GSP917

Огляд

Під час цієї практичної роботи ви застосуєте BigQuery для обробки даних і розвідувального аналізу, а також навчатимете й розгортатимете спеціальну модель TensorFlow Regressor на платформі Vertex AI, щоб отримати прогноз щодо загальної цінності клієнта. Мета цієї практичної роботи – навчитися працювати з Vertex AI на основі реального прикладу використання, зокрема спрогнозувати загальну цінність клієнта. Ви почнете з локального робочого процесу BigQuery й TensorFlow, з яким ви, можливо, уже знайомі, а потім перейдете до навчання й розгортання моделі в хмарі за допомогою Vertex AI.

Vertex AI – це уніфікована платформа Google Cloud нового покоління для розробки рішень для машинного навчання, що замінила AI Platform. Про це було оголошено на конференції Google I/O в травні 2021 року. Розробляючи рішення для машинного навчання на Vertex AI, можна суттєво підвищити ефективність розробки, масштабувати робочі процеси й алгоритми ухвалення рішень відповідно до наявних даних, а також скоротити час окупності завдяки найновішим стандартним компонентам машинного навчання й AutoML.

Цілі

План практичної роботи

• Підготувати модель TensorFlow на локально розміщеному екземплярі Vertex Notebook.
• Створити артефакт керованого табличного набору даних для відстеження експерименту.
• Помістити навчальний код у контейнер за допомогою Cloud Build і перемістити його в Google Cloud Artifact Registry.
• Виконати спеціальне навчальне завдання Vertex AI, використовуючи контейнер зі спеціальною моделлю.
• Використати Vertex TensorBoard, щоб візуалізувати ефективність моделі.
• Розгорнути навчену модель у кінцевій точці онлайн-прогнозування Vertex, щоб отримати прогнози.
• Надіслати запит на онлайн-прогнозування й пояснення та переглянути відповідь.

Налаштування й вимоги

Перш ніж натиснути кнопку Start Lab (Почати практичну роботу)

Ознайомтеся з наведеними нижче вказівками. На виконання практичної роботи відводиться обмежений час, і її не можна призупинити. Щойно ви натиснете Start Lab (Почати практичну роботу), з’явиться таймер, який показуватиме, скільки часу для роботи з ресурсами Google Cloud у вас залишилося.

Ви зможете виконати практичну роботу в дійсному робочому хмарному середовищі (не в симуляції або демонстраційному середовищі). Для цього на час виконання практичної роботи вам надаються тимчасові облікові дані для реєстрації і входу в Google Cloud.

Щоб виконати цю практичну роботу, потрібно мати:

• стандартний веб-переглядач, наприклад Chrome (рекомендовано)

Примітка. Виконуйте практичну роботу в режимі анонімного перегляду. Так ви уникнете додаткової плати, що може стягуватися з вашого особистого облікового запису внаслідок його конфліктів з обліковим записом для навчання.

• достатню кількість часу, оскільки почавши практичну роботу, ви не зможете призупинити її

Примітка. Якщо ви маєте особистий обліковий запис або проект Google Cloud, не використовуйте їх для доступу до цієї практичної роботи. Так ви уникнете додаткових стягнень з вашого облікового запису.

Як почати виконувати практичну роботу й увійти в Google Cloud Console

1. Натисніть кнопку Start Lab (Почати практичну роботу). Якщо за практичну роботу необхідно заплатити, відкриється спливаюче вікно, де ви зможете обрати спосіб оплати. Ліворуч розміщено панель Lab Details (Відомості про практичну роботу) з такими даними:

   • кнопка Open Google Cloud console (Відкрити Google Cloud Console);
   • час до закінчення;
   • тимчасові облікові дані, які потрібно використовувати для доступу до цієї практичної роботи;
   • інша інформація, необхідна для виконання цієї практичної роботи.

2. Натисніть Open Google Cloud console (Відкрити Google Cloud Console) або натисніть правою кнопкою миші й виберіть Open Link in Incognito Window (Відкрити посилання в анонімному вікні), якщо ви використовуєте вебпереглядач Chrome.

   Завантажаться необхідні ресурси. Потім відкриється нова вкладка зі сторінкою Sign in (Вхід).

   Порада. Упорядковуйте вкладки в окремих вікнах, розміщуючи їх поруч.

   Примітка. Якщо з’явиться вікно Choose an account (Виберіть обліковий запис), натисніть Use Another Account (Увійти в інший обліковий запис).

