GSP917

概览

在本实验中，您将使用 BigQuery 进行数据处理和探索性数据分析，并使用 Vertex AI 平台训练和部署自定义 TensorFlow 回归器模型，以预测客户生命周期价值。实验的目标是通过高价值的实际应用场景“可预测 CLV”来介绍 Vertex AI。您将从可能已熟知的本地 BigQuery 和 TensorFlow 工作流开始，逐步进展到使用 Vertex AI 在云端训练和部署模型。

Vertex AI 是 Google Cloud 的下一代机器学习统一开发平台，也是 2021 年 5 月 Google I/O 大会上宣布的 AI Platform 的继任产品。通过在 Vertex AI 上开发机器学习解决方案，您可以利用最新的机器学习内置组件和 AutoML 显著提高开发效率、增强利用数据扩缩工作流和进行决策的能力，并缩短实现价值的时间。

学习内容

• 在托管的 Vertex 笔记本本地训练 TensorFlow 模型。
• 创建用于跟踪实验的代管式表格式数据集工件。
• 使用 Cloud Build 将训练代码容器化，并将其推送到 Google Cloud Artifact Registry。
• 使用自定义模型容器运行 Vertex AI 自定义训练作业。
• 使用 Vertex TensorBoard 直观呈现模型性能。
• 将经过训练的模型部署到 Vertex 在线预测端点以提供预测。
• 请求在线预测和说明并查看响应。

设置和要求

点击“开始实验”按钮前的注意事项

请阅读以下说明。实验是计时的，并且您无法暂停实验。计时器在您点击开始实验后即开始计时，显示 Google Cloud 资源可供您使用多长时间。

此实操实验可让您在真实的云环境中开展实验活动，免受模拟或演示环境的局限。我们会为您提供新的临时凭据，让您可以在实验规定的时间内用来登录和访问 Google Cloud。

为完成此实验，您需要：

• 能够使用标准的互联网浏览器（建议使用 Chrome 浏览器）。

注意：请使用无痕模式或无痕浏览器窗口运行此实验。这可以避免您的个人账号与学生账号之间发生冲突，这种冲突可能导致您的个人账号产生额外费用。

• 完成实验的时间 - 请注意，实验开始后无法暂停。

注意：如果您已有自己的个人 Google Cloud 账号或项目，请不要在此实验中使用，以避免您的账号产生额外的费用。

如何开始实验并登录 Google Cloud 控制台

1. 点击开始实验按钮。如果该实验需要付费，系统会打开一个弹出式窗口供您选择付款方式。左侧是实验详细信息面板，其中包含以下各项：

   • 打开 Google 控制台按钮
   • 剩余时间
   • 进行该实验时必须使用的临时凭据
   • 帮助您逐步完成本实验所需的其他信息（如果需要）

2. 点击打开 Google 控制台。 该实验会启动资源并打开另一个标签页，显示登录页面。

   提示：请将这些标签页安排在不同的窗口中，并将它们并排显示。

   注意：如果您看见选择帐号对话框，请点击使用其他帐号。

3. 如有必要，请从实验详细信息面板复制用户名，然后将其粘贴到登录对话框中。点击下一步。

4. 请从实验详细信息面板复制密码，然后将其粘贴到欢迎对话框中。点击下一步。

   重要提示：您必须使用左侧面板中的凭据。请勿使用您的 Google Cloud Skills Boost 凭据。 注意：在本次实验中使用您自己的 Google Cloud 帐号可能会产生额外费用。

5. 继续在后续页面中点击以完成相应操作：

   • 接受条款及条件。
   • 由于该帐号为临时帐号，请勿添加帐号恢复选项或双重验证。
   • 请勿注册免费试用。

片刻之后，系统会在此标签页中打开 Cloud 控制台。

注意：您可以点击左上角的导航菜单来查看列有 Google Cloud 产品和服务的菜单。

激活 Cloud Shell

Cloud Shell 是一种装有开发者工具的虚拟机。它提供了一个永久性的 5GB 主目录，并且在 Google Cloud 上运行。Cloud Shell 提供可用于访问您的 Google Cloud 资源的命令行工具。

1. 点击 Google Cloud 控制台顶部的激活 Cloud Shell 。

如果您连接成功，即表示您已通过身份验证，且当前项目会被设为您的 PROJECT_ID 环境变量所指的项目。输出内容中有一行说明了此会话的 PROJECT_ID：

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud 是 Google Cloud 的命令行工具。它已预先安装在 Cloud Shell 上，且支持 Tab 自动补全功能。

2. （可选）您可以通过此命令列出活跃账号名称：

gcloud auth list

3. 点击授权。

4. 现在，输出的内容应如下所示：

输出：

ACTIVE: * ACCOUNT: student-01-xxxxxxxxxxxx@qwiklabs.net To set the active account, run: $ gcloud config set account `ACCOUNT`

5. （可选）您可以通过此命令列出项目 ID：

gcloud config list project

输出：

[core] project = <project_ID>

输出示例：

[core] project = qwiklabs-gcp-44776a13dea667a6 Note: For full documentation of gcloud, in Google Cloud, refer to the gcloud CLI overview guide.

