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.

כל דף מניח שכבר ביצעתם את ההוראות מהדפים הקודמים של המדריך.

בהמשך המסמך הזה נניח שאתם משתמשים באותה סביבת Cloud Shell שיצרתם כשביצעתם את השלבים בדף הראשון של המדריך הזה. אם הסשן המקורי של Cloud Shell כבר לא פתוח, אפשר לחזור לסביבה באופן הבא:

1. במסוף Cloud de Confiance , מפעילים את Cloud Shell.

   הפעלת Cloud Shell

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

   cd hello-custom-sample

הפעלת צינור אימון מותאם אישית

בקטע הזה מוסבר איך להשתמש בחבילת האימון שהעליתם ל-Cloud Storage כדי להריץ צינור אימון בהתאמה אישית של Agent Platform.

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

   מעבר אל Training pipelines

2. לוחצים על add_box יצירה כדי לפתוח את החלונית אימון מודל חדש.

3. בשלב Choose training method, מבצעים את הפעולות הבאות:

   1. בתפריט הנפתח קבוצת נתונים, בוחרים באפשרות אין קבוצת נתונים מנוהלת. אפליקציית האימון הספציפית הזו טוענת נתונים מהספרייה TensorFlow Datasets ולא ממערך נתונים מנוהל של Agent Platform.

   2. מוודאים שהאפשרות אימון מותאם אישית (מתקדם) נבחרה.

   לוחצים על Continue.

4. בשלב פרטי המודל, בשדה שם, מזינים hello_custom. לוחצים על המשך.

5. בשלב Training container (מאגר אימונים), מספקים ל-Agent Platform את המידע שהוא צריך כדי להשתמש בחבילת האימונים שהעליתם ל-Cloud Storage:

   1. בוחרים באפשרות מאגר תגים מוכן מראש.

   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. לכן, trainer.task הוא שם המודול שרוצים ש-Agent Platform יפעיל.

   6. בשדה Model output directory (ספריית פלט של המודל), לוחצים על Browse (עיון). בחלונית Select folder (בחירת תיקייה):

      1. מנווטים לקטגוריה של Cloud Storage.

      2. לוחצים על יצירת תיקייה חדשה create_new_folder.

      3. נותנים לתיקייה החדשה את השם output. ואז לוחצים על יצירה.

      4. לוחצים על בחירה.

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

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

      לדוגמה, כשמגדירים את השדה הזה ל-gs://BUCKET_NAME/output, Agent Platform מגדירה את משתנה הסביבה AIP_MODEL_DIR ל-gs://BUCKET_NAME/output/model. בסיום האימון, Agent Platform משתמשת בארטיפקטים שבספרייה 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 נעשה שימוש בכוונון של היפרפרמטרים. לוחצים על המשך.

7. בשלב Compute and pricing (חישוב ועלות), מקצים משאבים למשימת האימון המותאמת אישית:

   1. בתפריט הנפתח Region, בוחרים באפשרות us-central1 (Iowa).

   2. ברשימה הנפתחת סוג מכונה, בוחרים באפשרות n1-standard-4 בקטע Standard.

   אל תוסיפו מאגרי עובדים או מאיצים ללימודים האלה. לוחצים על המשך.

8. בשלב Prediction container (מאגר התחזיות), מספקים לפלטפורמת הסוכן את המידע שהיא צריכה כדי להציג תחזיות:

   1. בוחרים באפשרות מאגר תגים מוכן מראש.

   2. בקטע Prebuilt container settings (הגדרות של מאגר תגים מוכן מראש), מבצעים את הפעולות הבאות:

      1. ברשימה הנפתחת Model framework בוחרים באפשרות TensorFlow.

      2. ברשימה הנפתחת Model framework version בוחרים באפשרות 2.3.

      3. בתפריט הנפתח Accelerator type, בוחרים באפשרות None.

      4. מוודאים שבשדה Model directory (ספריית המודל) מופיע הערך gs://BUCKET_NAME/output, כאשר BUCKET_NAME הוא השם של הקטגוריה של Cloud Storage. הערך הזה תואם לערך של ספריית פלט המודל שציינתם בשלב הקודם.

   3. משאירים את השדות בקטע Predict schemata (חיזוי סכימות) ריקים.

9. כדי להפעיל את צינור ההכשרה המותאם אישית, לוחצים על Start training (התחלת ההכשרה).

בדף Training תוכלו לראות את צינור עיבוד הנתונים לאימון החדש שנוצר, שנקרא hello_custom. (יכול להיות שתצטרכו לרענן את הדף). צינור העיבוד (pipeline) של האימון מבצע שני דברים עיקריים:

1. צינור האימון יוצר משאב עבודה בהתאמה אישית בשם hello_custom-custom-job. אחרי כמה רגעים, תוכלו לראות את המשאב הזה בדף Custom jobs בקטע Training:

   מעבר אל 'משימות בהתאמה אישית'

   העבודה המותאמת אישית מריצה את אפליקציית האימון באמצעות משאבי המחשוב שצוינו בקטע הזה.

2. אחרי שהמשימה המותאמת אישית מסתיימת, צינור ההדרכה מוצא את הארטיפקטים שאפליקציית ההדרכה יוצרת בספרייה output/model/ של קטגוריית Cloud Storage. הוא משתמש בארטיפקטים האלה כדי ליצור משאב מודל.

מעקב אחרי אימונים

כדי לראות את יומני האימון:

1. במסוף Cloud de Confiance , בקטע Agent Platform, עוברים לדף Custom jobs.

   מעבר אל 'משימות בהתאמה אישית'

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

3. בדף פרטי העבודה, לוחצים על הצגת יומנים.

צפייה במודל שאומן

אחרי שצינור האימון המותאם אישית מסתיים, אפשר למצוא את המודל המאומן במסוף Cloud de Confiance , בקטע Agent Platform, בדף Models.

מעבר אל 'מודלים'

שם המודל הוא hello_custom.

המאמרים הבאים

פועלים לפי ההוראות בדף הבא של המדריך הזה כדי להכניס לשימוש בסביבת הייצור תחזיות ממודל ה-ML שאומן.