GSP398

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！

這個實驗室適合 Classify Images with TensorFlow on Google Cloud 技能徽章課程的學員。準備好迎接挑戰了嗎？

測驗主題：

• 編寫指令碼來訓練用於分類圖片的 CNN，並將訓練後的模型儲存到指定目錄。
• 使用 Vertex AI 的自訂訓練工作來執行訓練指令碼。
• 將經過訓練的模型部署至 Vertex 線上預測端點，以便提供預測結果。
• 要求取得線上預測結果並查看回覆。

設定和需求

點選「Start Lab」按鈕前的須知事項

請詳閱以下操作說明。研究室活動會計時，而且中途無法暫停。點選「Start Lab」 後就會開始計時，讓您瞭解有多少時間可以使用 Google Cloud 資源。

您將在真正的雲端環境中完成實作研究室活動，而不是在模擬或示範環境。為達此目的，我們會提供新的暫時憑證，讓您用來在研究室活動期間登入及存取 Google Cloud。

如要完成這個研究室活動，請先確認：

• 您可以使用標準的網際網路瀏覽器 (Chrome 瀏覽器為佳)。

注意：請使用無痕模式或私密瀏覽視窗執行此研究室。這可以防止個人帳戶和學生帳戶之間的衝突，避免個人帳戶產生額外費用。

• 是時候完成研究室活動了！別忘了，活動一開始將無法暫停。

注意：如果您擁有個人 Google Cloud 帳戶或專案，請勿用於本研究室，以免產生額外費用。

如何開始研究室及登入 Google Cloud 控制台

1. 按一下「Start Lab」(開始研究室) 按鈕。如果研究室會產生費用，畫面中會出現選擇付款方式的彈出式視窗。左側的「Lab Details」窗格會顯示下列項目：

   • 「Open Google Cloud console」按鈕
   • 剩餘時間
   • 必須在這個研究室中使用的暫時憑證
   • 完成這個實驗室所需的其他資訊 (如有)

2. 點選「Open Google Cloud console」；如果使用 Chrome 瀏覽器，也能按一下滑鼠右鍵，然後選取「在無痕式視窗中開啟連結」。

   接著，實驗室會啟動相關資源並開啟另一個分頁，當中顯示「登入」頁面。

   提示：您可以在不同的視窗中並排開啟分頁。

   注意：如果頁面中顯示「選擇帳戶」對話方塊，請點選「使用其他帳戶」。

3. 如有必要，請將下方的 Username 貼到「登入」對話方塊。

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

   您也可以在「Lab Details」窗格找到 Username。

4. 點選「下一步」。

5. 複製下方的 Password，並貼到「歡迎使用」對話方塊。

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

   您也可以在「Lab Details」窗格找到 Password。

6. 點選「下一步」。

   重要事項：請務必使用實驗室提供的憑證，而非自己的 Google Cloud 帳戶憑證。 注意：如果使用自己的 Google Cloud 帳戶來進行這個實驗室，可能會產生額外費用。

7. 按過後續的所有頁面：

   • 接受條款及細則。
   • 由於這是臨時帳戶，請勿新增救援選項或雙重驗證機制。
   • 請勿申請免費試用。

Google Cloud 控制台稍後會在這個分頁開啟。

注意：如要查看列出 Google Cloud 產品和服務的選單，請點選左上角的「導覽選單」。

啟動 Cloud Shell

Cloud Shell 是搭載多項開發工具的虛擬機器，提供永久的 5 GB 主目錄，而且在 Google Cloud 中運作。Cloud Shell 提供指令列存取權，方便您使用 Google Cloud 資源。

1. 點按 Google Cloud 控制台上方的「啟用 Cloud Shell」圖示 。

連線完成即代表已通過驗證，且專案已設為您的 PROJECT_ID。輸出內容中有一行宣告本工作階段 PROJECT_ID 的文字：

您在本工作階段中的 Cloud Platform 專案會設為「YOUR_PROJECT_ID」

gcloud 是 Google Cloud 的指令列工具，已預先安裝於 Cloud Shell，並支援 Tab 鍵自動完成功能。

2. (選用) 您可以執行下列指令來列出使用中的帳戶：

gcloud auth list

3. 點按「授權」。

4. 輸出畫面應如下所示：

輸出內容：

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

5. (選用) 您可以使用下列指令來列出專案 ID：

gcloud config list project

輸出內容：

[core] project = <project_ID>

輸出內容範例：

[core] project = qwiklabs-gcp-44776a13dea667a6 附註：如需有關 gcloud 的完整說明，請前往 Google Cloud 並參閱「gcloud CLI overview guide」(gcloud CLI 總覽指南)。

