף זמין במאמר בנושא סגירה (מחיקה) של פרויקטים.

• מריצים קוד שמוחק את משימת האימון (אובייקט CustomTrainingJob), את המודל (אובייקט Model), את נקודת הקצה (אובייקט Endpoint) ואת הקטגוריה ב-Cloud Storage. באפשרות הזו הפרויקט שלכם נשמר, וגם כל משאב אחר שיצרתם ולא מחקתם במפורש באמצעות הקוד.

  כדי למחוק את המודל, צריך לבטל את הפריסה שלו באמצעות העברת force=True לשיטה endpoint.delete.

  כדי לשמור את הפרויקט ולמחוק רק את המשאבים שיצרתם במהלך ההדרכה הזו, מריצים את הקוד הבא ב-notebook:

import os

# Delete the training job
job.delete()

# Delete the endpoint and undeploy the model from it
endpoint.delete(force=True)

# Delete the model
model.delete()

# Delete the storage bucket and its contents
bucket.delete(force=True)

מחיקת מכונה של Vertex AI Workbench

אתם יכולים לשמור את מכונת Vertex AI Workbench לשימוש עתידי. אם מחליטים להשאיר את המינוי, חשוב לדעת מה העלות שלו. מידע נוסף זמין במאמר בנושא תמחור של Vertex AI Workbench.

כדי למחוק את מכונת Vertex AI Workbench:

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

   כניסה לדף Instances

2. בוחרים את המכונה של Vertex AI Workbench.

3. בתפריט העליון, לוחצים על  מחיקה.

4. בתיבת הדו-שיח לאישור מחיקת מופע, לוחצים על אישור. תהליך המחיקה נמשך כמה דקות.