GSP637

總覽

本實驗室將說明機器學習的基礎模型「Hello World」。您將建構的系統是根據資料訓練，來推論並決定數字間關係的規則，不是用 Java 或 C++ 等語言編寫精確的規則。

目標

本實驗室的學習內容包括：

• 在 Jupyter 筆記本設定開發環境
• 設計機器學習模型
• 訓練類神經網路
• 測試模型

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。

簡介

請思考下列問題：您正在建構健身狀況追蹤系統，要執行動作辨識功能。您可能有某人的移動速度，並想根據這個速度，使用條件式推論出此人的活動：

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

• 您可以延伸以上條件式，加入另一項條件「跑步」：

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

• 使用相同方式加入另一項條件，即可偵測「騎自行車」：

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

• 現在請思考，如果想加入「打高爾夫球」這類活動，會發生什麼事？若要建立判斷活動的規則，就沒那麼清楚了。

// Now what?

如要以程式碼編寫偵測打高爾夫球活動的程式，會極為困難。

所以要怎麼做？機器學習可以解決這個問題！

什麼是機器學習？

上一節中有個問題，要您嘗試判斷使用者的健身活動。如要偵測打高爾夫球這類活動，程式碼的條件必定更加複雜，因此您遇上了程式碼的限制。

以傳統方式建構應用程式的過程如下：

您使用程式設計語言表達規則，這些規則以資料為依據，您的程式會提供答案。在活動偵測的範例中，規則 (為定義活動類型而編寫的程式碼) 會依據資料 (某人的移動速度) 來找出答案，也就是判斷使用者活動狀態 (走路、跑步、騎自行車等) 函式傳回的值。

運用機器學習偵測這些活動的過程與此十分類似，只有軸不同：

您會同時提供答案 (通常稱為標籤) 和資料，不必嘗試定義規則並以程式設計語言表達，機器就會判斷答案與資料間的關係，並推論出規則。舉例來說，在機器學習的脈絡中，活動偵測情境應該像這樣：