啟用 Google Cloud 服務

1. 前往 Cloud Shell，使用 gcloud 啟用本實驗室會用到的服務

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

這會授予存取權，讓您可透過 Vertex AI 執行模型訓練、部署和說明工作。

點選「Check my progress」，確認目標已達成。 啟用 Google Cloud 服務

挑戰情境

您於新創公司任職，最近加入了公司的光學字元辨識應用程式開發團隊，擔任機器學習工程師。主管指派給您的任務，是建立機器學習模型來辨識平假名字元。挑戰：公司需要您在短短 6 週內開發出準確率超過 90% 的模型，獲得比現有自行開發解決方案更好的成效。此外，您對公司的 data warehouse 進行探索性分析後，發現只有一個含 6 萬張字元圖片的小型資料集，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，您會訓練並部署 CNN 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，大幅提升開發效率，此外還能擴大工作流程、依據資料做決策，以及加速創造價值。

首先，您會進行常見的實驗工作流程，用 tf.keras 分類層撰寫指令碼，訓練自訂 CNN 模型。接著，您會將模型程式碼傳送到自訂訓練工作，並使用 Vertex AI 提供的預先建構 Docker 容器執行該工作，以執行訓練和預測。最後，您會將模型部署至端點，以便進行預測。

工作 1：建立 Vertex Notebooks 執行個體

1. 前往「Vertex AI」>「Workbench」>「使用者自行管理的 Notebooks」。

2. 建立筆記本執行個體。選取「TensorFlow 企業版 2.11」，且不加入任何 GPU。將筆記本命名為 cnn-challenge，並保留預設設定。

3. 區域請選擇 ，可用區則選 。

4. 在預先佈建的 Vertex 筆記本執行個體名稱旁邊，點選「OPEN JUPYTERLAB」。「OPEN JUPYTERLAB」選項會在幾分鐘內顯示。

點選「Check my progress」，確認目標已達成。 建立 Vertex AI 筆記本執行個體

工作 2：下載挑戰筆記本

1. 在筆記本中，點選「Terminal」。

2. 複製存放區：

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

點選「Check my progress」，確認目標已達成。下載挑戰筆記本

3. 前往內含筆記本的資料夾：training-data-analyst/self-paced-labs/learning-tensorflow/cnn-challenge-lab/。

4. 打開筆記本檔案 cnn-challenge-lab.ipynb。

5. 在「Setup」部分定義 PROJECT_ID 和 GCS_BUCKET 變數。

點選「Check my progress」，確認目標已達成。 建立 Cloud Storage bucket

工作 3：建立訓練指令碼

在這個部分，您會用 TensorFlow 完成訓練指令碼 task.py。

編寫 TensorFlow CNN 分類器

1. 填寫 #TODO 部分，加入最後一層來建立模型。

2. 填寫 #TODO 部分來儲存模型。您應該將模型儲存至 AIP_MODEL_DIR 環境變數。

點選「Check my progress」，確認目標已達成。 建立訓練指令碼

工作 4：訓練模型

在 Vertex AI 定義自訂訓練工作

1. 填寫 #TODO 部分，在 Vertex AI 建立自訂訓練工作。請按這裡參閱說明文件。

提示：請務必指定 script_path、container_uri 和 model_serving_container_image_uri 參數。

運用 Vertex AI Pipelines 訓練模型

1. 填寫 #TODO 部分，執行前面定義的自訂訓練工作函式。請按這裡參閱說明文件。

提示：請務必指定 args 以及 machine_type 參數。 注意：模型會在 8 至 10 分鐘內訓練完畢。

點選「Check my progress」，確認目標已達成。 透過 Vertex AI 訓練模型

工作 5：將模型部署至 Vertex 線上預測端點

1. 填寫 #TODO 部分來將模型部署至端點。請按這裡參閱說明文件。

提示：請務必指定 traffic_split、machine_type、min_replica_count 以及 max_replica_count 參數。 注意：模型會在 10 至 15 分鐘內部署完畢。

點選「Check my progress」，確認目標已達成。 部署模型

工作 6：在 Vertex 線上預測端點查詢部署的模型

1. 填寫 #TODO 部分，使用您的 Vertex 端點生成線上預測。請按這裡參閱說明文件。

已成功查詢端點

恭喜！

您已在 Google Cloud 使用 Vertex AI 建立工作流程來訓練和部署模型。首先，您在 Vertex 筆記本編寫了指令碼，以便建立、訓練和評估用於圖片分類的卷積類神經網路，然後運用 Google Cloud Vertex AI 的自訂訓練工作，使用指令碼訓練模型。最後，您將模型容器部署至 Vertex 端點，並查詢線上預測結果。

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 5 月 3 日

實驗室上次測試日期：2024 年 4 月 19 日

Copyright 2024 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。