Introduzione all'addestramento personalizzato: configura il progetto e l'ambiente

Questa pagina illustra la configurazione del progetto Cloud de Confiance by S3NS per l'utilizzo di Gemini Enterprise Agent Platform e il download di un codice TensorFlow per l'addestramento. Scaricherai anche il codice per un'app web che riceve le previsioni.

1. Configurazione del progetto e dell'ambiente.

2. Addestramento di un modello di classificazione delle immagini personalizzato.

3. Generazione di previsioni da un modello di classificazione delle immagini personalizzato.

4. Pulizia del progetto.

Ogni pagina presuppone che tu abbia già eseguito le istruzioni delle pagine precedenti del tutorial.

Prima di iniziare

In questo tutorial, utilizza la console Cloud de Confiance e Cloud Shell per interagire con Cloud de Confiance by S3NS. In alternativa a Cloud Shell, puoi utilizzare un'altra shell Bash con Google Cloud CLI installata.

1. In the Cloud de Confiance console, on the project selector page, select or create a Cloud de Confiance project.

   Roles required to select or create a project

   • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
   • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

   Go to project selector

2. Verify that billing is enabled for your Cloud de Confiance project.

3. Enable the Gemini Enterprise Agent Platform and Cloud Run functions APIs, if any are not already enabled.

   Roles required to enable APIs

   To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

   Enable the APIs

4. Nella console Cloud de Confiance , attiva Cloud Shell.

   Attiva Cloud Shell

   Nella parte inferiore della console Cloud de Confiance , viene avviata una sessione di Cloud Shell e viene visualizzato un prompt della riga di comando. Cloud Shell è un ambiente shell con Google Cloud CLI già installata e con valori già impostati per il progetto corrente. L'inizializzazione della sessione può richiedere alcuni secondi.

5. Se Cloud Shell non visualizza (PROJECT_ID)$ nel prompt (dove PROJECT_ID è sostituito dal tuo Cloud de Confiance ID progetto), esegui questo comando per configurare Cloud Shell in modo che utilizzi il tuo progetto:

   gcloud config set project PROJECT_ID
   

Crea un bucket Cloud Storage

Crea un bucket Cloud Storage regionale nella regione us-central1 da utilizzare per il resto di questo tutorial. Durante il tutorial, utilizza il bucket per diversi scopi:

• Archivia il codice di addestramento che Agent Platform utilizzerà in un job di addestramento personalizzato.
• Archiviare gli artefatti del modello generati dal job di addestramento personalizzato.
• Ospita l'app web che riceve le previsioni dall'endpoint Agent Platform.

Per creare il bucket Cloud Storage, esegui questo comando nella sessione di Cloud Shell:

gcloud storage buckets create gs://BUCKET_NAME --project=PROJECT_ID --location=us-central1

Sostituisci quanto segue:

• PROJECT_ID: l'ID del tuo progetto Cloud de Confiance .
• BUCKET_NAME: un nome che scegli per il bucket. Ad esempio, hello_custom_PROJECT_ID. Scopri di più sui requisiti per i nomi dei bucket.

Scarica il codice campione.

Scarica il codice campione da utilizzare per il resto del tutorial.

gcloud storage cp gs://cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz - | tar -xzv

Per visualizzare i file di codice campione, esegui questo comando:

ls -lpR hello-custom-sample

La directory hello-custom-sample contiene quattro elementi:

• trainer/: una directory del codice TensorFlow Keras per l'addestramento del modello di classificazione dei fiori.

• setup.py: un file di configurazione per pacchettizzare la directory trainer/ in una distribuzione di origine Python che Agent Platform può utilizzare.

• function/: una directory del codice Python per una funzione Cloud Run che può ricevere e pre-elaborare le richieste di previsione da un browser web, inviarle alla piattaforma agente, elaborare le risposte di previsione e inviarle nuovamente al browser.

• webapp/: una directory con codice e markup per un'app web che riceve previsioni di classificazione dei fiori da Agent Platform.

Passaggi successivi

Segui la pagina successiva di questo tutorial per eseguire un job di addestramento personalizzato su Agent Platform.