正在加载…
未找到任何结果。

在 Google Cloud 控制台中运用您的技能

实验设置说明和要求
保护您的账号和进度。请务必在无痕浏览器窗口中，使用实验凭证运行此实验。

使用 Vertex AI 对云朵图片进行分类

实验 1 小时 universal_currency_alt 5 个点数 show_chart 中级
info 此实验可能会提供 AI 工具来支持您学习。
此内容尚未针对移动设备进行优化。
为获得最佳体验，请在桌面设备上访问通过电子邮件发送的链接。

GSP223

Google Cloud 自学实验的徽标

概览

Vertex AI 是 Google Cloud 的统一机器学习平台。Vertex AI 中的 AutoML 功能可简化高质量自定义图像识别模型的训练流程，用户无需具备深厚的机器学习专业知识。训练完成后，模型会部署到托管端点，以便通过易于使用的 API 进行实时预测。

在本实验中，您需要将云朵图片上传到 Cloud Storage，根据这些图片创建 Vertex AI 数据集，并使用 Vertex AI 端点上的预训练模型（模拟）生成预测结果。

目标

在本实验中，您将执行以下任务：

  • 设置 Vertex AI 环境和 Cloud Storage 存储桶。
  • 将带标签的数据集上传到 Cloud Storage。
  • 创建并检查 Vertex AI 数据集。
  • 通过 Vertex AI 端点生成预测。

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。

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，系统会打开一个对话框供您选择支付方式。左侧是“实验详细信息”窗格，其中包含以下各项：

    • “打开 Google Cloud 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 Cloud 控制台（如果您使用的是 Chrome 浏览器，请右键点击并选择在无痕式窗口中打开链接）。

    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：将这些标签页安排在不同的窗口中，并排显示。

    注意：如果您看见选择账号对话框，请点击使用其他账号。

  3. 如有必要，请复制下方的用户名，然后将其粘贴到登录对话框中。

    {{{user_0.username | "<用户名>"}}}

    您也可以在“实验详细信息”窗格中找到“用户名”。

  4. 点击下一步。

  5. 复制下面的密码，然后将其粘贴到欢迎对话框中。

    {{{user_0.password | "<密码>"}}}

    您也可以在“实验详细信息”窗格中找到“密码”。

  6. 点击下一步。

    重要提示：您必须使用实验提供的凭据。请勿使用您的 Google Cloud 账号凭据。 注意：在本实验中使用您自己的 Google Cloud 账号可能会产生额外费用。

  7. 继续在后续页面中点击以完成相应操作：

    • 接受条款及条件。
    • 由于这是临时账号，请勿添加账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 Google Cloud 控制台。

注意：如需访问 Google Cloud 产品和服务，请点击导航菜单，或在搜索字段中输入服务或产品的名称。 “导航菜单”图标和“搜索”字段

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 “激活 Cloud Shell”图标。

  2. 在弹出的窗口中执行以下操作：

    • 继续完成 Cloud Shell 信息窗口中的设置。
    • 授权 Cloud Shell 使用您的凭据进行 Google Cloud API 调用。

如果您连接成功，即表示您已通过身份验证，且项目 ID 会被设为您的 Project_ID 。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 {{{project_0.project_id | "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。

  1. （可选）您可以通过此命令列出活跃账号名称：
gcloud auth list
  1. 点击授权。

输出：

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`
  1. （可选）您可以通过此命令列出项目 ID：
gcloud config list project

输出：

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} 注意：如需查看在 Google Cloud 中使用 gcloud 的完整文档，请参阅 gcloud CLI 概览指南。

