GSP354

Übersicht

In einem Challenge-Lab geht es um ein bestimmtes Szenario mit mehreren Aufgaben. Anders als bei einem normalen Lab erhalten Sie jedoch keine Schritt-für-Schritt-Anleitung, sondern nutzen die in den Labs des jeweiligen Kurses erlernten Fähigkeiten, um die Aufgaben selbst zu lösen. Ihre Lösungen werden automatisch bewertet. Die erzielten Punkte finden Sie rechts oben auf dieser Seite.

In Challenge-Labs werden keine neuen Grundlagen zu Google Cloud vermittelt. Sie sollen dabei Ihr Wissen erweitern und es wird erwartet, dass Sie beispielsweise Standardwerte ändern und Fehlermeldungen lesen und recherchieren, um Ihre eigenen Fehler zu beheben.

Die volle Punktzahl erreichen Sie nur, wenn Sie alle Aufgaben innerhalb der vorgegebenen Zeit lösen.

Dieses Lab wird Teilnehmern empfohlen, die sich für den Kurs Build and Deploy Machine Learning Solutions on Vertex AI angemeldet haben. Sind Sie bereit?

Einrichtung und Anforderungen

Vor dem Klick auf „Start Lab“ (Lab starten)

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer beginnt zu laufen, wenn Sie auf Lab starten klicken, und zeigt Ihnen, wie lange Google Cloud-Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.

Für dieses Lab benötigen Sie Folgendes:

• Einen Standardbrowser (empfohlen wird Chrome)

Hinweis: Nutzen Sie den privaten oder Inkognitomodus (empfohlen), um dieses Lab durchzuführen. So wird verhindert, dass es zu Konflikten zwischen Ihrem persönlichen Konto und dem Teilnehmerkonto kommt und zusätzliche Gebühren für Ihr persönliches Konto erhoben werden.

• Zeit für die Durchführung des Labs – denken Sie daran, dass Sie ein begonnenes Lab nicht unterbrechen können.

Hinweis: Verwenden Sie für dieses Lab nur das Teilnehmerkonto. Wenn Sie ein anderes Google Cloud-Konto verwenden, fallen dafür möglicherweise Kosten an.

Das Szenario

Sie wurden vor Kurzem von einem Start-up, das eine Filmkritik-Website betreibt, als Machine Learning Engineer eingestellt. Ihr Vorgesetzter hat Sie gebeten, ein Machine-Learning-Modell zur Sentimentklassifizierung von Filmkritiken als positiv oder negativ zu erstellen. Diese Vorhersagen werden in Downstream-Filmbewertungssystemen als Eingabe genutzt, um die besten positiven und kritischen Bewertungen auf der Filmkritik-Website bereitzustellen.

Die Herausforderung besteht darin, dass Sie nur sechs Wochen Zeit haben, um ein Modell mit einer Accuracy von mehr als 75 % in der Produktion einzusetzen, das eine Verbesserung gegenüber einer vorhandenen Bootstrapping-Lösung darstellt. Eine explorative Analyse des Data Warehouse Ihres Start-ups hat außerdem ergeben, dass Ihnen nur ein kleines Dataset mit 50.000 schriftlichen Bewertungen zur Verfügung steht, um eine leistungsstärkere Lösung zu entwickeln.

Die Aufgabe

Sie führen das Training und die Bereitstellung eines benutzerdefinierten TensorFlow-BERT-Sentimentklassifikators für Onlinevorhersagen auf der Google Cloud-Plattform Vertex AI durch, um mit einer begrenzten Datenmenge schnell ein leistungsstarkes Machine-Learning-Modell zu entwickeln und bereitzustellen. Vertex AI ist die ML-Entwicklungsplattform der nächsten Generation von Google Cloud. Hier stehen Ihnen aktuelle vorkonfigurierte ML-Komponenten sowie AutoML zur Verfügung, damit Sie deutlich produktiver entwickeln, Ihren Workflow und die Entscheidungsfindung anhand Ihrer Daten optimieren und die Wertschöpfung beschleunigen können.

Zuerst durchlaufen Sie einen typischen experimentellen Workflow, in dem Sie Ihr Modell aus vortrainierten BERT-Komponenten von TF-Hub und tf.keras-Klassifizierungsschichten erstellen, um es in einem Vertex-Notebook zu trainieren und zu bewerten. Dann verpacken Sie den Modellcode zum Trainieren in Vertex AI von Google Cloud in einem Docker-Container. Zum Schluss definieren Sie eine Kubeflow-Pipeline und führen sie in Vertex Pipelines aus, um das Modell zu trainieren und auf einem Vertex-Endpunkt bereitzustellen, an den Sie Abfragen senden, um Onlinevorhersagen zu erhalten.

Aufgabe 1: Notebook in Vertex AI Workbench öffnen

1. Klicken Sie in der Google Cloud Console im Navigationsmenü () auf Vertex AI > Workbench.

2. Suchen Sie die Instanz und klicken Sie auf JupyterLab öffnen.

Die JupyterLab-Oberfläche für Ihre Workbench-Instanz wird in einem neuen Browsertab geöffnet.

