Descripción general

En este lab, aprenderás a crear y ejecutar canalizaciones de AA con Vertex Pipelines.

Objetivos de aprendizaje

• Usar el SDK de canalizaciones de Kubeflow para compilar canalizaciones de AA escalables
• Crear y ejecutar una canalización de introducción en 3 pasos que admite entradas de texto
• Crear y ejecutar una canalización que entrene, evalúe y, luego, implemente un modelo de clasificación de AutoML
• Utilizar componentes precompilados de la biblioteca google_cloud_pipeline_components para interactuar con los servicios de Vertex AI
• Programar un trabajo de canalización con Cloud Scheduler

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.

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: Configure el entorno de Cloud

Cloud Shell cuenta con algunas variables de entorno, incluida GOOGLE_CLOUD_PROJECT, que contiene el nombre de su proyecto de Cloud actual. Usaremos esta variable en varias secciones de este lab. Para verla, debes ejecutar lo siguiente:

echo $GOOGLE_CLOUD_PROJECT

Habilite las API

• En pasos posteriores, verás en qué momento se necesitan estos servicios y por qué. Por ahora, ejecuta este comando para que tu proyecto pueda acceder a los servicios de Compute Engine, Container Registry y Vertex AI:

gcloud services enable compute.googleapis.com \ containerregistry.googleapis.com \ aiplatform.googleapis.com \ cloudbuild.googleapis.com \ cloudfunctions.googleapis.com

Si se realizó correctamente, se mostrará un mensaje similar a este:

Operation "operations/acf.cc11852d-40af-47ad-9d59-477a12847c9e" finished successfully.

Tarea 2: Cree un bucket de Cloud Storage

Si quieres ejecutar un trabajo de entrenamiento en Vertex AI, necesitarás un bucket para almacenar los elementos del modelo guardados. El bucket debe ser regional. En estas instrucciones, se especifica la región US-central, pero puedes usar otra (solo debes reemplazarla durante el lab).

1. Para crear un bucket, ejecute el siguiente comando en la terminal de Cloud Shell:

BUCKET_NAME=gs://$GOOGLE_CLOUD_PROJECT-bucket gsutil mb -l us-central1 $BUCKET_NAME

2. Otórguele acceso a este bucket a la cuenta de servicio de Compute con el siguiente comando:

gcloud projects describe $GOOGLE_CLOUD_PROJECT > project-info.txt PROJECT_NUM=$(cat project-info.txt | sed -nre 's:.*projectNumber\: (.*):\1:p') SVC_ACCOUNT="${PROJECT_NUM//\'/}-compute@developer.gserviceaccount.com" gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT --member serviceAccount:$SVC_ACCOUNT --role roles/storage.objectAdmin

Esto garantiza que Vertex Pipelines tenga los permisos necesarios para escribir archivos en el bucket.

Tarea 3: Habilita las APIs recomendadas

1. En la consola de Google Cloud, en el menú de navegación (), haz clic en Vertex AI > Panel.
2. Haz clic en Habilitar todas las APIs recomendadas.

Tarea 4: Inicie una instancia de Vertex AI Notebooks

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 5: Clone el repositorio de un curso en su instancia de Vertex AI Notebooks

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 6: Crea y ejecuta canalizaciones de AA con Vertex Pipelines

1. En la interfaz del notebook, navega a training-data-analyst > courses > machine_learning > deepdive2 > machine_learning_in_the_enterprise > labs y abre pipelines_intro_kfp.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).
• Si necesitas más ayuda, consulta la solución completa en training-data-analyst > courses > machine_learning > deepdive2 > machine_learning_in_the_enterprise > solutions y abre pipelines_intro_kfp.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.