GSP354

概览

在实验室挑战赛中，我们会为您提供一个场景和一系列任务。您将使用从课程的各个实验中学到的技能自行确定如何完成这些任务，而不是按照分步说明进行操作。自动评分系统（显示在本页面中）会提供有关您是否已正确完成任务的反馈。

在您参加实验室挑战赛期间，我们不会再教授新的 Google Cloud 概念知识。您需要拓展所学的技能，例如通过更改默认值和查看并研究错误消息来更正您自己所犯的错误。

要想获得满分，您必须在该时间段内成功完成所有任务！

我们建议已报名参加在 Vertex AI 上构建和部署机器学习解决方案课程的学员参加此实验。准备好接受挑战了吗？

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。为此，我们会向您提供新的临时凭据，您可以在该实验的规定时间内通过此凭据登录和访问 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（推荐）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：请仅使用学生账号完成本实验。如果您使用其他 Google Cloud 账号，则可能会向该账号收取费用。

挑战场景

您最近受聘为一家初创电影评论网站的机器学习工程师。经理为您安排了一项任务，要求您构建一个机器学习模型，根据情感将用户影评分为正面或负面两个类别。这些预测将用作下游电影评分系统的输入，并用于识别和展示电影网站应用中重要的正面和负面评论。

面临的挑战：根据公司要求，您必须在 6 周内构建一个准确率超过 75% 的模型，并将其投入使用，以改进公司现有的自研解决方案。不仅如此，在对该初创公司的数据仓库做了一些探索性分析后，您发现只有一个包含 5 万条文字评论的小型数据集，而您要使用它来构建一个高性能解决方案。

您的挑战

面对数据有限的情况，为了快速构建和部署高性能机器学习模型，您需要在 Google Cloud 的 Vertex AI 平台上训练并部署一个自定义的 TensorFlow BERT 情感分类器，以便进行在线预测。Vertex AI 是 Google Cloud 的新一代机器学习开发平台。在该平台上，您可以利用预构建的最新机器学习组件和 AutoML，从而显著提高开发效率，增强扩缩工作流和基于数据制定决策的能力，并缩短实现价值的时间。

首先，您将完成一个常规实验工作流。在此工作流中，您将在 Vertex 笔记本中使用 TF-Hub 预训练的 BERT 组件和 tf.keras 分类层来构建模型，然后训练并评估模型。然后，您要将模型代码打包到 Docker 容器中，以便在 Google Cloud 的 Vertex AI 上进行训练。最后，您要在 Vertex Pipelines 上定义和运行 Kubeflow 流水线，训练模型，并将其部署到用于查询在线预测的 Vertex 端点。

任务 1. 在 Vertex AI Workbench 中打开笔记本

1. 在 Google Cloud 控制台的导航菜单 () 中依次点击 Vertex AI > Workbench。

2. 找到 实例，然后点击打开 JupyterLab 按钮。

Workbench 实例的 JupyterLab 界面会在新浏览器标签页中打开。

注意：如果您在 JupyterLab 中没有看到笔记本，请按照以下额外步骤重置实例：

1. 关闭 JupyterLab 的浏览器标签页，然后返回 Workbench 首页。

2. 选中实例名称旁边的复选框，然后点击重置。

3. 打开 JupyterLab 按钮重新启用后，请等待一分钟，然后点击打开 JupyterLab。

任务 2. 设置笔记本

1. 在笔记本中，点击终端。

2. 安装实验所需的软件包：

pip3 install -U -r requirements.txt --user

3. 点击文件浏览器左侧的 文件。

4. 当系统询问要使用哪个内核时，请选择 Python 3 (ipykernel)。

5. 运行笔记本的设置部分，以便安装所需的内容库并设置环境。

   • 对于项目 ID，请使用 ；对于区域，请使用 。

用于导入和预处理数据集的所有其余代码已经提供给您。有关其余步骤的内容已经包含在笔记本文件中。您可以回看本实验指南，以检查进度并获取提示。

任务 3. 使用 Vertex 笔记本在本地构建和训练模型

在本部分中，您将使用 TensorFlow 在本地训练模型。

注意：本实验调整并扩展了官方的 TensorFlow BERT 文本分类教程，以便使用 Vertex AI 服务。请查看教程，了解更多有关使用 TensorFlow 微调 BERT 模型的内容。

构建和编译 TensorFlow BERT 情感分类器

1. 填写 #TODO 部分，添加 hub.KerasLayer 来进行 BERT 文本预处理。

2. 填写 #TODO 部分，添加 hub.KerasLayer 来进行 BERT 文本编码。

3. 填写 #TODO 部分，以将 BERT 情感分类器保存在本地。您应该将其保存在 ./bert-sentiment-classifier-local 目录中。

点击检查我的进度，验证已完成以下目标：

构建和训练模型

任务 4. 使用 Cloud Build 构建模型容器并将其提交到 Artifact Registry

为自定义容器映像创建一个 Artifact Registry

1. 填写 #TODO 部分，以使用 gcloud CLI 创建 Docker Artifact Registry。如需了解详情，请参阅 gcloud artifacts repositories create 文档。

注意：请确保指定 location、repository-format 和 description 标志。

使用 Cloud Build 构建容器映像并将其提交到 Artifact Registry

1. 填写 #TODO 部分，以使用 Cloud Build 创建自定义模型容器并将其提交到 Artifact Registry。如需了解详情，请参阅 gcloud builds submit 文档。

注意：请确保将 config 标志指向前面定义的 {MODEL_DIR}/cloudbuild.yaml，并将 {MODEL_DIR} 替换成您模型的目录。

点击检查我的进度，验证已完成以下目标：

构建容器映像并将其提交到 Artifact Registry

任务 5. 使用 KFP SDK 定义流水线

1. 填写 #TODO 部分，为流水线添加和配置 CustomContainerTrainingJobOp 组件。

注意：参数与此前的 CustomContainerTrainingJob 相同。 注意：训练和部署模型大约需要 30-40 分钟。

点击检查我的进度，验证已完成以下目标：

使用 KFP SDK 定义流水线

任务 6. 使用 Vertex 端点查询部署的模型

1. 填写 #TODO 部分，以使用 Vertex 端点生成在线预测。

恭喜！

恭喜！在本实验中，您学习了如何使用 Vertex AI 来构建和部署自定义 BERT 情感分类器。您还了解了如何使用 Cloud Build 构建自定义模型容器并将其提交到 Artifact Registry，以及如何使用 KFP SDK 定义流水线。现在，您可以使用 Vertex AI 构建和部署自己的自定义模型了。

赢得您的下一个技能徽章

此自学实验是在 Vertex AI 上构建和部署机器学习解决方案课程的一部分。完成此技能徽章课程可赢得上面的徽章，以表彰您取得的成就。您可以在简历和社交平台中分享自己的徽章，并使用 #GoogleCloudBadge 让大家知道您取得的这一成就。

此技能徽章课程是 Google 数据科学家/机器学习工程师学习路线的组成部分。如果您已完成此学习路线中的其他技能徽章课程，请在目录中进行搜索，还有 20 多个技能徽章课程等待您报名参加。

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。

上次更新手册的时间：2024 年 8 月 8 日

上次测试实验的时间：2024 年 8 月 8 日

版权所有 2025 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。