GSP637

概览

在本实验中，您将了解机器学习的基本“Hello World”应用，在此过程中，您不是使用 Java 或 C++ 等语言编写明确的规则，而是构建一个使用数据进行训练的系统，以推断用来确定数字之间关系的规则。

目标

在本实验中，您将学习如何完成以下操作：

• 在 Jupyter 笔记本中设置开发环境
• 设计机器学习模型
• 训练神经网络
• 测试模型

设置和要求

点击“开始实验”按钮前的注意事项

请阅读以下说明。实验是计时的，并且您无法暂停实验。计时器在您点击开始实验后即开始计时，显示 Google Cloud 资源可供您使用多长时间。

此实操实验可让您在真实的云环境中开展实验活动，免受模拟或演示环境的局限。为此，我们会向您提供新的临时凭据，您可以在该实验的规定时间内通过此凭据登录和访问 Google Cloud。

为完成此实验，您需要：

• 能够使用标准的互联网浏览器（建议使用 Chrome 浏览器）。

注意：请使用无痕模式（推荐）或无痕浏览器窗口运行此实验。这可以避免您的个人账号与学生账号之间发生冲突，这种冲突可能导致您的个人账号产生额外费用。

• 完成实验的时间 - 请注意，实验开始后无法暂停。

注意：请仅使用学生账号完成本实验。如果您使用其他 Google Cloud 账号，则可能会向该账号收取费用。

简介

请考虑以下问题：您要构建一个能够识别运动状态的健身跟踪系统。您也许能获取用户的移动速度，并尝试使用以下条件，根据该速度推断用户的运动状态：

if(speed<4){ status=WALKING; }

• 您可以增加一个条件来检测跑步运动：

if(speed<4){ status=WALKING; } else { status=RUNNING; }

• 同样，您也可以再增加一个条件来检测骑车运动：

if(speed<4){ status=WALKING; } else if(speed<12){ status=RUNNING; } else { status=BIKING; }

• 现在考虑一下，如果您还想检测高尔夫运动，该怎么做？您就不太确定该如何创建规则来确定这类运动了。

// 接下来该怎么做呢？

如果要编写一个帮助检测高尔夫运动的程序（用代码实现），您会发现这极其困难。

那怎么办呢？使用机器学习可以解决这个问题！

什么是机器学习？

在上一部分，您在尝试确定用户的健身运动时遇到了一个问题。要检测高尔夫这类运动，条件必然更加复杂，因而您必须编写更多代码，甚至殚精竭虑也难以实现。

参考下图，想一想按照传统方式是怎样构建应用的：

您一般会使用一种编程语言来表达规则。程序会按照这些规则来处理数据，然后提供答案。就运动检测而言，程序按照您编写的代码所定义的规则（用于确定运动类型）来处理数据（用户的移动速度），从而得出答案，也就是用于确定用户运动状态（步行、跑步、骑车等）的函数的返回值。

通过机器学习检测这类运动的过程与传统编程十分相似，但数据处理方式有所不同：

您无需尝试定义规则，也不需要通过编程语言来表达规则，只需将答案（通常称为标签）和数据一起提供给机器学习模型。然后，机器就会推断出确定答案与数据之间关系的规则。例如，在机器学习中，运动检测场景可能如下所示：

您只需收集大量数据，并为其添加标签，有效地说明“什么情况下是步行状态”“什么情况下是跑步状态”等等。然后，计算机就可以根据这些数据推断出规则，用以确定代表特定运动的独特模式。

