GSP398

Visão geral

Nos laboratórios com desafio, apresentamos uma situação e um conjunto de tarefas. Para concluí-las, em vez de seguir instruções detalhadas, você usará o que aprendeu nos laboratórios do curso. Um sistema automático de pontuação (mostrado nesta página) vai avaliar seu desempenho.

Nos laboratórios com desafio, não ensinamos novos conceitos do Google Cloud. O objetivo dessas tarefas é aprimorar aquilo que você já aprendeu, como a alteração de valores padrão ou a leitura e pesquisa de mensagens para corrigir seus próprios erros.

Para alcançar a pontuação de 100%, você precisa concluir todas as tarefas no tempo definido.

Este laboratório é recomendado para estudantes que se inscreveram no curso com selo de habilidade Classify Images with TensorFlow on Google Cloud. Tudo pronto para começar o desafio?

Conhecimentos avaliados:

• Escrever um script para treinar uma rede neural convolucional (CNN, na sigla em inglês) para classificação de imagens e salvar o modelo treinado no diretório especificado.
• Executar seu script usando o job de treinamento personalizado da Vertex AI.
• Implantar o modelo treinado em um endpoint de previsões on-line da Vertex.
• Solicitar uma previsão on-line e ver a resposta

Configuração e requisitos

Antes de clicar no botão Start Lab

Leia estas instruções. Os laboratórios são cronometrados e não podem ser pausados. O timer é iniciado quando você clica em Começar o laboratório e mostra por quanto tempo os recursos do Google Cloud vão ficar disponíveis.

Este laboratório prático permite que você realize as atividades em um ambiente real de nuvem, não em uma simulação ou demonstração. Você vai receber novas credenciais temporárias para fazer login e acessar o Google Cloud durante o laboratório.

Confira os requisitos para concluir o laboratório:

• Acesso a um navegador de Internet padrão (recomendamos o Chrome).

Observação: para executar este laboratório, use o modo de navegação anônima ou uma janela anônima do navegador. Isso evita conflitos entre sua conta pessoal e a conta de estudante, o que poderia causar cobranças extras na sua conta pessoal.

• Tempo para concluir o laboratório---não se esqueça: depois de começar, não será possível pausar o laboratório.

Observação: não use seu projeto ou conta do Google Cloud neste laboratório para evitar cobranças extras na sua conta.

Como iniciar seu laboratório e fazer login no console do Google Cloud

1. Clique no botão Começar o laboratório. Se for preciso pagar, você verá um pop-up para selecionar a forma de pagamento. No painel Detalhes do laboratório à esquerda, você vai encontrar o seguinte:

   • O botão Abrir console do Google Cloud
   • O tempo restante
   • As credenciais temporárias que você vai usar neste laboratório
   • Outras informações, se forem necessárias

2. Se você estiver usando o navegador Chrome, clique em Abrir console do Google Cloud ou clique com o botão direito do mouse e selecione Abrir link em uma janela anônima.

   O laboratório ativa os recursos e depois abre a página Fazer login em outra guia.

   Dica: coloque as guias em janelas separadas lado a lado.

   Observação: se aparecer a caixa de diálogo Escolher uma conta, clique em Usar outra conta.

3. Se necessário, copie o Nome de usuário abaixo e cole na caixa de diálogo Fazer login.

   {{{user_0.username | "Nome de usuário"}}}

   Você também encontra o Nome de usuário no painel Detalhes do laboratório.

4. Clique em Seguinte.

5. Copie a Senha abaixo e cole na caixa de diálogo de boas-vindas.

   {{{user_0.password | "Senha"}}}

   Você também encontra a Senha no painel Detalhes do laboratório.

6. Clique em Seguinte.

   Importante: você precisa usar as credenciais fornecidas no laboratório, e não as da sua conta do Google Cloud. Observação: se você usar sua própria conta do Google Cloud neste laboratório, é possível que receba cobranças adicionais.