任务 1. 设置 Vertex AI 环境

您将启用必要的 API、访问 Vertex AI 控制台并准备存储桶。

确认已启用 Vertex AI

必须启用 Vertex AI API 才能管理数据集以及训练和部署模型。

  1. 在 Google Cloud 控制台的导航菜单 (“导航菜单”图标) 中，依次选择 API 和服务 > 库。

  2. 在搜索 API 和服务字段中，输入 Vertex AI API，然后点击搜索结果中的 Vertex AI API。

  3. 确认 Vertex AI API 处于已启用状态。否则，请点击启用。

打开 Vertex AI 信息中心

  • 在导航菜单 (“导航菜单”图标) 中，点击 Vertex AI。

创建存储桶

存储桶将用来存放您的训练图片和清单文件。相应区域必须受 Vertex AI 支持。

  • 在 Cloud Shell 中，运行以下命令以创建名为 -vcm 的存储桶：
gsutil mb -p $GOOGLE_CLOUD_PROJECT \ -c standard \ -l {{{project_0.default_region | Region}}} \ gs://$GOOGLE_CLOUD_PROJECT-vcm/

点击检查我的进度以验证是否完成了以下目标：

创建 Cloud Storage 存储桶

任务 2. 将训练图片上传到 Cloud Storage

如需训练模型来对云朵图片进行分类，您需要带标签的训练数据，以便模型能够了解与不同云朵类型相关的图片特征。在此示例中，您的模型将学习对三种不同类型的云朵进行分类：卷云、积云和积雨云。

执行以下操作，将训练图片放入 Cloud Storage 存储桶中：

  1. 在 Cloud Shell 中运行以下命令，创建一个包含您的存储桶名称的环境变量：
export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

训练图片存储在一个 Cloud Storage 存储桶中，完全公开。

  1. 使用 Cloud Storage 的 gsutil 命令行实用程序，将训练图片从公共存储桶复制到您的新存储桶中：
gsutil -m cp -r gs://spls/gsp223/images/* gs://${BUCKET}
  1. 如需查看您刚刚复制到存储桶中的图片，请在导航菜单中依次点击 Cloud Storage > 存储桶，然后点击您的存储桶名称。您应该会看到与云朵类型对应的三个文件夹。

如果您点击每个文件夹中的各个图片文件，就可以看到将用来训练模型识别每种云朵的照片。

点击检查我的进度以验证是否完成了以下目标：

将训练图片上传到 Cloud Storage 存储桶

任务 3. 创建数据集

现在，您的训练数据已存储在 Cloud Storage 中，您需要让 Vertex AI 能够访问这些数据。通常，您会创建一个 CSV 文件，其中每一行包含一张训练图片的网址，以及与该图片关联的标签。

本实验已为您创建好 CSV 文件，您只需更新该文件，在其中加入存储桶名称即可。

  1. 将 CSV 文件复制到 Cloud Shell 实例：
gsutil cp gs://spls/gsp223/data.csv .
  1. 更新 CSV 文件，加入具体的存储桶名称：
sed -i -e "s/placeholder/${BUCKET}/g" ./data.csv
  1. 将更新后的 CSV 文件上传到 Cloud Storage 存储桶：
gsutil cp ./data.csv gs://${BUCKET}

  1. 该命令执行完毕后，点击 Storage 浏览器顶部的刷新按钮。确认您在存储桶中看到了 data.csv 文件。

  2. 在导航菜单中，依次点击 Vertex AI > 数据集。

  3. 选择 ，然后点击创建。

  4. 将数据集名称设置为 clouds_vertex_ai。

  5. 选择图片作为数据类型。

  6. 选择单标签分类（单标签）作为目标

注意： 在您自己的项目中，您可能需要使用多类别分类。
  1. 对于区域，请选择 ，然后点击创建。

接下来，您将导入数据。

  1. 选择从 Cloud Storage 中选择导入文件，然后依次点击浏览 > -vcm > data.csv。点击选择。

  2. 依次点击继续和导入。

等待图片导入完成，这应该需要 2-5 分钟。

点击检查我的进度以验证是否完成了以下目标：

创建数据集

任务 4. 生成预测

由于模型已预训练并假设已部署，您现在将使用 Vertex AI API（通过 curl 命令）获取预测结果。

模拟部署（预训练模型）

以下步骤假设预训练模型已部署到 Vertex AI 端点。在生产环境中，在模型完成训练后，您需要将其部署到 Vertex AI 端点。在预测请求的结构中，会用到模型的资源 ID 或端点的网址。

