Descripción general

En este lab, explorará los metadatos de canalizaciones de TFX, incluidos los artefactos de canalización y ejecución. Una instancia de AI Platform Pipelines incluye el servicio ML Metadata. En AI Platform Pipelines, ML Metadata usan MySQL como un backend de base de datos y se puede acceder a él a través de un servidor de GRPC.

Objetivos

Usar un servidor de gRPC para acceder a los artefactos de canalización almacenados en el servicio ML Metadata de su instancia de AI Platform Pipelines y analizarlos

Configuración

En cada lab, recibirá un proyecto de Google Cloud y un conjunto de recursos nuevos por tiempo limitado y sin costo adicional.

1. Accede a Qwiklabs desde una ventana de incógnito.

2. Ten en cuenta el tiempo de acceso del lab (por ejemplo, 1:15:00) y asegúrate de finalizarlo en el plazo asignado.
   No existe una función de pausa. Si lo necesita, puede reiniciar el lab, pero deberá hacerlo desde el comienzo.

3. Cuando esté listo, haga clic en Comenzar lab.

4. Anote las credenciales del lab (el nombre de usuario y la contraseña). Las usarás para acceder a la consola de Google Cloud.

5. Haga clic en Abrir Google Console.

6. Haga clic en Usar otra cuenta, copie las credenciales para este lab y péguelas en el mensaje emergente que aparece.
   Si usa otras credenciales, se generarán errores o incurrirá en cargos.

7. Acepta las condiciones y omite la página de recursos de recuperación.

Active Cloud Shell

Cloud Shell es una máquina virtual que contiene herramientas de desarrollo y un directorio principal persistente de 5 GB. Se ejecuta en Google Cloud. Cloud Shell proporciona acceso de línea de comandos a sus recursos de Google Cloud. gcloud es la herramienta de línea de comandos de Google Cloud, la cual está preinstalada en Cloud Shell y es compatible con la función de autocompletado con tabulador.

1. En el panel de navegación de Google Cloud Console, haga clic en Activar Cloud Shell ().

2. Haga clic en Continuar.
   El aprovisionamiento y la conexión al entorno tardan solo unos momentos. Una vez que se conecte, también estará autenticado, y el proyecto estará configurado con su PROJECT_ID. Por ejemplo:

Comandos de muestra

• Si desea ver el nombre de cuenta activa, use este comando:

gcloud auth list

(Resultado)

Credentialed accounts: - <myaccount>@<mydomain>.com (active)

(Resultado de ejemplo)

Credentialed accounts: - google1623327_student@qwiklabs.net

• Si desea ver el ID del proyecto, use este comando:

gcloud config list project

(Resultado)

[core] project = <project_ID>

(Resultado de ejemplo)

[core] project = qwiklabs-gcp-44776a13dea667a6

Tarea 1: Crea una instancia de AI Platform Pipelines

En esta tarea, implementarás Kubeflow Pipelines como una aplicación de Kubernetes, que es una solución con un simple clic que se implementa en Google Kubernetes Engine y que tiene la flexibilidad de implementarse en clústeres de Kubernetes de manera local o en nubes de terceros. Verás que Kubeflow Pipelines se integra en tu entorno de Google Cloud como AI Platform Pipelines. Si te interesa, obtén más información sobre Kubeflow Pipelines en la documentación de Introducción a Kubeflow Pipelines durante los pasos de instalación.

1. En la consola de Google Cloud, en el menú de navegación, desplázate hacia abajo hasta AI Platform y fija la sección para acceder fácilmente más adelante en el lab.

2. Navega a AI Platform > Canalizaciones.

3. Luego, haz clic en Nueva instancia.

4. Haz clic en Configurar.

5. Para crear el clúster, selecciona Zona como y, luego, marca Permitir el acceso a las siguientes APIs de Cloud. No modifiques el nombre y haz clic en Crear un nuevo clúster.

Nota: La creación del clúster tardará entre 3 y 5 minutos. Debes esperar a que se complete este paso antes de pasar al siguiente. Nota: Si la creación del clúster falla debido a que no hay suficientes recursos en una región o zona determinada, vuelve a intentarlo con otra zona.

6. Desplázate hasta el final de la página, acepta las condiciones del mercado y haz clic en Implementar. Verá los servicios individuales de KFP implementados en su clúster de GKE. Espera a que finalice la implementación antes de continuar con la siguiente tarea.