除了能在这些场景下代替编程，机器学习还支持对高尔夫等新场景的判断，这在基于规则的传统编程方法下可能无法实现。

在传统编程中，代码会编译为一个二进制文件（通常称为程序）。在机器学习中，根据数据和标签创建的项目称为模型。

因此，如果回到此图表：

将上述结果视为一个模型，它在运行时的使用方式如下：

您要向模型传递一些数据，基于这些数据，模型会利用通过训练推断出的规则来生成预测，比如说“这样的数据看起来像是在步行”“那样的数据看起来像是在骑车”等等。

在本实验中，您将构建一个非常简单的“Hello World”模型，该模型由可用于任何机器学习场景的基础组件构成！

任务 1. 在 Vertex AI Workbench 中打开笔记本

1. 在 Google Cloud 控制台的导航菜单 () 中依次点击 Vertex AI > Workbench。

2. 找到 实例，然后点击打开 JupyterLab 按钮。

Workbench 实例的 JupyterLab 界面会在新浏览器标签页中打开。

安装 TensorFlow 和其他软件包

1. 在“启动器”菜单的其他下，选择终端。

2. 检查是否已配置 Python 环境。复制以下命令并粘贴到终端中。

python --version

输出示例：

Python 3.10.14

3. 运行以下命令以安装 TensorFlow 软件包。

pip3 install tensorflow

4. 如需升级 pip3，请在终端运行以下命令。

pip3 install --upgrade pip

Pylint 是一款用于检查 Python 代码错误的工具，它可以突出显示 Python 源代码中的语法和格式问题。

5. 运行以下命令以安装 pylint 软件包。

pip install -U pylint --user

6. 安装 requirements.txt 文件中所列的实验所需软件包：

pip install -r requirements.txt

现在，您的环境已设置完毕！

任务 2. 创建您的首个机器学习模型

看看下面几组数字。您能看出它们之间的关系吗？

X：	-1	0	1	2	3	4
Y：	-2	1	4	7	10	13

从左往右看，请注意 X 值依次增加了 1，对应的 Y 值依次增加了 3。因此，它们之间的关系应是 Y = 3X 再加/减某个值。

接下来再看，当 X 值为 0，对应的 Y 值为 1。

根据这两项观察结果，您可以确定它们之间的关系为 Y = 3X + 1。

这基本上就是使用代码来训练模型（称为神经网络），从而找出数据中的规律的方式。

如果您要使用数据来训练神经网络，只需向神经网络提供一组 X 值和一组 Y 值，它应该就能找出这些数值之间的关系。

创建新笔记本并导入库

1. 点击 Workbench 左侧的 + 图标以打开新的启动器。

2. 在“启动器”菜单的笔记本下，选择 Python3。

系统会显示一个新的 Jupyter 笔记本。如需详细了解如何使用 Jupyter 笔记本，请参阅 Jupyter 笔记本文档。

3. 为 Cloud Logging 导入并配置 logging 和 google-cloud-logging。在第一个单元中，添加以下代码：

import logging import google.cloud.logging as cloud_logging from google.cloud.logging.handlers import CloudLoggingHandler from google.cloud.logging_v2.handlers import setup_logging cloud_logger = logging.getLogger('cloudLogger') cloud_logger.setLevel(logging.INFO) cloud_logger.addHandler(CloudLoggingHandler(cloud_logging.Client())) cloud_logger.addHandler(logging.StreamHandler())

4. 导入 tensorflow 以训练和评估模型。为了便于使用，将其命名为 tf。在第一个单元中添加以下代码。

# Import TensorFlow import tensorflow as tf

5. 导入 numpy 来解析数据，以进行调试。为了便于使用，将其命名为 np。在第一个单元中添加以下代码。

# Import numpy import numpy as np

6. 如需运行该单元，请点击运行按钮或按 Shift + Enter。

7. 保存笔记本。依次点击文件 -> 保存。将该文件命名为 model.ipynb，然后点击确定。

注意：您可以忽略输出中可能出现的任何警告。

准备数据

接下来，您将准备要用来训练模型的数据。在本实验中，您将使用之前用过的 6 个 X 值和 6 个 Y 值：

X：	-1	0	1	2	3	4
Y：	-2	1	4	7	10	13

可以看出，X 值和 Y 值之间的关系是 Y = 3X + 1，因此当 X = 1 时 Y = 4，以此类推。

名为 numpy 的 python 库提供了许多数组类型的数据结构，这些结构实际上是提供数据的标准方式。如要使用这些结构，可以使用 np.array([]) 将相关值指定为 numpy 中的数组

1. 在第二个单元中，添加以下代码：

xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float) ys = np.array([-2.0, 1.0, 4.0, 7.0, 10.0, 13.0], dtype=float)

设计模型

在此部分中，您将使用 TensorFlow 设计模型。

您将使用一种称为“神经网络”的机器学习算法来训练模型。您将创建最简单的神经网络，该网络的结构只有 1 层，其中有 1 个神经元。该神经网络一次只能输入一个值，因此输入形状必须为 [1]。

注意：您将在此挑战任务的后续实验中详细了解神经网络。

1. 在第二个单元中，添加以下代码：

model = tf.keras.Sequential([tf.keras.layers.Dense(units=1, input_shape=[1])])

编译模型

接下来，您将编写代码来编译神经网络。编写代码时，必须指定 2 个函数：一个 loss 和一个 optimizer。

如果您学习过很多与机器学习相关的数学知识，一般来说在这里可以用到，不过，tf.keras 已经封装了相关的数学计算函数。

• 根据先前的观察，您知道了这些数字之间的关系为 Y = 3X + 1。

• 当计算机尝试学习这种关系时，先猜测的关系可能是 Y = 10X + 10。loss 函数会将猜测的答案与已知的正确答案进行比较，并衡量猜测的正确度。

注意：如需详细了解 tf.keras 中不同类型的 loss 函数，请参阅“模块：tf.keras.losses”文档。

• 接下来，模型会使用 optimizer 函数再次进行猜测。该函数会根据 loss 函数的结果，尝试最大限度降低损失。此时，模型可能会得出类似于 Y = 5X + 5 的答案。虽然这仍不正确，但更接近正确的结果了，也就是说，损失降低了。

注意：如需详细了解 tf.keras 中不同类型的 optimizer 函数，请参阅“模块：tf.keras.optimizers”文档。

• 模型会根据您指定的周期数，重复上述过程。

1. 在第二个单元中添加以下代码：

model.compile(optimizer=tf.keras.optimizers.SGD(), loss=tf.keras.losses.MeanSquaredError())

在上面的代码段中，您告诉模型 loss 函数使用 mean_squared_error，optimizer 函数使用 stochastic gradient descent (sgd)。您目前还不需要理解这些函数的数学原理，但您会发现它们能达到目的！

