GSP398

Présentation

Dans un atelier challenge, vous devez suivre un scénario et effectuer une série de tâches. Aucune instruction détaillée n'est fournie : vous devez utiliser les compétences acquises au cours des ateliers du cours correspondant pour déterminer comment procéder par vous-même. Vous saurez si vous avez exécuté correctement les différentes tâches grâce au score calculé automatiquement (affiché sur cette page).

Lorsque vous participez à un atelier challenge, vous n'étudiez pas de nouveaux concepts Google Cloud. Vous allez approfondir les compétences précédemment acquises. Par exemple, vous devrez modifier les valeurs par défaut ou encore examiner des messages d'erreur pour corriger vous-même les problèmes.

Pour atteindre le score de 100 %, vous devez mener à bien l'ensemble des tâches dans le délai imparti.

Cet atelier est recommandé aux participants inscrits au cours Classify Images with TensorFlow on Google Cloud et qui veulent obtenir le badge de compétence associé. Êtes-vous prêt pour le challenge ?

Compétences évaluées :

• Écrire un script pour entraîner un réseau de neurones convolutif (CNN, Convolutional Neural Network) à la classification d'images et enregistrer le modèle entraîné dans le répertoire spécifié
• Exécuter le script d'entraînement à l'aide d'un job d'entraînement Vertex AI personnalisé
• Déployer votre modèle entraîné sur un point de terminaison Vertex de prédiction en ligne pour inférer des prédictions
• Demander une prédiction en ligne et afficher la réponse

Préparation

Avant de cliquer sur le bouton "Démarrer l'atelier"

Lisez ces instructions. Les ateliers sont minutés, et vous ne pouvez pas les mettre en pause. Le minuteur, qui démarre lorsque vous cliquez sur Démarrer l'atelier, indique combien de temps les ressources Google Cloud resteront accessibles.

Cet atelier pratique vous permet de suivre vous-même les activités dans un véritable environnement cloud, et non dans un environnement de simulation ou de démonstration. Nous vous fournissons des identifiants temporaires pour vous connecter à Google Cloud le temps de l'atelier.

Pour réaliser cet atelier :

• vous devez avoir accès à un navigateur Internet standard (nous vous recommandons d'utiliser Chrome) ;

Remarque : Ouvrez une fenêtre de navigateur en mode incognito/navigation privée pour effectuer cet atelier. Vous éviterez ainsi les conflits entre votre compte personnel et le temporaire étudiant, qui pourraient entraîner des frais supplémentaires facturés sur votre compte personnel.

• vous disposez d'un temps limité ; une fois l'atelier commencé, vous ne pouvez pas le mettre en pause.

Remarque : Si vous possédez déjà votre propre compte ou projet Google Cloud, veillez à ne pas l'utiliser pour réaliser cet atelier afin d'éviter que des frais supplémentaires ne vous soient facturés.

Démarrer l'atelier et se connecter à la console Google Cloud

1. Cliquez sur le bouton Démarrer l'atelier. Si l'atelier est payant, un pop-up s'affiche pour vous permettre de sélectionner un mode de paiement. Sur la gauche, vous trouverez le panneau Détails concernant l'atelier, qui contient les éléments suivants :

   • Le bouton Ouvrir la console Google Cloud
   • Le temps restant
   • Les identifiants temporaires que vous devez utiliser pour cet atelier
   • Des informations complémentaires vous permettant d'effectuer l'atelier

2. Cliquez sur Ouvrir la console Google Cloud (ou effectuez un clic droit et sélectionnez Ouvrir le lien dans la fenêtre de navigation privée si vous utilisez le navigateur Chrome).

   L'atelier lance les ressources, puis ouvre la page Se connecter dans un nouvel onglet.

   Conseil : Réorganisez les onglets dans des fenêtres distinctes, placées côte à côte.

   Remarque : Si la boîte de dialogue Sélectionner un compte s'affiche, cliquez sur Utiliser un autre compte.

3. Si nécessaire, copiez le nom d'utilisateur ci-dessous et collez-le dans la boîte de dialogue Se connecter.

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

   Vous trouverez également le nom d'utilisateur dans le panneau Détails concernant l'atelier.

4. Cliquez sur Suivant.

5. Copiez le mot de passe ci-dessous et collez-le dans la boîte de dialogue Bienvenue.

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

   Vous trouverez également le mot de passe dans le panneau Détails concernant l'atelier.

6. Cliquez sur Suivant.

   Important : Vous devez utiliser les identifiants fournis pour l'atelier. Ne saisissez pas ceux de votre compte Google Cloud. Remarque : Si vous utilisez votre propre compte Google Cloud pour cet atelier, des frais supplémentaires peuvent vous être facturés.