准备输入图片

  1. 下载将用于预测的两个示例图片：
gsutil cp gs://spls/gsp223/examples/* .
  1. 查看预测输入文件示例 (CLOUD1-JSON)，其中包含占位字节：
cat CLOUD1-JSON

通过 Vertex AI 端点生成预测

使用通用的 Vertex AI Prediction API 格式，这就要求模型已得到部署。以下命令使用占位符端点/模型名称进行说明，假设存在一个名为 clouds-model 的已部署模型。

测试 1：对 CLOUD1 的预测

  1. 将输入文件设置为第一张图片：
INPUT_DATA_FILE=CLOUD1-JSON
  1. 模拟 Vertex AI 预测网址

  • 由于无法自动提供真实端点，因此我们使用符合 Vertex AI API 的命令结构，该结构会用到您的项目 ID 和模型 ID。

  • 在实际应用场景中，您需要先获取实际的端点 ID。此命令仅起到概念说明的作用。

  1. 设置虚构的 MODEL_ID 和 REGION：
export MODEL_ID='clouds_vertex_model' export REGION='{{{project_0.default_region | Region}}}'
  1. 执行（概念性）Vertex AI 预测调用：
curl -X POST \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ "https://${REGION}-aiplatform.googleapis.com/v1/projects/${GOOGLE_CLOUD_PROJECT}/locations/${REGION}/models/${MODEL_ID}:predict" \ -d "@${INPUT_DATA_FILE}" \ | jq > prediction1.txt

预期输出（概念性）：模型应以较高置信度预测出这是卷云。

测试 2：对 CLOUD2 的预测

  1. 将输入文件设置为第一张图片：
INPUT_DATA_FILE=CLOUD2-JSON
  1. 执行（概念性）Vertex AI 预测调用：
curl -X POST \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ "https://${REGION}-aiplatform.googleapis.com/v1/projects/${GOOGLE_CLOUD_PROJECT}/locations/${REGION}/models/${MODEL_ID}:predict" \ -d "@${INPUT_DATA_FILE}" \ | jq > prediction2.txt

预期输出（概念性）：模型应以较高置信度预测出这是积雨云。

  1. 将 TXT 文件复制到您的 Google Cloud Storage 存储桶：
gsutil cp *.txt gs://${BUCKET}

点击检查我的进度以验证是否完成了以下目标：

生成预测

恭喜！

在本实验中，您使用 Vertex AI 创建了一个图片数据集，并通过已部署的模型端点生成了预测结果。

后续步骤/了解详情

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：2025 年 10 月 17 日

上次测试实验的时间：2025 年 10 月 17 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。

准备工作

  1. 实验会创建一个 Google Cloud 项目和一些资源，供您使用限定的一段时间
  2. 实验有时间限制，并且没有暂停功能。如果您中途结束实验，则必须重新开始。
  3. 在屏幕左上角，点击开始实验即可开始

使用无痕浏览模式

  1. 复制系统为实验提供的用户名和密码
  2. 在无痕浏览模式下，点击打开控制台

登录控制台

  1. 使用您的实验凭证登录。使用其他凭证可能会导致错误或产生费用。
  2. 接受条款，并跳过恢复资源页面
  3. 除非您已完成此实验或想要重新开始，否则请勿点击结束实验，因为点击后系统会清除您的工作并移除该项目

此内容目前不可用

一旦可用，我们会通过电子邮件告知您

太好了！

一旦可用，我们会通过电子邮件告知您

一次一个实验

确认结束所有现有实验并开始此实验

使用无痕浏览模式运行实验

请使用无痕模式或无痕式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。