
Before you begin
- Labs create a Google Cloud project and resources for a fixed time
- Labs have a time limit and no pause feature. If you end the lab, you'll have to restart from the beginning.
- On the top left of your screen, click Start lab to begin
Build and train a model
/ 30
Create an Artifact Registry repository for custom container images
/ 40
Define a pipeline using the KFP SDK
/ 30
在挑戰研究室中,您會在特定情境下完成一系列任務。挑戰研究室不會提供逐步說明,您將運用從課程研究室學到的技巧,自行找出方法完成任務!自動評分系統 (如本頁所示) 將根據您是否正確完成任務來提供意見回饋。
在您完成任務的期間,挑戰研究室不會介紹新的 Google Cloud 概念。您須靈活運用所學技巧,例如變更預設值或詳讀並研究錯誤訊息,解決遇到的問題。
若想滿分達標,就必須在時限內成功完成所有任務!
本實驗室適合已參加「Build and Deploy Machine Learning Solutions on Vertex AI」課程的學員。準備好迎接挑戰了嗎?
請詳閱以下操作說明。實驗室活動會計時,且中途無法暫停。點選「Start Lab」後就會開始計時,顯示可使用 Google Cloud 資源的時間。
您將在真正的雲端環境完成實作實驗室活動,而不是模擬或示範環境。為此,我們會提供新的暫時憑證,供您在實驗室活動期間登入及存取 Google Cloud。
為了順利完成這個實驗室,請先確認:
您最近進入一間新創的電影評論網站公司,擔任機器學習工程師。主管指派給您的任務是建構機器學習模型,將使用者電影評論中的情緒分類為正面或負面。這些預測資料將會在下游用做電影分級制度中的輸入內容,進而在電影網站應用程式中顯示最常見的正反論點。
挑戰:公司要求您在 6 週內開發出準確率超過 75% 的模型,改進現有的自行開發解決方案。此外,您對公司的 data warehouse 進行探索性分析後,發現只有一個 5 萬則文字評論的小型資料集,可用來打造高效能的解決方案。
為了用有限的資料快速打造及部署高效能的機器學習模型,您將訓練並部署自訂的 TensorFlow BERT 情緒分類器,在 Google Cloud 的 Vertex AI 平台進行線上預測。Vertex AI 是 Google Cloud 的新一代機器學習開發平台,您可以運用最新的預建機器學習元件和 AutoML,大幅提升開發效率,而且還能調度工作流程資源、依據資料做決策,並加速創造價值。
首先,您會執行常見的實驗工作流程,將 TF-Hub 中預先訓練的 BERT 元件及 tf.keras
分類層用於建構模型,然後在 Vertex 筆記本中訓練及評估。接著,您要將模型程式碼封裝至 Docker 容器,運用 Google Cloud 的 Vertex AI 展開訓練。最後,您會在 Vertex Pipelines 定義及執行 Kubeflow 管道。Vertex Pipelines 訓練完模型並部署至 Vertex 端點後,您就可以查詢模型,進行線上預測。
前往 Google Cloud 控制台,依序點按「導覽選單」圖示 >「Vertex AI」>「Workbench」。
找出
Workbench 執行個體的 JupyterLab 介面會在新瀏覽器分頁中開啟。
在筆記本中,點選「Terminal」。
安裝實驗室所需的套件:
在左側的「File Browser」中按一下「
系統詢問您要使用哪個核心時,請選取「Python 3 (ipykernel)」核心。
逐一執行筆記本「Setup」部分的步驟,安裝所需的程式庫並設定環境。
我們已為您備妥其餘程式碼,以便用於匯入及預先處理資料集。接下來的步驟則在筆記本檔案內。如需查看進度及取得提示,建議您返回參閱本實驗室指南。
在本節中,您將使用 TensorFlow 在本機訓練模型。
填寫 #TODO
部分,新增用於 BERT 文字預先處理作業的 hub.KerasLayer
。
填寫 #TODO
部分,新增用於 BERT 文字編碼作業的 hub.KerasLayer
。
填寫 #TODO
部分,將 BERT 情緒分類器儲存於本機。您應將該分類器儲存至 ./bert-sentiment-classifier-local
目錄。
點選「Check my progress」確認目標已達成。
#TODO
部分,使用 gcloud CLI 建立 Docker Artifact Registry。詳情請參閱 gcloud artifacts repositories create 說明文件。location
、repository-format
和 description
旗標。#TODO
部分,使用 Cloud Build 建構自訂模型容器並提交至 Artifact Registry。詳情請參閱 gcloud builds submit 說明文件。{MODEL_DIR}/cloudbuild.yaml
,且已納入模型目錄。點選「Check my progress」確認目標已達成。
#TODO
部分,新增並設定管道的 CustomContainerTrainingJobOp
元件。CustomContainerTrainingJob
相同。點選「Check my progress」確認目標已達成。
#TODO
部分,使用您的 Vertex 端點生成線上預測。恭喜!在本實驗室中,您學到如何使用 Vertex AI 建構及部署自訂的 BERT 情緒分類器,也瞭解如何使用 Cloud Build 建構自訂模型容器並提交至 Artifact Registry,以及如何使用 KFP SDK 定義管道。現在可以開始使用 Vertex AI 建構及部署您專屬的自訂模型了!
這個自學實驗室是「Build and Deploy Machine Learning Solutions on Vertex AI」課程的一部分。完成這個技能徽章課程即可獲得上方的徽章,表彰您的成就。您可以在履歷表和社群平台張貼徽章,並加上 #GoogleCloudBadge 公開這項成就。
這個技能徽章課程是 Google「數據資料學家/機器學習工程師」學習路徑的一部分。如果您已完成這個學習路徑中的其他技能徽章課程,歡迎瀏覽目錄,還有其他 20 多個技能徽章課程可以參加。
協助您瞭解如何充分運用 Google Cloud 的技術。我們的課程會介紹專業技能和最佳做法,讓您可以快速掌握要領並持續進修。我們提供從基本到進階等級的訓練課程,並有隨選、線上和虛擬課程等選項,方便您抽空參加。認證可協助您驗證及證明自己在 Google Cloud 技術方面的技能和專業知識。
使用手冊上次更新日期:2024 年 8 月 8 日
實驗室上次測試日期:2024 年 8 月 8 日
Copyright 2025 Google LLC 保留所有權利。Google 和 Google 標誌是 Google LLC 的商標,其他公司和產品名稱則有可能是其關聯公司的商標。
此内容目前不可用
一旦可用,我们会通过电子邮件告知您
太好了!
一旦可用,我们会通过电子邮件告知您
One lab at a time
Confirm to end all existing labs and start this one