只要收集大量資料並加上標籤，有效說明「這是走路的狀態」、「這是跑步的狀態」等，電腦就能依資料判斷特定活動的獨特模式，推論出規則。

機器學習不僅是為此情境編寫程式的替代方法，還能應用於打高爾夫球等新情境，解決傳統規則型程式設計方法難以處理的問題。

在傳統程式設計中，程式碼會編譯成二進位檔，通常稱為程式。在機器學習中，從資料和標籤建立的項目稱為模型。

所以，如果回到這個圖表：

將上圖的結果視為模型，在執行階段的運用方式如下：

模型取得一些資料，使用訓練時推論出的規則來生成預測，即「這筆資料像是在走路」、「這筆資料像是在騎自行車」等。

在本實驗室中，您將使用構成元素，建構非常簡單的「Hello World」模型，且能用於任何機器學習情境！

工作 1：開啟 Vertex AI Workbench 中的筆記本

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

2. 找出 執行個體，點選「Open JupyterLab」按鈕。

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

安裝 TensorFlow 和其他套件

1. 在「Launcher」選單中的「Other」底下，選取「Terminal」。

2. 檢查 Python 環境是否已設定完成，然後複製下列指令，貼到終端機。

python --version

輸出內容範例：

Python 3.10.14

3. 執行下列指令，安裝 TensorFlow 套件。

pip3 install tensorflow

4. 在終端機執行下列指令，更新 pip3。

pip3 install --upgrade pip

Pylint 是檢查 Python 程式碼錯誤的工具，可以標出 Python 原始碼中的語法和樣式問題。

5. 執行下列指令，安裝 pylint 套件。

pip install -U pylint --user

6. 在 requirements.txt 檔案中，安裝實驗室所需的套件：

pip install -r requirements.txt

現在環境已設定完畢！

工作 2：建立第一個機器學習模型

請查看下列數字組。您是否能看出數字間的關係？

X：	-1	0	1	2	3	4
Y：	-2	1	4	7	10	13

若從左讀到右，您會注意到 X 值是公差為 1 的數列，Y 值則是公差為 3 的數列，所以關係應該是 Y=3X 加上或減去某數值。

接下來看看 X 值 0，對應的 Y 值是 1。

從以上兩項觀察結果，可以判斷出關係是 Y=3X+1。

上述推論過程很接近使用程式碼訓練模型，找出資料規律的方法，這類模型又稱為類神經網路。

您將使用資料訓練類神經網路。類神經網路收到一組 X 值和 Y 值後，應該要能辨識數值間的關係。

建立新筆記本和匯入程式庫

1. 點選 Workbench 左側的 + 圖示，開啟新的啟動器。

2. 在「Launcher」選單中的「Notebook」底下，選取「Python3」。

畫面將顯示新的 Jupyter 筆記本。如要進一步瞭解如何使用 Jupyter 筆記本，請參閱 Jupyter Notebook 說明文件。

3. 匯入並設定 Cloud Logging 的 logging 和 google-cloud-logging。在第一個儲存格中新增下列程式碼：

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. 匯入 tensorflow 來訓練和評估模型，並命名為 tf 以方便使用，然後在第一個儲存格中新增下列程式碼。

# Import TensorFlow import tensorflow as tf

5. 匯入 numpy 來剖析資料，達到偵錯目的，並命名為 np 以方便使用，然後在第一個儲存格中新增下列程式碼。

# Import numpy import numpy as np

6. 如要執行儲存格，請點選「Run」按鈕或按下 Shift + Enter。

7. 儲存筆記本，然後依序點選「Files」>「Save」。將檔案命名為 model.ipynb，然後點選「OK」。

注意：您可以忽略輸出內容中可能出現的警告。

準備資料

接下來，您將準備訓練模型的資料。在本實驗室中，您會使用先前用過的 6 個 X 值和 Y 值：

X：	-1	0	1	2	3	4
Y：	-2	1	4	7	10	13

如您所見，X 值與 Y 值的關係為 Y=3x+1，所以當 X = 1，會得出 Y = 4，以此類推。

Python 程式庫 numpy 會提供大量陣列型資料架構，是標準的資料輸入方式。如要運用這些資料，請使用 np.array([])，將數值指定為 numpy 中的陣列

1. 在第二個儲存格中新增下列程式碼：

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)

設計模型

在本節中，您將運用 TensorFlow 設計模型。

您將使用名為「類神經網路」的機器學習演算法，來訓練模型。您會建立最簡易的類神經網路，具備 1 層，其中含有 1 個神經元。該類神經網路的輸入內容一次只會有一個值，因此輸入內容的格式必須為 [1]。

注意：本任務後續的實驗室將進一步說明類神經網路。

1. 在第二個儲存格中新增下列程式碼：

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

編譯模型

接下來，您將編寫程式碼來編譯類神經網路。這個步驟必須指定 2 個函式：loss 和 optimizer。

若您已看過許多機器學習的數學原理，通常會在此處用到，不過 tf.keras 貼心地將這些原理都封裝在函式中。

• 根據先前檢視的結果，已知數字間的關係為 y=3x+1。

• 當電腦試圖「學習」這個關係，會先猜測可能是 y=10x+10。loss 函式則會依據已知的正確解答，測量電腦猜測的答案和準確度。

注意：如要進一步瞭解 tf.keras 中不同類型的損失函式，請參閱 Module: tf.keras.losses 說明文件。

• 接下來模型使用最佳化器函式，再次猜測。模型會根據損失函式的結果，嘗試將損失降至最低。此時，模型或許會得出下列答案：y=5x+5。雖然仍不正確，但有比較接近正確結果，也就是損失減少了。

