arrow_back

Build and Deploy Machine Learning Solutions with Vertex AI:挑戰實驗室

登录 加入
Get access to 700+ labs and courses

Build and Deploy Machine Learning Solutions with Vertex AI:挑戰實驗室

实验 2 个小时 universal_currency_alt 5 积分 show_chart 中级
info 此实验可能会提供 AI 工具来支持您学习。
Get access to 700+ labs and courses

GSP354

總覽

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?

設定和需求

瞭解以下事項後,再點選「Start Lab」按鈕

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:

  • 可以使用標準的網際網路瀏覽器 (Chrome 瀏覽器為佳)。
注意事項:請使用無痕模式 (建議選項) 或私密瀏覽視窗執行此實驗室,這可以防止個人帳戶和學員帳戶之間的衝突,避免個人帳戶產生額外費用。
  • 是時候完成實驗室活動了!別忘了,活動一旦開始將無法暫停。
注意事項:務必使用實驗室專用的學員帳戶。如果使用其他 Google Cloud 帳戶,可能會產生額外費用。

挑戰情境

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。

您的挑戰

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。

工作 1:開啟 Vertex AI Workbench 中的筆記本

  1. 前往 Google Cloud 控制台,依序點按「導覽選單」圖示 >「Vertex AI」>「Workbench」

  2. 找出 執行個體,點按「Open JupyterLab」按鈕。

Workbench 執行個體的 JupyterLab 介面會在新瀏覽器分頁中開啟。

工作 2:設定筆記本

  1. 在筆記本中,點選「Terminal」

  2. 安裝實驗室所需的套件:

pip3 install -U -r requirements.txt --user
  1. 在左側的「File Browser」中按一下「」檔案。

  2. 系統詢問您要使用哪個核心時,請選取「Python 3 (ipykernel)」核心。

  3. 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。

    • Project ID 請使用「」,Region 則使用「」。

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。

工作 3:在 Vertex 筆記本中 (本機) 建構及訓練模型

在本節中,您將使用 TensorFlow 在本機訓練模型。

注意:為了能夠運用 Vertex AI 服務,本實驗室改編並延伸自官方版的 TensorFlow BERT 文字分類教學課程。請參閱教學課程的其他詳細說明,瞭解如何使用 TensorFlow 微調 BERT 模型。

建構及編譯 TensorFlow BERT 情緒分類器

  1. 填寫 #TODO 部分,新增用於 BERT 文字預先處理作業的 hub.KerasLayer

  2. 填寫 #TODO 部分,新增用於 BERT 文字編碼作業的 hub.KerasLayer

  3. 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。

建構及訓練模型

工作 4:使用 Cloud Build 建構模型容器並提交至 Artifact Registry

建立 Artifact Registry 以提交自訂容器映像檔

  1. 填寫 #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
注意:務必要指定 locationrepository-formatdescription 旗標。

使用 Cloud Build 建構容器映像檔並提交至 Artifact Registry

  1. 填寫 #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
注意:請確保 config 旗標指向上方定義的 {MODEL_DIR}/cloudbuild.yaml,且已納入模型目錄。

點選「Check my progress」確認目標已達成。

建構容器映像檔並提交至 Artifact Registry

工作 5:使用 KFP SDK 定義管道

  1. 填寫 #TODO 部分,新增並設定管道的 CustomContainerTrainingJobOp 元件。
注意:引數會與稍早的 CustomContainerTrainingJob 相同。注意:此訓練程序可能需要 30 到 40 分鐘,才能訓練及部署模型。

點選「Check my progress」確認目標已達成。

使用 KFP SDK 定義管道

工作 6:使用 Vertex 端點查詢已部署的模型

  1. 填寫 #TODO 部分,使用您的 Vertex 端點生成線上預測。

恭喜!

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!

取得下一枚技能徽章

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。

Google Cloud 教育訓練與認證

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。

Before you begin

  1. Labs create a Google Cloud project and resources for a fixed time
  2. Labs have a time limit and no pause feature. If you end the lab, you'll have to restart from the beginning.
  3. On the top left of your screen, click Start lab to begin

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

Use private browsing to run the lab

Use an Incognito or private browser window to run this lab. This prevents any conflicts between your personal account and the Student account, which may cause extra charges incurred to your personal account.