7. En Cloud Shell, ejecuta el siguiente comando para configurar el acceso a la línea de comandos de kubectl:

gcloud container clusters get-credentials cluster-1 --zone {{{project_0.default_zone|place_holder_text}}} --project {{{project_0.project_id|place_holder_text}}}

8. En Cloud Shell, ejecuta el siguiente comando para obtener el EXTREMO de la implementación de KFP:

kubectl describe configmap inverse-proxy-config | grep googleusercontent.com Importante: En una tarea posterior, deberás configurar el extremo de tu KFP en una de las celdas del notebook. Recuerda usar el resultado anterior como tu EXTREMO.

Haz clic en Revisar mi progreso para verificar el objetivo. Crear una instancia de AI Platform Pipelines

Tarea 2. Accede a Vertex AI Workbench

Para iniciar AI Platform Workbench, haz lo siguiente:

1. Haz clic en el Menú de navegación, ve a Vertex AI y, luego, a Workbench.

2. Haz clic en NOTEBOOKS ADMINISTRADOS POR EL USUARIO.

Deberías ver el notebook tfx-on-googlecloud aprovisionado para ti. De no ser así, espere algunos minutos y actualice la página.

3. Haz clic en Abrir JupyterLab. Se abrirá en una pestaña nueva.

Tarea 3: Clona el repositorio de ejemplo en tu instancia de AI Platform Notebooks

Sigue estos pasos para clonar el notebook mlops-on-gcp en tu instancia de JupyterLab:

1. En JupyterLab, haz clic en el ícono de terminal para abrir una terminal nueva.

2. En la ventana de línea de comandos, ingresa el siguiente comando y presiona Intro:

   git clone https://github.com/GoogleCloudPlatform/mlops-on-gcp Nota: Si el repo clonado no aparece en la IU de JupyterLab, puedes usar el menú de la línea superior, y en Git > Clone a repository, clona el repo (https://github.com/GoogleCloudPlatform/mlops-on-gcp) usando la IU.

   

3. Para verificar que se haya clonado el repositorio, haz doble clic en el directorio mlops-on-gcp y confirma que puedes ver su contenido. Los archivos de los labs de Jupyter basados en notebooks de este curso se encuentran en este directorio.

Navega al notebook del lab

1. Desde la carpeta mlops-labs/workshops/tfx-caip-tf23, ejecuta la secuencia de comandos install.sh para instalar los SDK de TFX y KFP.

cd mlops-on-gcp/workshops/tfx-caip-tf23 ./install.sh

2. Luego, en AI Platform Notebooks, ve a mlops-labs/workshops/tfx-caip-tf23/lab-04-tfx-metadata/labs y abre lab-04.ipynb.

3. Borra todas las celdas en el notebook (busca el botón Borrar en la barra de herramientas) y, luego, ejecútalas una por una.

4. Cuando se te solicite, regresa a estas instrucciones para verificar tu progreso.

Si necesitas más ayuda, puedes consultar la solución completa. Para ello, navega a mlops-on-gcp/workshops/tfx-caip-tf23/lab-04-tfx-metadata/solutions y abre lab-04.ipynb.

Tarea 4: Ejecuta tu trabajo de entrenamiento en la nube

Prueba las tareas completadas: Compila la canalización de Kubeflow

Haz clic en Revisar mi progreso para verificar el objetivo. Compilar la canalización de Kubeflow Pipelines

Prueba las tareas completadas: Implementa el paquete de canalizaciones en AI Platform Pipelines

Haz clic en Revisar mi progreso para verificar el objetivo. Implementar el paquete de canalizaciones en AI Platform Pipelines

¡Felicitaciones!

En este lab, exploró los metadatos y artefactos de AA que crearon las ejecuciones de canalizaciones de TFX mediante ResolverNodes.

Finalice su lab

Cuando haya completado su lab, haga clic en Finalizar lab. Qwiklabs quitará los recursos que usó y limpiará la cuenta por usted.

Tendrá la oportunidad de calificar su experiencia en el lab. Seleccione la cantidad de estrellas que corresponda, ingrese un comentario y haga clic en Enviar.

La cantidad de estrellas indica lo siguiente:

• 1 estrella = Muy insatisfecho
• 2 estrellas = Insatisfecho
• 3 estrellas = Neutral
• 4 estrellas = Satisfecho
• 5 estrellas = Muy satisfecho

Puede cerrar el cuadro de diálogo si no desea proporcionar comentarios.

Para enviar comentarios, sugerencias o correcciones, use la pestaña Asistencia.

Copyright 2020 Google LLC. All rights reserved. Google y el logotipo de Google son marcas de Google LLC. Los demás nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que estén asociados.