Introduzione all'addestramento personalizzato: configura il progetto e l'ambiente

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

Questo tutorial è composto da diverse pagine:

  1. Configurazione del progetto e dell'ambiente in corso.

  2. Addestramento di un modello di classificazione delle immagini personalizzato.

  3. Pubblicare previsioni da un modello di classificazione delle immagini personalizzato.

  4. Pulizia del progetto in corso...

Ogni pagina presuppone che tu abbia già eseguito le istruzioni dalle pagine precedenti del tutorial.

Prima di iniziare

Durante questo tutorial, utilizza la console Google Cloud 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 gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.

  2. Nella pagina del selettore di progetti della console Google Cloud, seleziona o crea un progetto Google Cloud.

    Vai al selettore progetti

  3. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

  4. Abilita le API Vertex AI and Cloud Functions.

    Abilita le API

    5.

  5. Nella pagina del selettore di progetti della console Google Cloud, seleziona o crea un progetto Google Cloud.

    Vai al selettore progetti

  6. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

  7. Abilita le API Vertex AI and Cloud Functions.

    Abilita le API

    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 che mostra un prompt della riga di comando. Cloud Shell è un ambiente shell con Google Cloud CLI già installato e con valori già impostati per il progetto attuale. L'inizializzazione della sessione può richiedere alcuni secondi.

  9. Se Cloud Shell non visualizza (PROJECT_ID)$ nel prompt (dove PROJECT_ID è sostituito dal tuo ID progetto Google Cloud), 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 a livello di regione nella regione us-central1 da utilizzare per la parte restante di questo tutorial. Mentre segui il tutorial, utilizza il bucket per vari scopi:

  • Archivia il codice di addestramento per Vertex AI da usare in un job di addestramento personalizzato.
  • Archivia gli artefatti del modello restituiti dal job di addestramento personalizzato.
  • Ospita l'app web che riceve previsioni dall'endpoint di Vertex AI.

Per creare il bucket Cloud Storage, esegui questo comando nella sessione di Cloud Shell:

gsutil mb -p PROJECT_ID -l us-central1 gs://BUCKET_NAME

Sostituisci quanto segue:

  • PROJECT_ID: l'ID del tuo progetto Google Cloud.
  • BUCKET_NAME: un nome scelto da te per il bucket. Ad esempio, hello_custom_PROJECT_ID. Scopri di più sui requisiti per i nomi dei bucket.

Scarica il codice campione.

Scarica un codice campione da utilizzare per il resto del tutorial.

gsutil cp gs://cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz - | tar -xzv

In via facoltativa, per visualizzare 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 addestrare il modello di classificazione dei fiori.

  • setup.py: un file di configurazione per pacchettizzare la directory trainer/ in una distribuzione di origine Python utilizzabile da Vertex AI.

  • function/: una directory di codice Python per una funzione Cloud Functions che può ricevere e pre-elaborare richieste di previsione da un browser web, inviarle a Vertex AI, elaborare le risposte di previsione e inviarle 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