GSP917

Opis

W tym module wykorzystasz BigQuery do przetwarzania i eksploracyjnej analizy danych, a za pomocą platformy Vertex AI wytrenujesz i wdrożysz własny model regresji TensorFlow do prognozowania długookresowej wartości klienta (CLV). Moduł ma Cię zapoznać z Vertex AI w oparciu o realny, przydatny przypadek użycia – przewidywanie CLV. Zaczniesz od lokalnego przepływu pracy BigQuery i TensorFlow, który być może już znasz, a potem przejdziesz do trenowania i wdrażania Twojego modelu w chmurze przy użyciu Vertex AI.

Vertex AI to dostępna w Google Cloud ujednolicona platforma nowej generacji do tworzenia rozwiązań na bazie systemów uczących się, a zarazem następca AI Platform zaprezentowany na konferencji Google I/O w maju 2021 r. Przy tworzeniu rozwiązań wykorzystujących systemy uczące się w Vertex AI masz do dyspozycji najnowsze gotowe komponenty ML i AutoML, które znacznie usprawniają projektowanie. Możesz też skalować przepływ pracy i procesy decyzyjne na podstawie danych oraz przyspieszyć generowanie wartości.

Czego się nauczysz

• Wytrenujesz lokalnie model TensorFlow w hostowanym notatniku Vertex.
• Utworzysz artefakt zarządzanego tabelarycznego zbioru danych do śledzenia eksperymentu.
• Skonteneryzujesz kod trenowania za pomocą Cloud Build i prześlesz go do Google Cloud Artifact Registry.
• Uruchomisz niestandardowe zadanie trenowania w Vertex AI przy użyciu stworzonego własnego kontenera modelu.
• Wykorzystasz Vertex TensorBoard, aby zwizualizować wydajność modelu.
• Wdrożysz wytrenowany model w punkcie końcowym prognoz online Vertex, aby wyświetlać prognozy.
• Wyślesz prośbę o stworzenie prognozy i wyjaśnienia online oraz wyświetlisz odpowiedź.

Konfiguracja i wymagania

Zanim klikniesz przycisk Rozpocznij moduł

Zapoznaj się z tymi instrukcjami. Moduły mają limit czasowy i nie można ich zatrzymać. Gdy klikniesz Rozpocznij moduł, na liczniku wyświetli się informacja o tym, na jak długo udostępniamy Ci zasoby Google Cloud.

W tym praktycznym module możesz spróbować swoich sił w wykonywaniu opisywanych działań w prawdziwym środowisku chmury, a nie w jego symulacji lub wersji demonstracyjnej. Otrzymasz nowe, tymczasowe dane logowania, dzięki którym zalogujesz się i uzyskasz dostęp do Google Cloud na czas trwania modułu.

Do ukończenia modułu potrzebne będą:

• dostęp do standardowej przeglądarki internetowej (zalecamy korzystanie z przeglądarki Chrome).

Uwaga: uruchom ten moduł w oknie incognito lub przeglądania prywatnego. Dzięki temu unikniesz konfliktu między swoim kontem osobistym a kontem do nauki, co mogłoby spowodować naliczanie oddatkowych opłat na koncie osobistym.

• Odpowiednia ilość czasu na ukończenie modułu – pamiętaj, że gdy rozpoczniesz, nie możesz go wstrzymać.

Uwaga: jeśli masz już osobiste konto lub projekt w Google Cloud, nie używaj go w tym module, aby uniknąć naliczania opłat na koncie.

Rozpoczynanie modułu i logowanie się w konsoli Google Cloud

1. Kliknij przycisk Rozpocznij moduł. Jeśli moduł jest odpłatny, otworzy się wyskakujące okienko, w którym możesz wybrać formę płatności. Po lewej stronie znajduje się panel Szczegóły modułu z następującymi elementami:

   • przyciskiem Otwórz konsolę Google;
   • czasem, który Ci pozostał;
   • tymczasowymi danymi logowania, których musisz użyć w tym module;
   • innymi informacjami potrzebnymi do ukończenia modułu.

2. Kliknij Otwórz konsolę Google. Moduł uruchomi zasoby, po czym otworzy nową kartę ze stroną logowania.

   Wskazówka: otwórz karty obok siebie w osobnych oknach.

   Uwaga: jeśli pojawi się okno Wybierz konto, kliknij Użyj innego konta.

3. W razie potrzeby skopiuj nazwę użytkownika z panelu Szczegóły modułu i wklej ją w oknie logowania. Kliknij Dalej.

4. Skopiuj hasło z panelu Szczegóły modułu i wklej je w oknie powitania. Kliknij Dalej.

   Ważne: musisz użyć danych logowania z panelu po lewej stronie, a nie danych logowania Google Cloud Skills Boost. Uwaga: korzystanie z własnego konta Google Cloud w tym module może wiązać się z dodatkowymi opłatami.

