GSP076

Présentation

Dans cet atelier, vous allez apprendre à entraîner le modèle TensorFlow 2.x, à la fois en local et sur AI Platform. Vous découvrirez ensuite comment le déployer sur AI Platform pour effectuer des prédictions. Vous allez entraîner le modèle à fournir des prédictions sur la catégorie de revenus d'une personne en utilisant l'ensemble de données relatif aux revenus issu d'un recensement effectué aux États-Unis.

Cet atelier vous offre l'occasion d'expérimenter l'intégralité du processus d'entraînement et de prédiction sur AI Platform. Vous allez utiliser un ensemble de données de recensement pour réaliser les tâches suivantes :

• Créer une application d'entraînement TensorFlow 2.x et la valider en local
• Exécuter votre tâche d'entraînement sur une instance de nœud de calcul unique dans le cloud
• Déployer un modèle pour appuyer la prédiction
• Demander une prédiction en ligne et afficher la réponse

Objectifs de l'atelier

L'exemple présenté ici crée un modèle large et profond pour prédire la catégorie de revenus, en se basant sur un ensemble de données relatif aux revenus issu d'un recensement effectué aux États-Unis. Les deux catégories de revenus, également appelées "étiquettes", sont les suivantes :

• >50K : revenus supérieurs à 50 000 dollars
• <=50K : revenus inférieurs ou égaux à 50 000 dollars

Ces modèles utilisent des réseaux de neurones profonds (DNN, Deep Neural Network) pour apprendre des abstractions générales sur des caractéristiques complexes ou des interactions entre ces caractéristiques. Ils associent ensuite les sorties du DNN à une régression linéaire effectuée sur des caractéristiques plus simples. Cela aboutit à un juste équilibre entre puissance et vitesse, qui s'avère efficace pour de nombreux problèmes liés aux données structurées.

L'exemple définit le modèle en utilisant la classe DNNCombinedLinearClassifier préconfigurée. Il définit également les transformations de données qui concernent particulièrement l'ensemble de données de recensement, avant d'attribuer ces caractéristiques (potentiellement) transformées au DNN ou à la partie linéaire du modèle.