Aufgabe 2: Notebook einrichten

1. Klicken Sie in Ihrem Notebook auf Terminal.

2. Installieren Sie die für das Lab erforderlichen Pakete:

pip3 install -U -r requirements.txt --user

3. Klicken Sie im Dateibrowser auf der linken Seite auf die Datei .

4. Wenn Sie gefragt werden, welcher Kernel verwendet werden soll, wählen Sie den Kernel Python 3 (ipykernel).

5. Gehen Sie den Abschnitt Einrichtung des Notebooks durch, um die erforderlichen Bibliotheken zu installieren und Ihre Umgebung einzurichten.

   • Verwenden Sie als Projekt-ID den Wert und als Region die Option .

Der restliche Code zum Importieren und Vorverarbeiten des Datasets wurde Ihnen zur Verfügung gestellt. Die verbleibenden Schritte werden in der Notebook-Datei ausgeführt. Nutzen Sie den Lab-Leitfaden, um Ihren Fortschritt zu prüfen und sich Tipps zu holen.

Aufgabe 3: Ihr Modell lokal in einem Vertex-Notebook erstellen und trainieren

In diesem Abschnitt trainieren Sie Ihr Modell lokal mit TensorFlow.

Hinweis: In diesem Lab wird die offizielle Anleitung zur Textklassifizierung mit TensorFlow BERT an die Verwendung von Vertex AI-Diensten angepasst und entsprechend erweitert. In der Anleitung finden Sie Informationen zum Abstimmen von BERT-Modellen mit TensorFlow.

TensorFlow BERT-Sentimentklassifikator erstellen und kompilieren

1. Füllen Sie den Abschnitt #TODO aus, um ein hub.KerasLayer für die Textvorverarbeitung mit BERT hinzuzufügen.

2. Füllen Sie den Abschnitt #TODO aus, um ein hub.KerasLayer für die Textcodierung mit BERT hinzuzufügen.

3. Füllen Sie den Abschnitt #TODO aus, um den BERT-Sentimentklassifikator lokal zu speichern. Sie sollten ihn im Verzeichnis ./bert-sentiment-classifier-local speichern.

Klicken Sie auf Fortschritt prüfen.

Modell erstellen und trainieren

Aufgabe 4: Mit Cloud Build einen Modellcontainer erstellen und an Artifact Registry senden

Artifact Registry für benutzerdefinierte Container-Images erstellen

1. Füllen Sie den Abschnitt #TODO aus, um mit der gcloud CLI eine Docker Artifact Registry zu erstellen. Informationen dazu finden Sie in der Dokumentation zu gcloud artifacts repositories create.

Hinweis: Achten Sie darauf, die Flags location, repository-format und description anzugeben.

Container-Image mit Cloud Build erstellen und an Artifact Registry senden

1. Füllen Sie den Abschnitt #TODO aus, um mit Cloud Build einen benutzerdefinierten Modellcontainer zu erstellen und an Artifact Registry zu senden. Informationen dazu finden Sie in der Dokumentation zu gcloud builds submit.

Hinweis: Achten Sie darauf, dass das Konfigurations-Flag auf den oben definierten Pfad {MODEL_DIR}/cloudbuild.yaml mit Ihrem Modellverzeichnis verweist.

Klicken Sie auf Fortschritt prüfen.

Container-Image erstellen und an Artifact Registry senden

Aufgabe 5: Pipeline mit dem KFP SDK definieren

1. Füllen Sie den Abschnitt #TODO aus, um CustomContainerTrainingJobOp-Komponenten für Ihre Pipeline hinzuzufügen und zu konfigurieren.

Hinweis: Die Argumente entsprechen den vorherigen für CustomContainerTrainingJob. Hinweis: Es kann 30–40 Minuten dauern, das Modell zu trainieren und bereitzustellen.

Klicken Sie auf Fortschritt prüfen.

Pipeline mit dem KFP SDK definieren

Aufgabe 6: Bereitgestelltes Modell mit Ihrem Vertex-Endpunkt abfragen

1. Füllen Sie den Abschnitt #TODO aus, um mit dem Vertex-Endpunkt Onlinevorhersagen zu erstellen.

Das wars!

Sie haben das Lab erfolgreich abgeschlossen. In diesem Lab haben Sie gelernt, wie mit Vertex AI ein benutzerdefinierter BERT-Sentimentklassifikator erstellt und bereitgestellt wird. Außerdem haben Sie erfahren, wie Sie mit Cloud Build einen benutzerdefinierten Modellcontainer erstellen und an Artifact Registry senden und wie eine Pipeline mit dem KFP SDK definiert wird. Jetzt können Sie eigene benutzerdefinierte Modelle mit Vertex AI erstellen und bereitstellen.

Nächstes Skill-Logo erwerben

Dieses Lab zum selbstbestimmten Lernen ist Teil des Kurses Build and Deploy Machine Learning Solutions on Vertex AI. Wenn Sie diesen Kurs abschließen, erhalten Sie das oben gezeigte Skill-Logo, das Sie in Ihren Lebenslauf oder Ihre Social-Media-Profile einfügen können. Teilen Sie Ihre Leistung mit #GoogleCloudBadge.

Dieser Kurs ist Teil des Google-Lernpfads für Data Scientists und Machine Learning Engineers. Wenn Sie die anderen Kurse zum Erwerb eines Skill-Logos in diesem Lernpfad bereits absolviert haben, finden Sie im Katalog mehr als 20 weitere Kurse, für die Sie sich anmelden können.

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Anleitung zuletzt am 8. August 2024 aktualisiert

Lab zuletzt am 8. August 2024 getestet

© 2025 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.