Descripción general

Las TPU son muy rápidas, y la transmisión de datos de entrenamiento debe mantenerse a la par con su velocidad de entrenamiento. En este lab, aprenderás a cargar datos de Cloud Storage con la API de tf.data.Dataset para alimentar tu TPU.

Objetivos

Aprenderás a hacer lo siguiente:

• Usar la API de tf.data.Dataset para cargar datos de entrenamiento
• Usar el formato TFRecord para cargar datos de entrenamiento de forma eficiente desde Cloud Storage

Configuración y requisitos

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.

Configura tu entorno

Habilita todas las APIs recomendadas

1. Haz clic para abrir el panel de Vertex AI.

2. Haz clic en Habilitar todas las APIs recomendadas.

Tarea 1. Inicia un notebook en Vertex AI

1. En el menú de navegación de la consola de Google Cloud, haz clic en Vertex AI > Workbench. Selecciona Notebooks administrados por el usuario.

2. En la página de instancias de Notebook, haz clic en Crear nueva y elige la versión más reciente de TensorFlow Enterprise 2.6 (con LTS) en Entorno.

3. En el diálogo Instancia de notebook nueva, confirma el nombre de la VM de aprendizaje profundo y, si no quieres cambiar la región ni la zona, deja todos los parámetros de configuración como están. Luego, haz clic en Crear. La VM nueva tardará 2 o 3 minutos en iniciarse.

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

Tarea 2. Clona el repo del curso en tu instancia de notebook de Vertex AI

Sigue estos pasos para clonar el notebook training-data-analyst en tu instancia de JupyterLab:

1. Para abrir una nueva terminal en JupyterLab, haz clic en el ícono de Terminal.

2. En la ventana de la línea de comandos, ejecuta el siguiente comando:

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

3. Para verificar que se haya clonado el repositorio, haz doble clic en el directorio training-data-analyst y confirma que puedes ver el contenido.
   Los archivos de todos los labs de Jupyter basados en notebooks de este curso se encuentran disponibles en este directorio.

Tarea 3. Canalizaciones de datos con velocidades de TPU: tf.data.Dataset y TFRecords

1. En la interfaz del notebook, navega a training-data-analyst > courses > machine_learning > deepdive2 > production_ml > labs y abre tpu_speed_data_pipelines.ipynb.

2. En la interfaz del notebook, haz clic en Editar > Borrar todos los resultados.

3. Lee con atención las instrucciones del notebook y completa con el código correspondiente las líneas que están marcadas con #TODO.

Sugerencia: Para ejecutar la celda actual, haz clic en ella y presiona Mayúsculas + Intro. Podrás encontrar detallados otros comandos de la celda en la IU del notebook, en Ejecutar.

• Las tareas también pueden incluir sugerencias que te orientarán. Destaca el texto para leer las sugerencias (están escritas en blanco).
• Para ver la solución completa, navega a training-data-analyst > courses > machine_learning > deepdive2 > production_ml > solutions y abre tpu_speed_data_pipelines.ipynb.

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.