שלום אימון בהתאמה אישית: אימון מודל מותאם אישית לסיווג תמונות

בדף הזה מוסבר איך להריץ אפליקציית אימון של TensorFlow Keras ב-Agent Platform. המודל הספציפי הזה מאמן מודל לסיווג תמונות שיכול לסווג פרחים לפי סוג.

המדריך הזה כולל כמה דפים:

1. הגדרת הפרויקט והסביבה.

2. אימון מודל מותאם אישית לסיווג תמונות.

3. הצגת חיזויים ממודל מותאם אישית לסיווג תמונות.

4. פינוי מקום בפרויקט

בכל דף מניחים שכבר ביצעתם את ההוראות מהדפים הקודמים של המדריך.

בהמשך המאמר נניח שאתם משתמשים באותה סביבת Cloud Shell שיצרתם כשפעלתם לפי הדף הראשון של המדריך הזה. אם הסשן המקורי של Cloud Shell כבר לא פתוח, אתם יכולים לחזור לסביבה באופן הבא:

1. מפעילים את Cloud Shell במסוף Cloud de Confiance .

   הפעלת Cloud Shell

2. בסשן של Cloud Shell, מריצים את הפקודה הבאה:

   cd hello-custom-sample

הפעלת צינור אימון בהתאמה אישית

בקטע הזה מוסבר איך להשתמש בחבילת האימון שהעליתם ל-Cloud Storage כדי להריץ צינור עיבוד נתונים לאימון בהתאמה אישית ב-Agent Platform.

1. בקטע Agent Platform במסוף Cloud de Confiance , נכנסים לדף Training pipelines.

   מעבר ל-Training pipelines

2. לוחצים על add_box Create כדי לפתוח את החלונית Train new model.

3. בשלב Choose training method:

   1. ברשימה הנפתחת Dataset, בוחרים באפשרות No managed dataset. אפליקציית האימון הספציפית הזו טוענת נתונים מספריית TensorFlow Datasets, ולא ממערך נתונים מנוהל של Agent Platform.

   2. מוודאים שהאפשרות Custom training (advanced) מסומנת.

   לוחצים על Continue.

4. בשלב Model details, בשדה Name מזינים את הערך hello_custom. לוחצים על המשך.

5. בשלב Training container, מספקים ל-Agent Platform את המידע שנדרש כדי להשתמש בחבילת האימון שהעליתם ל-Cloud Storage:

   1. בוחרים באפשרות מאגר תגים מובנה.

   2. ברשימה הנפתחת Model framework, בוחרים באפשרות TensorFlow.

   3. ברשימה הנפתחת Model framework version, בוחרים באפשרות 2.3.

   4. בשדה Package location, מזינים את הערך cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz.

   5. בשדה Python module, מזינים trainer.task. ‫trainer הוא השם של חבילת Python בקובץ ה-tarball, ו-task.py מכיל את קוד האימון. ‫trainer.task הוא שם המודול שאתם רוצים ש-Agent Platform יריץ.

   6. בשדה ספריית הפלט מהמודל, לוחצים על Browse. בחלונית Select folder:

      1. עוברים לקטגוריה של Cloud Storage.

      2. לוחצים על יצירת תיקייה חדשה create_new_folder.

      3. נותנים שם לתיקייה החדשה output. ואז לוחצים על יצירה.

      4. לוחצים על בחירה.

      מוודאים שהערך בשדה הזה הוא gs://BUCKET_NAME/output, כאשר BUCKET_NAME הוא השם של הקטגוריה של Cloud Storage.

      הערך הזה מועבר ל-Agent Platform בשדה baseOutputDirectory API, שמגדיר כמה משתני סביבה שאפליקציית האימון יכולה לגשת אליהם כשהיא פועלת.

      לדוגמה, אם מגדירים את השדה הזה לערך gs://BUCKET_NAME/output, פלטפורמת Agent מגדירה את משתנה הסביבה AIP_MODEL_DIR לערך gs://BUCKET_NAME/output/model. בסיום האימון, Agent Platform משתמשת בכל פריט מידע שנוצר בספרייה AIP_MODEL_DIR כדי ליצור משאב מודל.

      מידע נוסף על משתני הסביבה שמוגדרים בשדה הזה

   לוחצים על Continue.

6. בשלב האופציונלי Hyperparameters, מוודאים שתיבת הסימון Enable hyperparameter tuning לא מסומנת. במדריך הזה לא משתמשים בכוונון היפר-פרמטרים. לוחצים על המשך.

7. בשלב Compute and pricing, מקצים משאבים למשימת האימון בהתאמה אישית:

   1. ברשימה הנפתחת Region, בוחרים באפשרות us-central1 (Iowa).

   2. ברשימה הנפתחת Machine type, בוחרים באפשרות n1-standard-4 בקטע Standard.

   במדריך הזה, אל תוסיפו מאיצים או מאגרי משאבים של Worker. לוחצים על המשך.

8. בשלב Prediction container, מספקים ל-Agent Platform את המידע שנדרש כדי להציג חיזויים:

   1. בוחרים באפשרות מאגר תגים מובנה.

   2. בקטע Prebuilt container settings:

      1. ברשימה הנפתחת Model framework, בוחרים באפשרות TensorFlow.

      2. ברשימה הנפתחת Model framework version, בוחרים באפשרות 2.3.

      3. ברשימה הנפתחת Accelerator type, בוחרים באפשרות None.

      4. מוודאים שבשדה Model directory מופיע הערך gs://BUCKET_NAME/output, כאשר BUCKET_NAME הוא השם של הקטגוריה של Cloud Storage. הערך הזה תואם לערך של ספריית הפלט מהמודל שציינתם בשלב קודם.

   3. משאירים את השדות בקטע Predict schemata ריקים.

9. לוחצים על Start training כדי להתחיל את צינור עיבוד הנתונים לאימון בהתאמה אישית.

בדף Training אפשר לראות את צינור עיבוד הנתונים החדש לאימון, שנקרא hello_custom. (יכול להיות שתצטרכו לרענן את הדף). צינור עיבוד הנתונים לאימון מבצע שתי פעולות עיקריות:

1. פייפליין האימון יוצר משאב של משימה ייעודית בשם hello_custom-custom-job. אחרי כמה רגעים, המשאב יופיע בדף משימות ייעודיות בקטע Training:

   כניסה לדף Custom jobs

   המשימה הייעודית מריצה את אפליקציית האימון באמצעות משאבי המחשוב שציינתם בקטע הזה.

2. אחרי שהמשימה הייעודית מסתיימת, צינור עיבוד הנתונים לאימון מאתר את פריטי המידע שנוצרו על ידי אפליקציית האימון בספרייה output/model/ של הקטגוריה ב-Cloud Storage. הוא משתמש בארטיפקטים האלה כדי ליצור משאב מודל.

מעקב אחרי האימון

כדי לראות את יומני האימון:

1. במסוף Cloud de Confiance , בקטע Agent Platform, נכנסים לדף משימות ייעודיות.

   כניסה לדף Custom jobs

2. כדי לראות את הפרטים של ה-CustomJob שיצרתם, לוחצים על hello_custom-custom-job ברשימה.

3. בדף פרטי המשימה, לוחצים על View logs.

איך רואים את המודל שאומן

בסיום תהליך האימון בהתאמה אישית, המודל המאומן מופיע במסוף Cloud de Confiance , בקטע Agent Platform, בדף Models.

לדף Models

שם המודל הוא hello_custom.

המאמרים הבאים

פועלים לפי ההוראות בדף הבא של המדריך כדי להכניס לשימוש בסביבת הייצור חיזויים מהמודל המאומן של ML.