7. Acesse as próximas páginas:

   • Aceite os Termos e Condições.
   • Não adicione opções de recuperação nem autenticação de dois fatores (porque essa é uma conta temporária).
   • Não se inscreva em testes gratuitos.

Depois de alguns instantes, o console do Google Cloud será aberto nesta guia.

Observação: clique em Menu de navegação no canto superior esquerdo para acessar uma lista de produtos e serviços do Google Cloud.

Ativar o Cloud Shell

O Cloud Shell é uma máquina virtual com várias ferramentas de desenvolvimento. Ele tem um diretório principal permanente de 5 GB e é executado no Google Cloud. O Cloud Shell oferece acesso de linha de comando aos recursos do Google Cloud.

1. Clique em Ativar o Cloud Shell na parte de cima do console do Google Cloud.

Depois de se conectar, vai notar que sua conta já está autenticada, e que o projeto está configurado com seu PROJECT_ID. A saída contém uma linha que declara o projeto PROJECT_ID para esta sessão:

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud é a ferramenta de linha de comando do Google Cloud. Ela vem pré-instalada no Cloud Shell e aceita preenchimento com tabulação.

2. (Opcional) É possível listar o nome da conta ativa usando este comando:

gcloud auth list

3. Clique em Autorizar.

4. A saída será parecida com esta:

Saída:

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

5. (Opcional) É possível listar o ID do projeto usando este comando:

gcloud config list project

Saída:

[core] project = <project_ID>

Exemplo de saída:

[core] project = qwiklabs-gcp-44776a13dea667a6 Observação: para conferir a documentação completa da gcloud, acesse o guia com informações gerais sobre a gcloud CLI no Google Cloud.

Ativar os serviços do Google Cloud

1. No Cloud Shell, use a gcloud para ativar os serviços usados no laboratório

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

Isso vai permitir o acesso à execução de treinamentos de modelos, implantação e jobs de explicação com a Vertex AI.

Clique em Verificar meu progresso para conferir o objetivo. Ativar os serviços do Google Cloud

Cenário do desafio

Recentemente, contrataram você para trabalhar na engenharia de machine learning de uma equipe de desenvolvimento de apps de reconhecimento óptico de caracteres. Seu gerente pediu para você criar um modelo de machine learning para reconhecer o alfabeto Hiragana. O desafio: você tem apenas seis semanas para produzir um modelo com mais de 90% de acurácia e assim melhorar a solução atual desenvolvida pela empresa. Além disso, após uma análise detalhada do data warehouse da startup, você descobre que há apenas um pequeno conjunto de dados com 60 mil imagens do alfabeto que vão servir como base para criar uma solução com melhor desempenho.

Para criar e implantar rapidamente um modelo de machine learning de alto desempenho com dados limitados, você vai treinar e implantar um classificador de CNNs. Ele vai realizar previsões on-line na Vertex AI, que é nossa plataforma de última geração de desenvolvimento de machine learning. Nela, é possível usar os componentes pré-criados de ML mais recentes para aumentar a produtividade no desenvolvimento, escalonar a capacidade do fluxo de trabalho e os processos de decisão com dados, além de acelerar o retorno do investimento.

Primeiro, você vai passar por um fluxo de trabalho experimental típico. Nele, você vai escrever um script que treinará seu modelo CNN personalizado usando camadas de classificação tf.keras. Em seguida, vai enviar o código do modelo para um job de treinamento personalizado e executar esse job usando contêineres do Docker pré-criados e fornecidos pela Vertex AI para fazer o treinamento e a previsão. Por fim, vai implantar o modelo em um endpoint e usá-lo para fazer previsões.

Tarefa 1: criar uma instância de notebooks da Vertex

1. Acesse Vertex AI > Workbench > Notebooks gerenciados pelo usuário.

2. Crie uma instância de notebook. Selecione TensorFlow Enterprise 2.11 Sem GPUs. Dê o nome cnn-challenge ao seu notebook e não altere as configurações padrão.

3. Selecione a região e a zona .

4. Clique em ABRIR O JUPYTERLAB ao lado do nome da sua instância de notebook da Vertex pré-provisionada. Pode levar alguns minutos para que a opção ABRIR O JUPYTERLAB apareça.