5. Na kolejnych stronach wykonaj następujące czynności:

   • Zaakceptuj Warunki korzystania z usługi.
   • Nie dodawaj opcji odzyskiwania ani uwierzytelniania dwuskładnikowego (ponieważ konto ma charakter tymczasowy).
   • Nie rejestruj się w bezpłatnych wersjach próbnych.

Poczekaj, aż na karcie otworzy się konsola Google Cloud.

Uwaga: aby wyświetlić menu z listą produktów i usług Google Cloud Console, w lewym górnym rogu kliknij menu nawigacyjne.

Aktywowanie Cloud Shell

Cloud Shell to maszyna wirtualna oferująca wiele narzędzi dla programistów. Zawiera stały katalog domowy o pojemności 5 GB i działa w Google Cloud. Dzięki wierszowi poleceń Cloud Shell zyskujesz dostęp do swoich zasobów Google Cloud.

1. Kliknij Aktywuj Cloud Shell  na górze konsoli Google Cloud.

Po połączeniu użytkownik od razu jest uwierzytelniony. Uruchomi się Twój projekt o identyfikatorze PROJECT_ID. Dane wyjściowe zawierają wiersz z zadeklarowanym identyfikatorem PROJECT_ID dla tej sesji:

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud to narzędzie wiersza poleceń Google Cloud. Jest ono już zainstalowane w Cloud Shell i obsługuje funkcję autouzupełniania po naciśnięciu tabulatora.

2. (Opcjonalnie) Aby wyświetlić listę aktywnych kont, użyj tego polecenia:

gcloud auth list

3. Kliknij Autoryzuj.

4. Dane wyjściowe powinny wyglądać tak:

Dane wyjściowe:

ACTIVE: * ACCOUNT: student-01-xxxxxxxxxxxx@qwiklabs.net To set the active account, run: $ gcloud config set account `ACCOUNT`

5. (Opcjonalnie) Aby wyświetlić identyfikator projektu, użyj tego polecenia:

gcloud config list project

Dane wyjściowe:

[core] project = <project_ID>

Przykładowe dane wyjściowe:

[core] project = qwiklabs-gcp-44776a13dea667a6 Uwaga: pełną dokumentację gcloud w Google Cloud znajdziesz w opisie narzędzia wiersza poleceń gcloud.

Zadanie 1. Włączanie usług Google Cloud

• W Cloud Shell użyj gcloud, aby włączyć usługi wykorzystywane w module:

gcloud services enable \ compute.googleapis.com \ iam.googleapis.com \ iamcredentials.googleapis.com \ monitoring.googleapis.com \ logging.googleapis.com \ notebooks.googleapis.com \ aiplatform.googleapis.com \ bigquery.googleapis.com \ artifactregistry.googleapis.com \ cloudbuild.googleapis.com \ container.googleapis.com

Zadanie 2. Tworzenie niestandardowego konta usługi Vertex AI na potrzeby integracji Vertex TensorBoard

1. Utwórz niestandardowe konto usługi:

SERVICE_ACCOUNT_ID=vertex-custom-training-sa gcloud iam service-accounts create $SERVICE_ACCOUNT_ID \ --description="A custom service account for Vertex custom training with Tensorboard" \ --display-name="Vertex AI Custom Training"

2. Przyznaj kontu dostęp do Cloud Storage, aby mogło zapisywać i pobierać logi TensorBoard:

PROJECT_ID=$(gcloud config get-value core/project) gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/storage.admin"

3. Przyznaj kontu dostęp do Twojego źródła danych BigQuery, co pozwoli mu wczytywać dane do modelu TensorFlow:

gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/bigquery.admin"

4. Przyznaj kontu dostęp do Vertex AI na potrzeby uruchamiania zadań trenowania, wdrażania i wyjaśniania w związku z modelem:

gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/aiplatform.user"

Zadanie 3. Uruchamianie notatnika Vertex AI Workbench

Uwaga: aby ukończyć ten moduł, użyj TensorFlow Enterprise 2.13.

Aby utworzyć i uruchomić notatnik Vertex AI Workbench:

1. W Menu nawigacyjnym  kliknij Vertex AI > Workbench.

2. Na stronie Workbench kliknij Włącz Notebooks API (jeśli ten interfejs nie jest jeszcze włączony).

3. Kliknij kartę Notatniki zarządzane przez użytkownika, a potem kliknij Utwórz nowy.

4. Nadaj notatnikowi nazwę.

5. Ustaw Region jako , a Strefę jako .

6. W menu Nowa instancja, w opcji Środowisko, wybierz najnowszą wersję TensorFlow Enterprise 2.x.

7. Kliknij Opcje zaawansowane, aby wyedytować właściwości instancji.

8. Kliknij Typ maszyny i wybierz e2-standard-2.

9. W pozostałych polach pozostaw domyślne ustawienia i kliknij Utwórz.

Po kilku minutach na stronie Workbench pojawi się Twoja instancja wraz z poleceniem Otwórz JupyterLab.

