run
tugas pelatihan untuk menjalankan skrip.
Dalam topik ini, Anda akan membuat skrip pelatihan, lalu menentukan argumen perintah untuk skrip pelatihan Anda.
Membuat skrip pelatihan
Di bagian ini, Anda akan membuat skrip pelatihan. Skrip ini adalah file baru di lingkungan
notebook Anda yang bernama task.py. Nantinya, dalam tutorial ini Anda akan meneruskan
skrip ini ke konstruktor aiplatform.CustomTrainingJob. Saat berjalan, skrip akan melakukan hal berikut:
Memuat data dalam set data BigQuery yang Anda buat.
Menggunakan TensorFlow Keras API untuk membangun, mengompilasi, dan melatih model Anda.
Menentukan jumlah epoch dan ukuran batch yang akan digunakan saat metode
Model.fitKeras dipanggil.Menentukan tempat untuk menyimpan artefak model menggunakan variabel lingkungan
AIP_MODEL_DIR.AIP_MODEL_DIRditetapkan oleh Vertex AI dan berisi URI direktori untuk menyimpan artefak model. Untuk mengetahui informasi selengkapnya, lihat Variabel lingkungan untuk direktori Cloud Storage khusus.Mengekspor
SavedModelTensorFlow ke direktori model. Untuk mengetahui informasi selengkapnya, lihat Menggunakan formatSavedModeldi situs TensorFlow.
Untuk membuat skrip pelatihan, jalankan kode berikut di notebook Anda:
%%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 http://cloud.go888ogle.com.fqhub.com/vertex-ai/docs/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"))
Setelah dibuat, skrip akan muncul di folder root notebook Anda:
Menentukan argumen untuk skrip pelatihan
Anda meneruskan argumen command line berikut ke skrip pelatihan:
label_column- Ini mengidentifikasi kolom dalam data Anda yang berisi hal yang ingin diprediksi. Dalam hal ini, kolom tersebut adalahspecies. Anda menentukan nilai ini dalam variabel bernamaLABEL_COLUMNsaat memproses data Anda. Untuk mengetahui informasi selengkapnya, lihat Mendownload, melakukan prapemrosesan, dan membagi data.epochs- Ini adalah jumlah epoch yang digunakan saat Anda melatih model. Epoch adalah iterasi pada data saat melatih model Anda. Tutorial ini menggunakan 20 epochbatch_size- Ini adalah jumlah sampel yang diproses sebelum model Anda diperbarui. Tutorial ini menggunakan ukuran tumpukan 10.
Untuk menentukan argumen yang diteruskan ke skrip Anda, jalankan kode berikut:
JOB_NAME = "custom_job_unique"
EPOCHS = 20
BATCH_SIZE = 10
CMDARGS = [
"--label_column=" + LABEL_COLUMN,
"--epochs=" + str(EPOCHS),
"--batch_size=" + str(BATCH_SIZE),
]