3. За потреби скопіюйте значення в полі Username (Ім’я користувача) нижче й вставте його у вікні Sign in (Вхід).

   {{{user_0.username | "Username"}}}

   Поле Username (Ім’я користувача) також можна знайти на панелі Lab Details (Відомості про практичну роботу).

4. Натисніть Next (Далі).

5. Скопіюйте значення в полі Password (Пароль) нижче й вставте його у вікні Welcome (Привітання).

   {{{user_0.password | "Password"}}}

   Поле Password (Пароль) також можна знайти на панелі Lab Details (Відомості про практичну роботу).

6. Натисніть Next (Далі).

   Важливо. Обов’язково використовуйте облікові дані, призначені для відповідної практичної роботи. Не використовуйте облікові дані Google Cloud. Примітка. Якщо ввійти у власний обліковий запис Google Cloud, може стягуватися додаткова плата.

7. Виконайте наведені нижче дії.

   • Прийміть Умови використання.
   • Не додавайте способи відновлення й двохетапну перевірку (оскільки це тимчасовий обліковий запис).
   • Не реєструйте безкоштовні пробні версії.

Через кілька секунд Google Cloud Console відкриється в новій вкладці.

Примітка. Щоб переглянути меню зі списком продуктів і сервісів Google Cloud, натисніть меню навігації вгорі ліворуч.

Як активувати Cloud Shell

Cloud Shell – це віртуальна машина з попередньо завантаженими інструментами для розробників. Вона містить головний каталог обсягом 5 ГБ постійної пам’яті й працює в середовищі Google Cloud. Cloud Shell надає доступ до ресурсів Google Cloud через командний рядок.

1. Угорі консолі Google Cloud натисніть Activate Cloud Shell (Активувати Cloud Shell) .

Щойно ви підключитеся, вас буде автентифіковано, а проект отримає ваш PROJECT_ID (ІДЕНТИФІКАТОР ПРОЕКТУ). Вивід міститиме рядок зі значенням PROJECT_ID (ІДЕНТИФІКАТОР ПРОЕКТУ) для цього сеансу:

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud – це інструмент командного рядка для Google Cloud. Він входить у пакет Cloud Shell і підтримує функцію автозавершення клавішею TAB.

2. (Необов’язково) Щоб вивести поточне ім’я облікового запису, введіть таку команду:

gcloud auth list

3. Натисніть Authorize (Авторизувати).

4. Вихідні дані матимуть такий вигляд:

Вивід:

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

5. (Необов’язково) Щоб вивести ідентифікатор проекту, введіть таку команду:

gcloud config list project

Вивід:

[core] project = <project_ID>

Приклад виводу:

[core] project = qwiklabs-gcp-44776a13dea667a6 Примітка. Щоб знайти повну документацію щодо gcloud, перегляньте посібник з інтерфейсу командного рядка gcloud у Google Cloud.

Завдання 1. Увімкніть сервіси Google Cloud

• Увімкніть сервіси, що використовуватимуться в практичній роботі, за допомогою командного рядка gcloud у Cloud Shell:

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

Завдання 2. Створіть спеціальний сервісний обліковий запис Vertex AI для інтеграції Vertex TensorBoard

1. Створіть спеціальний сервісний обліковий запис:

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. Надайте йому доступ до Cloud Storage для створення й отримання записів у журналах 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. Надайте йому доступ до джерела даних BigQuery, щоб він міг читати дані для моделі TensorFlow:

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

4. Надайте йому доступ до Vertex AI, щоб виконувати різні завдання з навчання моделі, розгортання й пояснення:

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

Завдання 3. Запустіть екземпляр Notebook Vertex AI Workbench

Щоб створити й запустити екземпляр Notebook Vertex AI Workbench, виконайте наведені нижче дії.

1. У меню навігації натисніть Vertex AI > Workbench.

2. На сторінці Workbench натисніть Enable Notebooks API (Увімкнути інтерфейс Notebooks API) (якщо його ще не ввімкнено).

3. Потім перейдіть на вкладку User-Managed Notebooks (Керовані користувачами екземпляри Notebook) і натисніть Create New (Створити).

4. Дайте назву екземпляра Notebook.

5. У полі Region (Регіон) виберіть опцію , а в полі Zone (Зона) – .

6. У меню New instance (Новий екземпляр) виберіть останню версію TensorFlow Enterprise 2.11 у розділі Environment (Середовище).

