GSP223

總覽

Agent Platform 是 Google Cloud 的統合式機器學習平台，Agent Platform 的 AutoML 功能可簡化程序，不需具備深厚的機器學習專業知識，就能訓練出高品質的自訂圖像辨識模型。訓練完成後，模型會部署至代管端點，以便透過簡單易用的 API 即時預測。

在本實驗室中，您會將雲層圖像上傳至 Cloud Storage、以這些圖像建立 Agent Platform 資料集，並在 Agent Platform 端點上模擬使用預先訓練的模型生成預測結果。

目標

在本實驗室中，您會執行下列工作：

• 設定 Agent Platform 環境和 Cloud Storage bucket。
• 將加上標籤的資料集上傳至 Cloud Storage。
• 建立並檢查 Agent Platform 資料集。
• 針對 Agent Platform 端點生成預測結果。

設定和需求

瞭解以下事項後，再點選「Start Lab」按鈕

請詳閱以下操作說明。實驗室活動會計時，且中途無法暫停。點選「Start Lab」後就會開始計時，顯示可使用 Google Cloud 資源的時間。

您將在真正的雲端環境完成實作實驗室活動，而不是模擬或示範環境。為此，我們會提供新的暫時憑證，供您在實驗室活動期間登入及存取 Google Cloud。

為了順利完成這個實驗室，請先確認：

• 可以使用標準的網際網路瀏覽器 (Chrome 瀏覽器為佳)。

注意事項：請使用無痕模式 (建議選項) 或私密瀏覽視窗執行此實驗室，這可以防止個人帳戶和學員帳戶之間的衝突，避免個人帳戶產生額外費用。

• 是時候完成實驗室活動了！別忘了，活動一旦開始將無法暫停。

注意事項：務必使用實驗室專用的學員帳戶。如果使用其他 Google Cloud 帳戶，可能會產生額外費用。

如何開始研究室及登入 Google Cloud 控制台

1. 點選「Start Lab」按鈕。如果實驗室會產生費用，畫面上會出現選擇付款方式的對話方塊。左側的「Lab Details」窗格會顯示下列項目：

   • 「Open Google Cloud console」按鈕
   • 剩餘時間
   • 必須在這個研究室中使用的臨時憑證
   • 完成這個實驗室所需的其他資訊 (如有)

2. 點選「Open Google Cloud console」；如果使用 Chrome 瀏覽器，也能按一下滑鼠右鍵，選取「在無痕視窗中開啟連結」。

   接著，實驗室會啟動相關資源，並開啟另一個分頁，顯示「登入」頁面。

   提示：您可以在不同的視窗中並排開啟分頁。

   注意：如果頁面中顯示「選擇帳戶」對話方塊，請點選「使用其他帳戶」。

3. 如有必要，請將下方的 Username 貼到「登入」對話方塊。

   {{{user_0.username | "Username"}}}

   您也可以在「Lab Details」窗格找到 Username。

4. 點選「下一步」。

5. 複製下方的 Password，並貼到「歡迎使用」對話方塊。

   {{{user_0.password | "Password"}}}

   您也可以在「Lab Details」窗格找到 Password。

6. 點選「下一步」。

   重要事項：請務必使用實驗室提供的憑證，而非自己的 Google Cloud 帳戶憑證。 注意：如果使用自己的 Google Cloud 帳戶來進行這個實驗室，可能會產生額外費用。

7. 按過後續的所有頁面：

   • 接受條款及細則。
   • 由於這是臨時帳戶，請勿新增救援選項或雙重驗證機制。
   • 請勿申請免費試用。

Google Cloud 控制台稍後會在這個分頁開啟。

注意：如要使用 Google Cloud 產品和服務，請點選「導覽選單」，或在「搜尋」欄位輸入服務或產品名稱。

啟動 Cloud Shell

Cloud Shell 是搭載多項開發工具的虛擬機器，提供永久的 5 GB 主目錄，而且在 Google Cloud 中運作。Cloud Shell 提供指令列存取權，方便您使用 Google Cloud 資源。