10. Kliknij Otwórz JupyterLab, aby otworzyć JupyterLab w nowej karcie. Jeśli pojawi się komunikat informujący, że kompilacja musi zawierać beatrix jupyterlab, zignoruj go.

Kliknij Sprawdź postępy, aby zobaczyć, jak Ci poszło. Utworzenie notatnika Vertex AI

Zadanie 4. Klonowanie repozytorium modułu

W następnym kroku sklonujesz repozytorium training-data-analyst do Twojej instancji JupyterLab.

Aby skopiować repozytorium training-data-analyst w instancji JupyterLab, wykonaj te czynności:

1. W JupyterLab kliknij ikonę terminala, co spowoduje otwarcie nowego terminala.

2. W wierszu poleceń wpisz następujące polecenie i naciśnij ENTER:

git clone https://github.com/GoogleCloudPlatform/training-data-analyst

3. Aby potwierdzić, że sklonowano repozytorium, w lewym panelu kliknij dwukrotnie folder training-data-analyst, by zobaczyć jego zawartość.

Klonowanie repozytorium zajmie kilka minut.

Kliknij Sprawdź postępy, aby zobaczyć, jak Ci poszło. Sklonowanie repozytorium modułu

Zadanie 5. Instalowanie zależności modułu

• Uruchom poniższy kod, aby otworzyć folder training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart, a następnie uruchom polecenie pip3 install requirements.txt, aby zainstalować zależności modułu:

cd training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart pip3 install --user -r requirements.txt

Przechodzenie do notatnika modułu

1. W Twoim notatniku przejdź do training-data-analyst > self-paced-labs > vertex-ai > vertex-ai-qwikstart i otwórz lab_exercise.ipynb.

2. Wykonaj dalsze zadania z modułu w notatniku i uruchamiaj każdą komórkę, klikając ikonę Uruchom na górze ekranu.

Kod w komórce możesz też uruchomić, naciskając SHIFT + ENTER.

Przeczytaj opis, aby zrozumieć, co dzieje się w kolejnych komórkach.

Gratulacje!

W tym module udało Ci się uruchomić przepływ pracy na potrzeby eksperymentu z systemem uczącym się, wykorzystując przy tym Google Cloud BigQuery do przechowywania i analizy danych oraz usługi systemów uczących się Vertex AI do wytrenowania i wdrożenia modelu TensorFlow, który prognozuje długookresową wartość klienta. Po lokalnym wytrenowaniu modelu TensorFlow przeszliśmy do trenowania w chmurze przy użyciu Vertex AI i wykorzystaliśmy kilka nowych funkcji ujednoliconej platformy, takich jak Vertex TensorBoard i atrybucje funkcji prognozowania.

Ukończ kurs

Ten moduł do samodzielnego ukończenia wchodzi w skład kursów Baseline: Data, ML, AI i Advanced ML: ML Infrastructure.

Ten moduł do samodzielnego ukończenia wchodzi też w skład kursu Build and Deploy Machine Learning Solutions on Vertex AI, po ukończeniu którego otrzymasz odznakę umiejętności. Za ukończenie kursu otrzymujesz odznakę – stanowi ona potwierdzenie Twojego osiągnięcia. Pochwal się nią w swoim CV i mediach społecznościowych, oznaczając swoje osiągnięcie hashtagiem #GoogleCloudBadge.

Przejrzyj katalog, w którym czeka na Ciebie jeszcze ponad 20 kursów pozwalających zdobyć odznakę umiejętności.

Szkolenia i certyfikaty Google Cloud

…pomogą Ci wykorzystać wszystkie możliwości technologii Google Cloud. Nasze zajęcia obejmują umiejętności techniczne oraz sprawdzone metody, które ułatwią Ci szybką naukę i umożliwią jej kontynuację. Oferujemy szkolenia na poziomach od podstawowego po zaawansowany prowadzone w trybach wirtualnym, na żądanie i na żywo, dzięki czemu możesz dopasować program szkoleń do swojego napiętego harmonogramu. Certyfikaty umożliwią udokumentowanie i potwierdzenie Twoich umiejętności oraz doświadczenia w zakresie technologii Google Cloud.

Ostatnia aktualizacja instrukcji: 1 listopada 2023 r.

Ostatni test modułu: 1 listopada 2023 r.

Copyright 2024 Google LLC. Wszelkie prawa zastrzeżone. Google i logo Google są znakami towarowymi Google LLC. Wszelkie inne nazwy firm i produktów mogą być znakami towarowymi odpowiednich podmiotów, z którymi są powiązane.