7. Натисніть Advanced Options (Розширені параметри), щоб змінити властивості цього екземпляра.

8. Натисніть Machine type (Тип машини) і виберіть e2-standard-2.

9. Залиште решту полів зі значеннями за умовчанням і натисніть Create (Створити).

Через кілька хвилин на сторінці Workbench з’явиться ваш екземпляр, а потім – пропозиція Open JupyterLab (Відкрити JupyterLab).

10. Натисніть Open JupyterLab (Відкрити JupyterLab) (відкриється в новій вкладці). Якщо з’явиться повідомлення про те, що beatrix-jupyterlab необхідно включити в складання, просто проігноруйте його.

Щоб підтвердити виконання завдання, натисніть Check my progress (Підтвердити виконання). Створіть екземпляр Notebook Vertex AI

Завдання 4. Скопіюйте сховище для практичної роботи

Тепер потрібно скопіювати сховище training-data-analyst у ваш екземпляр JupyterLab.

Щоб скопіювати сховище training-data-analyst в екземпляр JupyterLab, виконайте наведені нижче дії.

1. У JupyterLab натисніть значок термінала, щоб відкрити новий термінал.

2. У командному рядку введіть наведену нижче команду й натисніть клавішу ENTER:

git clone --depth=1 https://github.com/GoogleCloudPlatform/training-data-analyst

3. Упевніться, що ви скопіювали сховище. Для цього на панелі ліворуч двічі натисніть папку training-data-analyst і переконайтеся, що її вміст відображається.

Це займе кілька хвилин.

Щоб підтвердити виконання завдання, натисніть Підтвердити виконання. Скопіюйте сховище для практичної роботи

Завдання 5. Установіть залежності для практичної роботи

• Виконайте наведений нижче код, щоб перейти до папки training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart і встановити залежності для практичної роботи через команду pip3 install для файлу requirements.txt:

cd training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart pip3 install --user -r requirements.txt sudo apt -y install python3-pandas pip uninstall openpyxl pip install openpyxl

Перейдіть до екземпляра Notebook для практичної роботи

1. У переглядачі файлів перейдіть до training-data-analyst > self-paced-labs > vertex-ai > vertex-ai-qwikstart, а потім відкрийте lab_exercise.ipynb.

Примітка. Щоб виконати цю практичну роботу, потрібно відкрити екземпляр Notebook під назвою lab_exercise.ipynb.

2. Далі виконуйте практичну роботу в екземплярі Notebook. Щоб запустити кожну клітинку, натисніть значок Run (Запустити) у верхній частині екрана.

Також можна виконати код у клітинці, натиснувши клавіші SHIFT + ENTER.

Прочитайте опис, щоб з’ясувати, що відбувається в кожній клітинці.

Вітаємо!

Під час цієї практичної роботи ви експериментували з машинним навчанням, використовуючи BigQuery Google Cloud для зберігання й аналізу даних, а також сервіси машинного навчання Vertex AI для навчання й розгортання моделі TensorFlow, що генерує прогнози загальної цінності клієнта. Спочатку ви навчали модель TensorFlow локально, а потім – у хмарі за допомогою Vertex AI. Крім того, ви скористалися новими можливостями уніфікованої платформи, такими як Vertex TensorBoard і атрибуції функції прогнозування.

Наступні кроки/Докладніше

Ця робота входить до низки практичних робіт під назвою Qwik Starts. Вони призначені для ознайомлення з функціями Google Cloud. Такі практичні роботи можна знайти в каталозі за запитом "Qwik Starts".

Навчання й сертифікація Google Cloud

…допомагають ефективно використовувати технології Google Cloud. Наші курси передбачають опанування технічних навичок, а також ознайомлення з рекомендаціями, що допоможуть вам швидко зорієнтуватися й вивчити матеріал. Ми пропонуємо курси різних рівнів – від базового до високого. Ви можете вибрати формат навчання (за запитом, онлайн або офлайн) відповідно до власного розкладу. Пройшовши сертифікацію, ви перевірите й підтвердите свої навички та досвід роботи з технологіями Google Cloud.

Посібник востаннє оновлено 16 травня 2024 року

Практичну роботу востаннє протестовано 16 травня 2024 року

© Google LLC 2024. Усі права захищено. Назва та логотип Google є торговельними марками Google LLC. Усі інші назви компаній і продуктів можуть бути торговельними марками відповідних компаній, з якими вони пов’язані.