Hello 自訂訓練：訓練自訂圖片分類模型

本頁面說明如何在 Agent Platform 上執行 TensorFlow Keras 訓練應用程式。這個模型會訓練圖片分類模型，可依類型分類花朵。

本教學課程包含多個頁面：

  1. 設定專案和環境。

  2. 訓練自訂圖片分類模型。

  3. 從自訂圖片分類模型提供預測結果。

  4. 清除專案。

各頁面都假設您已完成本教學課程先前頁面的操作說明。

本文其餘部分假設您使用的是按照本教學課程第一頁建立的 Cloud Shell 環境。如果原始 Cloud Shell 工作階段已關閉，請按照下列步驟返回環境：

  1. 在 Cloud de Confiance 控制台中啟用 Cloud Shell。

    啟用 Cloud Shell

  2. 在 Cloud Shell 工作階段中，執行下列指令：

    cd hello-custom-sample

執行自訂訓練管道

本節說明如何使用您上傳至 Cloud Storage 的訓練套件，執行 Agent Platform 自訂訓練管道。

  1. 在 Cloud de Confiance 控制台的「Agent Platform」部分，前往「Training pipelines」頁面。

    前往訓練管道

  2. 按一下「建立」，開啟「訓練新模型」窗格。

  3. 在「選擇訓練方法」步驟中，請執行下列操作：

    1. 在「Dataset」(資料集) 下拉式清單中，選取「No managed dataset」(沒有代管資料集)。這個訓練應用程式會從 TensorFlow Datasets 程式庫載入資料，而非受管理的 Agent Platform 資料集。

    2. 確認已選取「Custom training (advanced)」(自訂訓練 (進階))。

    按一下「繼續」。

  4. 在「模型詳細資料」步驟的「名稱」欄位中，輸入 hello_custom。接著點按「Continue」。

  5. 在「訓練容器」步驟中，提供 Agent Platform 使用您上傳至 Cloud Storage 的訓練套件所需資訊：

    1. 選取「預先建構的容器」。

    2. 在「Model framework」(模型架構) 下拉式清單中，選取「TensorFlow」。

    3. 在「Model framework version」(模型架構版本) 下拉式清單中選取「2.3」。

    4. 在「Package location」(套件位置) 欄位中輸入 cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz。

    5. 在「Python module」(Python 模組) 欄位中，輸入 trainer.task。trainer 是 tarball 中的 Python 套件名稱，而 task.py 則包含訓練程式碼。因此，trainer.task 是您要 Agent Platform 執行的模組名稱。

    6. 在「Model output directory」(模型輸出目錄) 欄位中，按一下「Browse」(瀏覽)。在「選取資料夾」窗格中執行下列操作：

      1. 前往 Cloud Storage bucket。

      2. 按一下「建立新資料夾」圖示 。

      3. 將新資料夾命名為 output。然後按一下「建立」。

      4. 按一下「選取」。

      確認該欄位的值為 gs://BUCKET_NAME/output，其中 BUCKET_NAME 是 Cloud Storage bucket 的名稱。

      這個值會傳遞至 Agent Platform 的 baseOutputDirectory API 欄位，設定訓練應用程式執行時可存取的數個環境變數。

      舉例來說，如果將這個欄位設為 gs://BUCKET_NAME/output，Agent Platform 會將 AIP_MODEL_DIR 環境變數設為 gs://BUCKET_NAME/output/model。訓練結束時，Agent Platform 會使用 AIP_MODEL_DIR 目錄中的任何構件建立模型資源。

      進一步瞭解這個欄位設定的環境變數。

    按一下「繼續」。

  6. 在選用的「超參數」步驟中，請確認已取消勾選「啟用超參數調整」核取方塊。本教學課程不會使用超參數調整功能。然後點按「繼續」。

  7. 在「運算與定價」步驟中，為自訂訓練工作分配資源：

    1. 在「Region」(區域) 下拉式清單中，選取「us-central1 (Iowa)」(us-central1 (愛荷華州))。

    2. 在「Machine type」(機型) 下拉式清單中，選取「Standard」(標準) 部分中的「n1-standard-4」。

    請勿為本教學課程新增任何加速器或工作站集區。按一下「Continue」(繼續)。

  8. 在「預測容器」步驟中，向 Agent Platform 提供預測服務所需的資訊：

    1. 選取「預先建構的容器」。

    2. 在「預先建構的容器設定」部分，完成下列步驟：

      1. 在「Model framework」(模型架構) 下拉式清單中，選取「TensorFlow」。

      2. 在「Model framework version」(模型架構版本) 下拉式清單中選取「2.3」。

      3. 在「Accelerator type」(加速器類型) 下拉式清單中，選取「None」(無)。

      4. 確認「模型目錄」欄位的值為 gs://BUCKET_NAME/output，其中 BUCKET_NAME 是 Cloud Storage bucket 的名稱。這與您在上一個步驟中提供的「模型輸出目錄」值相符。

    3. 將「預測結構定義」部分中的欄位留空。

  9. 按一下「開始訓練」，啟動自訂訓練管道。

您現在可以在「訓練」頁面中，查看名為 hello_custom 的新訓練管道。(你可能需要重新整理頁面)。訓練管道主要有兩項功能：

  1. 訓練管道會建立名為 hello_custom-custom-job 的自訂工作資源。稍待片刻，您就能在「訓練」部分的「自訂工作」頁面中查看這項資源：

    前往「自訂工作」

    自訂工作會使用您在本節中指定的運算資源，執行訓練應用程式。

  2. 自訂工作完成後，訓練管道會找出訓練應用程式在 Cloud Storage bucket 的 output/model/ 目錄中建立的構件。並使用這些構件建立模型資源。

監控訓練

如要查看訓練記錄，請按照下列步驟操作：

  1. 在 Cloud de Confiance 控制台的「Agent Platform」專區，前往「Custom jobs」頁面。

    前往「自訂工作」

  2. 如要查看剛建立的 CustomJob 詳細資料，請按一下清單中的 hello_custom-custom-job。

  3. 在工作詳細資料頁面中，按一下「查看記錄」。

查看訓練好的模型

自訂訓練管道完成後，您可以在 Cloud de Confiance 控制台的 Agent Platform 專區中，前往「Models」(模型) 頁面查看訓練好的模型。

前往「模型」

模型名稱為 hello_custom。

後續步驟

請按照本教學課程的下一頁操作，透過訓練好的機器學習模型提供預測功能。

上一頁
設定專案和環境
下一頁
透過自訂圖片分類模型提供預測結果