注意：随着时间的推移，您将了解适用于不同场景的 loss 和 optimizer 函数。

训练神经网络

为了训练神经网络来“学习”X 值和 Y 值之间的关系，您将使用 model.fit。

此函数将通过循环来训练模型，在一次循环中，模型将进行猜测，再衡量猜测结果的准确度（即损失），然后使用优化器 (optimizer) 再进行一次猜测，以此类推。模型会根据您指定的周期数（本实验中为 500），重复执行这一过程。

1. 在第二个单元中添加以下代码：

model.fit(xs, ys, epochs=500)

根据上面的代码，model.fit 将对模型进行固定周期数的训练。

注意：如需详细了解 model.fit，请参阅“tf.keras.Model”文档中的“fit”部分。

现在，您的文件应如下所示（请注意，这包括两个单元中的代码）：

import logging import google.cloud.logging as cloud_logging from google.cloud.logging.handlers import CloudLoggingHandler from google.cloud.logging_v2.handlers import setup_logging cloud_logger = logging.getLogger('cloudLogger') cloud_logger.setLevel(logging.INFO) cloud_logger.addHandler(CloudLoggingHandler(cloud_logging.Client())) cloud_logger.addHandler(logging.StreamHandler()) import tensorflow as tf import numpy as np xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float) ys = np.array([-2.0, 1.0, 4.0, 7.0, 10.0, 13.0], dtype=float) model = tf.keras.Sequential([tf.keras.layers.Dense(units=1, input_shape=[1])]) model.compile(optimizer=tf.keras.optimizers.SGD(), loss=tf.keras.losses.MeanSquaredError()) model.fit(xs, ys, epochs=500)

运行代码

您的脚本已准备就绪！运行脚本，看看会发生什么情况。

1. 点击运行按钮或按 Shift + Enter，以运行笔记本中的第二个单元。

2. 查看输出。请注意，该脚本会输出每个周期的损失。您的输出可能与下面显示的内容略有不同。

注意：值中带有 e- 的数字是以科学记数法显示的，其指数为负数。

滚动浏览各个周期，您会看到前几个周期的损失很大，但是在逐步减小。例如：

随着训练的进行，损失变得非常小：

到训练完成时，损失变得极其小，这表明我们的模型能够很准确地推断数字之间的关系：

您可能不需要训练完 500 个周期，可以尝试设置不同的值。从这个例子来看，仅过了 50 个周期，损失就变得非常小了，所以这可能已经足够了！

点击“检查我的进度”以验证是否完成了以下目标：创建机器学习模型

使用模型

现在，您的模型已经完成学习 X 值和 Y 值之间关系的训练。

您可以使用 model.predict 方法，针对模型之前在训练期间未曾遇到过的 X 值预测对应的 Y 值。例如，如果 X = 10，您认为 Y 值会是多少？

1. 在第三个单元中添加以下代码以进行预测：

cloud_logger.info(str(model.predict(np.array([10.0])))) 注意：您的预测结果将传递给 cloud_logger，以便生成可以检查进度的 Cloud 日志。

2. 按 Ctrl + s 或依次点击文件 -> 保存，保存笔记本。

3. 点击运行按钮或按 Shift + Enter，运行第三个单元。

Y 值将在训练日志（周期记录）之后列出。

输出示例：

您可能认为 Y = 31，对吧？但结果略大一些 (31.005917)。您觉得这是为什么？

答案：神经网络处理的是概率问题。它计算出 X 和 Y 之间的关系极有可能是 Y = 3X + 1，但由于只有 6 个数据点，无法确定这种关系是否准确。因此，针对 X 为 10 计算出的结果会很接近 31，但不一定是 31。

在使用神经网络时，您会发现这种模式经常会出现。您要处理的几乎都是概率问题而非确定性问题，您需要编写一些代码，根据概率来确定结果，执行分类任务时更是如此。

点击“检查我的进度”以验证是否完成了以下目标：使用模型

恭喜！

恭喜！在本实验中，您使用 TensorFlow 创建、训练并测试了自己的机器学习模型。

后续步骤/了解详情

• 查看有关 Vertex AI 的所有须知信息。
• 利用 AI 探索有趣事物！请访问 Google 实验。
• 详细了解 TensorFlow。
• 使用 Google 机器学习预测对阵结果
• BigQuery ML 使用入门
• 使用 BigQuery ML 预测模型来预测出租车费

Google Cloud 培训和认证

…可帮助您充分利用 Google Cloud 技术。我们的课程会讲解各项技能与最佳实践，可帮助您迅速上手使用并继续学习更深入的知识。我们提供从基础到高级的全方位培训，并有点播、直播和虚拟三种方式选择，让您可以按照自己的日程安排学习时间。各项认证可以帮助您核实并证明您在 Google Cloud 技术方面的技能与专业知识。

上次更新手册的时间：2024 年 9 月 16 日

上次测试实验的时间：2024 年 9 月 16 日

版权所有 2025 Google LLC 保留所有权利。Google 和 Google 徽标是 Google LLC 的商标。其他所有公司名和产品名可能是其各自相关公司的商标。