7. Accédez aux pages suivantes :

   • Acceptez les conditions d'utilisation.
   • N'ajoutez pas d'options de récupération ni d'authentification à deux facteurs (ce compte est temporaire).
   • Ne vous inscrivez pas à des essais gratuits.

Après quelques instants, la console Cloud s'ouvre dans cet onglet.

Remarque : Pour afficher un menu contenant la liste des produits et services Google Cloud, cliquez sur le menu de navigation en haut à gauche.

Activer Cloud Shell

Cloud Shell est une machine virtuelle qui contient de nombreux outils pour les développeurs. Elle comprend un répertoire d'accueil persistant de 5 Go et s'exécute sur Google Cloud. Cloud Shell vous permet d'accéder via une ligne de commande à vos ressources Google Cloud.

1. Cliquez sur Activer Cloud Shell  en haut de la console Google Cloud.

Une fois connecté, vous êtes en principe authentifié et le projet est défini sur votre ID_PROJET. Le résultat contient une ligne qui déclare YOUR_PROJECT_ID (VOTRE_ID_PROJET) pour cette session :

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud est l'outil de ligne de commande pour Google Cloud. Il est préinstallé sur Cloud Shell et permet la complétion par tabulation.

2. (Facultatif) Vous pouvez lister les noms des comptes actifs à l'aide de cette commande :

gcloud auth list

3. Cliquez sur Autoriser.

4. Vous devez à présent obtenir le résultat suivant :

Résultat :

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

5. (Facultatif) Vous pouvez lister les ID de projet à l'aide de cette commande :

gcloud config list project

Résultat :

[core] project = <ID_Projet>

Exemple de résultat :

[core] project = qwiklabs-gcp-44776a13dea667a6 Remarque : Pour consulter la documentation complète sur gcloud, dans Google Cloud, accédez au guide de présentation de la gcloud CLI.

Activer les services Google Cloud

1. Dans Cloud Shell, utilisez gcloud afin d'activer les services requis pour l'atelier :

gcloud services enable \ compute.googleapis.com \ monitoring.googleapis.com \ logging.googleapis.com \ notebooks.googleapis.com \ aiplatform.googleapis.com \ artifactregistry.googleapis.com \ container.googleapis.com

L'atelier aura ainsi accès à Vertex AI afin d'exécuter les jobs d'entraînement, de déploiement et d'explication du modèle.

Cliquez sur Vérifier ma progression pour valider l'objectif. Activer les services Google Cloud

Scénario du challenge

Une équipe de développement d'applications de reconnaissance optique des caractères vous a récemment embauché comme ingénieur en machine learning. Votre responsable vous a demandé de créer un modèle de machine learning pour reconnaître l'alphabet hiragana. Votre défi consiste à faire passer en production en six semaines seulement un modèle avec une justesse supérieure à 90 %, pour améliorer une solution déjà lancée. Par ailleurs, après avoir examiné l'entrepôt de données de la start-up, vous avez constaté que vous ne disposiez que d'un petit ensemble de données de 60 000 images de l'alphabet pour créer une solution plus performante.

Pour créer et déployer rapidement un modèle de machine learning hautes performances avec une quantité limitée de données, vous allez apprendre à entraîner et à déployer un classificateur CNN sur Vertex AI pour générer des prédictions en ligne. Vertex AI est la plate-forme de développement de machine learning nouvelle génération de Google Cloud. Elle vous permet d'exploiter les derniers composants de ML prédéfinis pour améliorer de façon significative votre productivité lors du développement, faire évoluer votre workflow et les prises de décision basées sur vos données, mais aussi accélérer le retour sur investissement.

Tout d'abord, vous allez suivre un workflow d'expérimentation type pour écrire un script qui entraîne votre modèle CNN personnalisé à l'aide des couches de classification tf.keras. Vous enverrez ensuite le code du modèle vers un job d'entraînement personnalisé et exécuterez ce job à l'aide de conteneurs Docker prédéfinis fournis par Vertex AI afin d'effectuer des tâches d'entraînement et de prédiction. Enfin, vous déploierez le modèle vers un point de terminaison pour pouvoir utiliser votre modèle à des fins de prédiction.

Tâche 1 : Créer une instance de notebook Vertex

1. Accédez à Vertex AI > Workbench > Notebooks gérés par l'utilisateur.

2. Créez une instance de notebook. Sélectionnez TensorFlow Enterprise 2.11 > Sans GPU. Nommez votre notebook cnn-challenge et conservez les configurations par défaut.