1. 點按 Google Cloud 控制台頂端的「啟用 Cloud Shell」圖示 。

2. 系統顯示視窗時，請按照下列步驟操作：

   • 繼續操作 Cloud Shell 視窗。
   • 授權 Cloud Shell 使用您的憑證發出 Google Cloud API 呼叫。

連線建立完成即代表已通過驗證，而且專案已設為您的 Project_ID：。輸出內容中有一行文字，宣告本工作階段的 Project_ID：

Your Cloud Platform project in this session is set to {{{project_0.project_id | "PROJECT_ID"}}}

gcloud 是 Google Cloud 的指令列工具，已預先安裝於 Cloud Shell，並支援 Tab 鍵自動完成功能。

3. (選用) 您可以執行下列指令來列出使用中的帳戶：

gcloud auth list

4. 點按「授權」。

輸出內容：

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`

5. (選用) 您可以使用下列指令來列出專案 ID：

gcloud config list project

輸出內容：

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} 注意：如需 gcloud 的完整說明，請前往 Google Cloud 參閱 gcloud CLI 總覽指南。

工作 1：設定 Agent Platform 環境

您將啟用必要的 API、存取 Agent Platform 控制台，並準備儲存空間 bucket。

確認已啟用 Agent Platform

管理資料集、訓練及部署模型時，需要使用 Agent Platform API。

1. 前往 Google Cloud 控制台，依序點選「導覽選單」圖示 >「API 和服務」>「程式庫」。

2. 在「搜尋 API 和服務」欄位中輸入 Agent Platform API，然後點選搜尋結果中的「Agent Platform API」。

3. 確認 Agent Platform API 處於啟用狀態。如果沒有，請點選「啟用」。

開啟 Agent Platform 資訊主頁

• 依序點選「導覽選單」圖示 >「Agent Platform」。

建立儲存空間 bucket

儲存空間 bucket 會存放訓練圖像和資訊清單檔案。Agent Platform 必須支援該區域。

• 在 Cloud Shell 執行下列指令，建立儲存空間 bucket -vcm：

gsutil mb -p $GOOGLE_CLOUD_PROJECT \ -c standard \ -l {{{project_0.default_region | Region}}} \ gs://$GOOGLE_CLOUD_PROJECT-vcm/

點選「Check my progress」確認目標已達成。

建立 Cloud Storage bucket

工作 2：將訓練圖像上傳至 Cloud Storage

為了訓練模型分類雲層圖像，您需要使用加上標籤的訓練資料，讓模型瞭解不同類型雲層圖像的特徵。在這個範例中，模型會學習分類三種不同類型的雲：卷雲、積雲和積雨雲。

請按照下列步驟操作，將訓練圖像放入 Cloud Storage bucket：

1. 在 Cloud Shell 執行下列指令，建立環境變數並以您的 bucket 名稱來命名：

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Cloud Storage bucket 中的訓練圖像屬於公開資源。

2. 使用 Cloud Storage 的 gsutil 指令列公用程式，將訓練圖像從公開 bucket 複製到新的 bucket：

gsutil -m cp -r gs://spls/gsp223/images/* gs://${BUCKET}

3. 在「導覽選單」中依序點選「Cloud Storage」>「Bucket」，然後按一下 bucket 名稱，查看剛複製到 bucket 的圖像。您會看到三個資料夾，分別對應不同的雲層類型。

點選每個資料夾裡的圖片檔，就能看到用於訓練模型來分類雲層的照片。

點選「Check my progress」確認目標已達成。

將訓練圖像上傳至 Cloud Storage Bucket

工作 3：建立資料集

現在訓練資料已放入 Cloud Storage，接下來需要讓 Agent Platform 能存取這些資料。一般情況下，您需要自行建立 CSV 檔案，當中每一列都包含訓練圖像的網址及該圖像的相關標籤。

由於本實驗室已預先建立 CSV 檔案，您只需要將該檔案更新成自己的 bucket 名稱。

1. 將 CSV 檔案複製到 Cloud Shell 執行個體：

gsutil cp gs://spls/gsp223/data.csv .