任务 1. 启用 Google Cloud 服务

• 在 Cloud Shell 中，使用 gcloud 启用实验中使用的服务：

gcloud services enable \ compute.googleapis.com \ iam.googleapis.com \ iamcredentials.googleapis.com \ monitoring.googleapis.com \ logging.googleapis.com \ notebooks.googleapis.com \ aiplatform.googleapis.com \ bigquery.googleapis.com \ artifactregistry.googleapis.com \ cloudbuild.googleapis.com \ container.googleapis.com

任务 2. 创建用于 Vertex TensorBoard 集成的 Vertex AI 自定义服务账号

1. 创建自定义服务账号：

SERVICE_ACCOUNT_ID=vertex-custom-training-sa gcloud iam service-accounts create $SERVICE_ACCOUNT_ID \ --description="A custom service account for Vertex custom training with Tensorboard" \ --display-name="Vertex AI Custom Training"

2. 授权该账号访问 Cloud Storage 以写入和检索 Tensorboard 日志：

PROJECT_ID=$(gcloud config get-value core/project) gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/storage.admin"

3. 授权该账号访问 BigQuery 数据源，以便将数据读取到 TensorFlow 模型中：

gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/bigquery.admin"

4. 授权该账号访问 Vertex AI，以运行模型训练、部署和说明作业：

gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/aiplatform.user"

任务 3. 启动 Vertex AI Workbench 笔记本

注意：请使用 TensorFlow 企业版 2.13 完成本实验。

如需创建和启动 Vertex AI Workbench 笔记本，请执行以下操作：

1. 在导航菜单 中，点击 Vertex AI > Workbench。

2. 在 Workbench 页面上，点击启用 Notebooks API（如果尚未启用）。

3. 然后依次点击用户管理的笔记本标签页和新建。

4. 为笔记本命名。

5. 将区域设置为 ，将可用区设置为 。

6. 在新建实例菜单中，选择环境中的 TensorFlow Enterprise 2.x 的最新版本。

7. 点击高级选项以修改实例属性。

8. 点击机器类型，然后选择 e2-standard-2 作为机器类型。

9. 让其他字段保持默认值，然后点击创建。

几分钟后，Workbench 页面会列出您的实例，后面显示有打开 JupyterLab。

10. 点击打开 JupyterLab 即可在新标签页中打开 JupyterLab。如果系统显示消息，指出需要在 build 中包含 beatrix jupyterlab，只需忽略此消息即可。

点击“检查我的进度”以验证是否完成了以下目标： 创建一个 Vertex AI 笔记本

任务 4. 克隆实验代码库

接下来您需要将 training-data-analyst 代码库克隆到 JupyterLab 实例。

如需在您的 JupyterLab 实例中克隆 training-data-analyst 仓库，请执行以下操作：

1. 在 JupyterLab 中，点击终端图标以打开新终端。

2. 在命令行提示符处输入以下命令并按 Enter：

git clone https://github.com/GoogleCloudPlatform/training-data-analyst

3. 如需确认已克隆该仓库，请双击左侧面板中的 training-data-analyst 文件夹，查看其内容。

克隆代码库需要几分钟的时间。

点击“检查我的进度”以验证是否完成了以下目标： 克隆实验代码库

任务 5. 安装实验依赖项

• 运行以下命令以前往 training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart 文件夹，然后执行 pip3 install requirements.txt 安装实验依赖项：

cd training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart pip3 install --user -r requirements.txt

前往实验笔记本

1. 在笔记本中，前往 training-data-analyst > self-paced-labs > vertex-ai > vertex-ai-qwikstart，打开 lab_exercise.ipynb。

2. 在笔记本中继续本实验，并通过点击屏幕顶部的运行图标来运行每个单元。

您也可以使用 Shift + Enter 来执行单元中的代码。

阅读叙述背景并确保了解每个单元中发生的情况。

恭喜！

在本实验中，您使用 Google Cloud BigQuery 运行机器学习实验工作流来进行数据存储和分析，并使用 Vertex AI 机器学习服务来训练和部署 TensorFlow 模型，以预测客户生命周期价值。从在本地训练 TensorFlow 模型进展到使用 Vertex AI 在云端训练，并利用了多种新的统一平台功能，例如 Vertex TensorBoard 和预测特征归因。

完成挑战任务

本自学实验是基准：数据、机器学习和 AI和高级机器学习：机器学习基础架构挑战任务的组成部分。

本自学实验也是在 Vertex AI 上构建和部署机器学习解决方案技能徽章挑战任务的组成部分。完成此技能徽章挑战任务可赢得徽章，以表彰您取得的成就。您可以在简历和社交平台中分享您的徽章，并使用 #GoogleCloudBadge 来将您所取得的成就广而告之。

可在目录中进行搜索，找出您可以注册参加的其他 20 多个技能徽章挑战任务。

Google Cloud 培训和认证

…可帮助您充分利用 Google Cloud 技术。我们的课程会讲解各项技能与最佳实践，可帮助您迅速上手使用并继续学习更深入的知识。我们提供从基础到高级的全方位培训，并有点播、直播和虚拟三种方式选择，让您可以按照自己的日程安排学习时间。各项认证可以帮助您核实并证明您在 Google Cloud 技术方面的技能与专业知识。

手册上次更新日期：2023 年 11 月 1 日

实验上次测试日期：2023 年 11 月 1 日

版权所有 2024 Google LLC 保留所有权利。Google 和 Google 徽标是 Google LLC 的商标。其他所有公司名和产品名可能是其各自相关公司的商标。