注意：如要進一步瞭解 tf.keras 中不同類型的最佳化器函式，請參閱 Module: tf.keras.optimizers 說明文件。

• 模型會依照您指定的訓練週期數，重複執行上述流程。

1. 在第二個儲存格中新增下列程式碼：

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

在以上程式碼片段中，您告訴模型要對損失使用 mean_squared_error，對最佳化器則使用 stochastic gradient descent (sgd)。您目前不需要理解這些程式碼的數學原理，但程式碼會順利運作！

注意：之後您就會瞭解適用於不同情境的損失和最佳化器函式。

訓練類神經網路

為了訓練類神經網路「學習」X 值和 Y 值間的關係，您會使用 model.fit。

這個函式會以迴圈形式訓練模型，也就是模型會猜測、測量準確度 (即損失)，使用最佳化器再猜一次。模型會按照指定的訓練週期數，重複執行上述流程 (本實驗室的設定是 500)。

1. 在第二個儲存格中新增下列程式碼：

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

在以上程式碼中，model.fit 會按照固定的訓練週期數來訓練模型。

注意：如要進一步瞭解 model.fit，請參閱 tf.keras.Model 說明文件中的「fit」一節。

現在檔案應該像這樣 (請注意，程式碼會位於兩個不同儲存格)：

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)

執行程式碼

指令碼已準備就緒！執行指令碼，看看會發生什麼事。

1. 點選「Run」按鈕或按下 Shift + Enter，即可執行筆記本中的第二個儲存格。

2. 查看輸出內容。請注意，指令碼會顯示每次訓練週期的損失。您的輸出內容可能會與此處稍有不同。

注意：值中含有 e- 的數字是科學記號的負指數。

捲動瀏覽訓練週期時，您會看到前幾個訓練週期的損失很多，但之後逐漸減少。例如：

隨著訓練進行，損失會變得非常少：

在訓練結束前，損失會變得極少，表示模型可以很準確地推論數字間的關係：

您可能不需要 500 個這麼多的訓練週期，可試試不同數值。以這個範例來說，僅 50 個訓練週期後，損失就已經非常少，所以可能這樣就夠了！

點選「Check my progress」，確認目標已達成。 建立機器學習模型

使用模型

現在您已訓練模型學習 X 值和 Y 值間的關係。

使用 model.predict 方法，可以為之前模型訓練時沒有出現的 X 值，找出對應的 Y 值。例如 X = 10，那 Y 值會是多少？

1. 在第三個儲存格中新增下列程式碼，做出預測：

cloud_logger.info(str(model.predict(np.array([10.0])))) 注意：為了產生可以檢查進度的 Cloud 記錄，預測結果會傳遞至 cloud_logger。

2. 按下 Ctrl+s 或依序點選「File」->「Save」，儲存筆記本。

3. 如要執行第三個儲存格，請點選「Run」按鈕或按下 Shift + Enter。

Y 值會列於訓練記錄之後 (訓練週期)。

輸出內容範例：

您可能會以為 Y=31，但結果超出了一點 (31.005917)。為什麼會這樣呢？

答案：類神經網路與「機率」有關。類神經網路計算出 X 和 Y 之間的關係很有可能是 Y=3X+1，但只有 6 個資料點，無法確定這個關係是否正確。因此，10 的結果會很接近 31，但不一定是 31。

運用類神經網路的過程中，這個模式會重複出現。您將處理的幾乎都是機率而非確切數值，因此要寫些程式，依據機率找出結果，執行分類工作時更是如此。

點選「Check my progress」，確認目標已達成。 使用模型

恭喜！

恭喜！在本實驗室中，您已使用 TensorFlow 建立、訓練並測試自己的機器學習模型。

後續步驟/瞭解詳情

• 查看所有 Vertex AI 必要知識
• 探索 AI 樂趣！查看 Experiments with Google
• 進一步瞭解 TensorFlow
• 使用 Google 機器學習技術預測賽事結果
• 開始使用 BQML
• 使用 BigQuery ML 預測模型來預測計程車車資

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 9 月 16 日

實驗室上次測試日期：2024 年 9 月 16 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。