2. 將 CSV 檔案更新為您的 bucket 名稱：

sed -i -e "s/placeholder/${BUCKET}/g" ./data.csv

3. 將更新後的 CSV 檔案上傳至 Cloud Storage bucket：

gsutil cp ./data.csv gs://${BUCKET}

4. 指令執行完畢後，請點選 Storage 瀏覽器頂端的「重新整理」按鈕。確認 bucket 中列有 data.csv 檔案。

5. 在「導覽選單」中，依序點選「Agent Platform」>「資料集」。

6. 選取「」，然後點選「建立」。

7. 將「資料集名稱」設為 clouds_vertex_ai。

8. 選取「圖像」做為資料類型。

9. 選取「單一標籤分類」做為目標

注意： 在您自己的專案中，建議使用多元分類。

10. 選取區域「」，然後點選「建立」。

現在要匯入資料。

11. 選擇「從 Cloud Storage 選取匯入檔案」，然後點選「瀏覽」>「-vcm」>「data.csv」，接著按一下「選取」。

12. 依序點選「繼續」>「匯入」。

等待圖像匯入完成，這項作業大約需要 2 到 5 分鐘。

點選「Check my progress」確認目標已達成。

建立資料集

工作 4：生成預測

由於模型已預先訓練且假設已完成部署，您現在將透過 curl 指令，使用 Agent Platform API 取得預測結果。

模擬部署預先訓練的模型

後續步驟假設預先訓練的模型已部署至 Agent Platform 端點。在正式環境中，模型訓練完成後會部署至 Agent Platform 端點。此預測要求結構會使用模型的資源 ID 或端點網址。

準備輸入圖像

1. 下載用於預測的兩個範例圖像：

gsutil cp gs://spls/gsp223/examples/* .

2. 查看預測用的輸入檔案範例 CLOUD1-JSON，其中包含預留位置位元組：

cat CLOUD1-JSON

針對 Agent Platform 端點生成預測結果

使用一般 Agent Platform Prediction API 格式，這需要部署模型。下列指令會使用預留位置端點/模型名稱來說明，並假設已部署 clouds-model 模型。

測試 1：對 CLOUD1 進行預測

1. 將輸入檔案設為第一張圖像：

INPUT_DATA_FILE=CLOUD1-JSON

2. 模擬 Agent Platform 預測網址

• 系統無法自動提供即時端點，因此我們使用反映 Agent Platform API 的指令結構，其中會用到您的專案 ID 和模型 ID。

• 在實際情境中，您會先取得實際的端點 ID。這項指令為示意性質。

3. 設定虛擬 MODEL_ID 和 REGION：

export MODEL_ID='clouds_vertex_model' export REGION='{{{project_0.default_region | Region}}}'

4. 執行模擬的 Agent Platform 預測呼叫：

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

預期輸出內容 (示意)：模型應預測這是卷雲，且可信度高。

測試 2：對 CLOUD2 進行預測

1. 將輸入檔案設為第二張圖像：

INPUT_DATA_FILE=CLOUD2-JSON

2. 執行模擬的 Agent Platform 預測呼叫：

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

預期輸出內容 (示意)：模型應預測這是積雨雲，且可信度高。

3. 將 txt 檔案複製到 Google Cloud Storage bucket：

gsutil cp *.txt gs://${BUCKET}

點選「Check my progress」確認目標已達成。

生成預測

恭喜！

在本實驗室中，您成功使用 Agent Platform 建立圖像資料集，並針對已部署的模型端點生成預測結果。

後續步驟/瞭解詳情

• 瞭解如何使用 API 執行每個步驟，請參閱 Agent Platform 簡介

Google Cloud 教育訓練與認證

協助您瞭解如何充分運用 Google Cloud 的技術。我們的課程會介紹專業技能和最佳做法，讓您可以快速掌握要領並持續進修。我們提供從基本到進階等級的訓練課程，並有隨選、線上和虛擬課程等選項，方便您抽空參加。認證可協助您驗證及證明自己在 Google Cloud 技術方面的技能和專業知識。

使用手冊上次更新日期：2025 年 10 月 17 日

實驗室上次測試日期：2025 年 10 月 17 日

Copyright 2026 Google LLC 保留所有權利。Google 和 Google 標誌是 Google LLC 的商標，其他公司和產品名稱則有可能是其關聯公司的商標。