3. Sélectionnez la région et la zone .

4. Cliquez sur OUVRIR JUPYTERLAB à côté du nom de l'instance de notebook Vertex préprovisionnée. L'option OUVRIR JUPYTERLAB peut mettre quelques minutes à s'afficher.

Cliquez sur Vérifier ma progression pour valider l'objectif. Créer une instance de notebook Vertex AI

Tâche 2 : Télécharger le notebook du challenge

1. Dans votre notebook, cliquez sur le terminal.

2. Clonez le dépôt :

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

Cliquez sur Vérifier ma progression pour valider l'objectif. Télécharger le notebook du challenge

3. Accédez au dossier suivant : training-data-analyst/self-paced-labs/learning-tensorflow/cnn-challenge-lab/.

4. Ouvrez le fichier notebook cnn-challenge-lab.ipynb.

5. Dans la section Configuration, définissez vos variables PROJECT_ID (ID DE PROJET) et GCS_BUCKET (BUCKET GCS).

Cliquez sur Vérifier ma progression pour valider l'objectif. Créer un bucket Cloud Storage

Tâche 3 : Créer un script d'entraînement

Dans cette section, vous achèverez le script d'entraînement task.py avec TensorFlow.

Écrire un classificateur CNN TensorFlow

1. Remplissez la section #TODO afin d'ajouter la dernière couche pour la création de modèle.

2. Remplissez la section #TODO afin d'enregistrer votre modèle. Enregistrez-le de préférence dans la variable d'environnement AIP_MODEL_DIR.

Cliquez sur Vérifier ma progression pour valider l'objectif. Créer un script d'entraînement

Tâche 4 : Entraîner le modèle

Définir un job d'entraînement personnalisé sur Vertex AI

1. Remplissez la section #TODO afin de créer un job d'entraînement personnalisé sur Vertex AI. Retrouvez la documentation sur cette page.

Indice : Assurez-vous de définir les paramètres script_path, container_uri et model_serving_container_image_uri.

Entraîner le modèle à l'aide de Vertex AI Pipelines

1. Remplissez la section #TODO afin d'exécuter la fonction de job d'entraînement personnalisé définie ci-dessus. Retrouvez la documentation sur cette page.

Indice : Assurez-vous de définir les paramètres args et machine_type. Remarque : L'entraînement du modèle peut prendre environ 8 à 10 minutes.

Cliquez sur Vérifier ma progression pour valider l'objectif. Entraîner le modèle sur Vertex AI

Tâche 5 : Déployer le modèle vers un point de terminaison Vertex de prédiction en ligne

1. Remplissez la section #TODO pour déployer le modèle vers un point de terminaison Retrouvez la documentation sur cette page.

Indice : Assurez-vous de définir les paramètres traffic_split, machine_type, min_replica_count et max_replica_count. Remarque : Le déploiement du modèle peut prendre environ 10 à 15 minutes.

Cliquez sur Vérifier ma progression pour valider l'objectif. Déployer le modèle

Tâche 6 : Interroger le modèle déployé sur un point de terminaison Vertex de prédiction en ligne

1. Remplissez la section #TODO pour générer des prédictions en ligne à l'aide de votre point de terminaison Vertex. Retrouvez la documentation sur cette page.

Point de terminaison interrogé avec succès

Félicitations !

Vous avez créé un workflow qui entraîne et déploie un modèle sur Google Cloud à l'aide de Vertex AI. Vous avez d'abord écrit un script afin de créer, d'entraîner et d'évaluer un réseau de neurones convolutif pour la classification d'images dans un notebook Vertex. Vous avez ensuite utilisé le script pour entraîner le modèle à l'aide d'un job d'entraînement personnalisé sur la plate-forme Vertex AI de Google Cloud. Enfin, vous avez déployé votre conteneur de modèle sur un point de terminaison Vertex que vous avez interrogé afin d'obtenir des prédictions en ligne.

Formations et certifications Google Cloud

Les formations et certifications Google Cloud vous aident à tirer pleinement parti des technologies Google Cloud. Nos cours portent sur les compétences techniques et les bonnes pratiques à suivre pour être rapidement opérationnel et poursuivre votre apprentissage. Nous proposons des formations pour tous les niveaux, à la demande, en salle et à distance, pour nous adapter aux emplois du temps de chacun. Les certifications vous permettent de valider et de démontrer vos compétences et votre expérience en matière de technologies Google Cloud.

Dernière mise à jour du manuel : 3 mai 2024

Dernier test de l'atelier : 19 avril 2024

Copyright 2024 Google LLC Tous droits réservés. Google et le logo Google sont des marques de Google LLC. Tous les autres noms d'entreprises et de produits peuvent être des marques des entreprises auxquelles ils sont associés.