Clique em Verificar meu progresso para conferir o objetivo. Criar uma instância de notebooks da Vertex AI

Tarefa 2: baixar o notebook do desafio

1. No seu notebook, clique em terminal.

2. Clone o repositório:

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

Clique em Verificar meu progresso para conferir o objetivo. Baixar o notebook do desafio

3. Acesse a pasta: training-data-analyst/self-paced-labs/learning-tensorflow/cnn-challenge-lab/.

4. Abra o arquivo do notebook cnn-challenge-lab.ipynb.

5. Na seção Configurações, defina as variáveis PROJECT_ID e GCS_BUCKET.

Clique em Verificar meu progresso para conferir o objetivo. Criar um bucket do Cloud Storage

Tarefa 3: criar um script de treinamento

Nesta seção, você vai concluir o script de treinamento task.py usando o TensorFlow.

Escrever um classificador CNN do TensorFlow

1. Preencha a seção #TODO, o que vai adicionar a última camada para a criação do modelo.

2. Preencha a seção #TODO para salvar seu modelo na variável de ambiente AIP_MODEL_DIR.

Clique em Verificar meu progresso para conferir o objetivo. Criar um script de treinamento

Tarefa 4: treinar o modelo

Definir o job de treinamento personalizado na Vertex AI

1. Preencha a seção #TODO para criar um job de treinamento personalizado na Vertex AI. Consulte a documentação aqui.

Dica: verifique se você especificou os parâmetros script_path, container_uri e model_serving_container_image_uri.

Treinar o modelo usando os pipelines da Vertex AI

1. Preencha a seção #TODO para executar a função do job de treinamento personalizado que você definiu acima. Consulte a documentação aqui.

Dica: verifique se você especificou os parâmetros args e machine_type. Observação: o treinamento do modelo demora de 8 a 10 minutos.

Clique em Verificar meu progresso para conferir o objetivo. Treinar o modelo na Vertex AI

Tarefa 5: implantar o modelo em um endpoint de previsões on-line da Vertex

1. Preencha a seção #TODO para implantar o modelo em um endpoint. Consulte a documentação aqui.

Dica: verifique se você especificou os parâmetros traffic_split, machine_type, min_replica_count e max_replica_count. Observação: a implantação do modelo demora de 10 a 15 minutos.

Clique em Verificar meu progresso para conferir o objetivo. Implantar o modelo

Tarefa 6: consultar o modelo implantado no endpoint de previsões on-line da Vertex

1. Preencha a seção #TODO para gerar previsões on-line usando o endpoint da Vertex. Consulte a documentação aqui.

Endpoint consultado com sucesso

Parabéns!

Você criou um fluxo de trabalho que treina e implementa um modelo no Google Cloud usando a Vertex AI. Primeiro você escreveu um script para criar, treinar e avaliar uma rede neural convolucional para classificação de imagens em um notebook da Vertex. Em seguida, usou seu script para treinar o modelo com um job personalizado na Vertex AI do Google Cloud. Por fim, implantou seu contêiner de modelos em um endpoint da Vertex que você consultou para ter previsões on-line.

Treinamento e certificação do Google Cloud

Esses treinamentos ajudam você a aproveitar as tecnologias do Google Cloud ao máximo. Nossas aulas incluem habilidades técnicas e práticas recomendadas para ajudar você a alcançar rapidamente o nível esperado e continuar sua jornada de aprendizado. Oferecemos treinamentos que vão do nível básico ao avançado, com opções de aulas virtuais, sob demanda e por meio de transmissões ao vivo para que você possa encaixá-las na correria do seu dia a dia. As certificações validam sua experiência e comprovam suas habilidades com as tecnologias do Google Cloud.

Manual atualizado em 3 de maio de 2024

Laboratório testado em 19 de abril de 2024

Copyright 2024 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de produtos e empresas podem ser marcas registradas das respectivas empresas a que estão associados.