Ce qui a été fait

Qu'est-ce que tu fais

Créez un modèle
Déployez le modèle sur GCP
Prédiction sur GCP

«L'âge» et le «sexe» du Titanic sont utilisés comme données d'apprentissage.
Nous créons un modèle de classification à deux classes pour voir si vous pouvez survivre avec XGBoost.
Déployez et prédisez le modèle sur la plate-forme AI de GCP.

GoogleColab J'en ai fait un cahier, alors si

Information et confirmation de fonctionnement à partir du 16/02/2020.

https://colab.research.google.com/drive/1s6_o-nvMmHhAeBAOoRDgE0UNU6Fe3XrC

procédure

Il a presque le même contenu que le notebook. Si vous rencontrez des difficultés pour ouvrir Colab, cliquez ici.

Enregistrement du compte GCP

[Explication avec image] Enregistrez un compte avec un essai gratuit de Google Cloud Platform (GCP)

Installez le SDK Google Cloud

Installation du SDK Google Cloud ~ Initialisation

Certification SDK

Authentifiez-vous avec votre compte Google pour jouer avec GCP à l'aide de la commande gcloud.

$ gcloud auth login

Création de projet

ID est interdit de brouillard.

$ PROJECT_ID=anata-no-pj-id
$ PROJECT_NAME=anata-no-pj-name

$ gcloud projects create $PROJECT_ID \
--name $PROJECT_NAME

Paramètres du compte de facturation

Si vous ne le définissez pas, une erreur 403 se produira lors de l'accès au compartiment.

Si la fenêtre contextuelle suivante n'apparaît pas, vous pouvez sauter car le compte de facturation a déjà été défini.

Activer le projet

Défini sur le projet cible de l'opération de commande.

$ gcloud config set project $PROJECT_ID

Vérification

! gcloud config list

# [component_manager]
# disable_update_check = True
# [compute]
# gce_metadata_read_timeout_sec = 0
# [core]
# account = [email protected]
# project = anata-no-pj-id
# 
# Your active configuration is: [default]

project = anata-no-project-id

Si ça va

Définir la région, la zone, l'interprète

REGION=us-central1
ZONE=us-central1-a

$ gcloud config set compute/region $REGION
$ gcloud config set compute/zone $ZONE
$ gcloud config set ml_engine/local_python $(which python3)

Les régions où la prédiction en ligne d'AI Platform peut être utilisée sont les suivantes:

us-central1
us-east1
us-east4
asia-northeast1
europe-west1

L'interpréteur est spécifié pour utiliser le système python3 pour l'entraînement local.

Vérification

$ gcloud config list

# [component_manager]
# disable_update_check = True
# [compute]
# gce_metadata_read_timeout_sec = 0
# region = us-central1
# zone = us-central1-a
# [core]
# account = [email protected]
# project = anata-no-pj-id
# [ml_engine]
# local_python = /usr/bin/python3
# 
# Your active configuration is: [default]

region = us-central1
zone = us-central1-a
local_python = /usr/bin/python3

Si ça va

Cloner un ensemble de code d'entraînement

https://github.com/komiyakomiyakomiya/titanic_prediction_on_gcp

$ git clone https://github.com/komiyakomiyakomiya/titanic_prediction_on_gcp.git

Créer un répertoire pour enregistrer le modèle

`notebook`


import os

os.makedirs('./titanic_prediction_on_gcp/working/models/', exist_ok=True)

Former et enregistrer le modèle localement

Le modèle entraîné est enregistré sous . / Titanic_prediction_on_gcp / working / models / model.pkl.

$ gcloud ai-platform local train \
--package-path titanic_prediction_on_gcp/working/ \
--module-name working.predict_xgb

Créer un bucket

Créez un bucket dans GCS pour télécharger le modèle enregistré.

Si le compte de facturation n'est pas défini, une erreur 403 se produit.

BUCKET_NAME=anata-no-bkt-name

$ gsutil mb -l $REGION gs://$BUCKET_NAME

Vérification

$ gsutil ls -la

# gs://anata-no-bkt-name/

Téléchargez le modèle enregistré dans GCS

$ gsutil cp ./titanic_prediction_on_gcp/working/models/model.pkl gs://$BUCKET_NAME/models/model.pkl

Vérification

$ gsutil ls gs://$BUCKET_NAME/models/

# gs://anata-no-bkt-name/models/model.pkl

Activer l'API

Activez les deux suivants pour utiliser l'API AI-Platform.

ml.googleapis.com
compute.googleapis.com

$ gcloud services enable ml.googleapis.com
$ gcloud services enable compute.googleapis.com

Vérification

$ gcloud services list --enabled

# NAME                              TITLE
# bigquery.googleapis.com           BigQuery API
# bigquerystorage.googleapis.com    BigQuery Storage API
# cloudapis.googleapis.com          Google Cloud APIs
# clouddebugger.googleapis.com      Stackdriver Debugger API
# cloudtrace.googleapis.com         Stackdriver Trace API
# compute.googleapis.com            Compute Engine API
# datastore.googleapis.com          Cloud Datastore API
# logging.googleapis.com            Stackdriver Logging API
# ml.googleapis.com                 AI Platform Training & Prediction API
# monitoring.googleapis.com         Stackdriver Monitoring API
# oslogin.googleapis.com            Cloud OS Login API
# servicemanagement.googleapis.com  Service Management API
# serviceusage.googleapis.com       Service Usage API
# sql-component.googleapis.com      Cloud SQL
# storage-api.googleapis.com        Google Cloud Storage JSON API
# storage-component.googleapis.com  Cloud Storage

compute.googleapis.com Compute Engine API
ml.googleapis.com AI Platform Training & Prediction API

OK s'il y a

Créer une ressource de modèle / ressource de version

Créez une ressource de modèle et une ressource de version, et associez-les au model.pkl téléchargé.

Ressource de modèle

MODEL_NAME=model_xgb
MODEL_VERSION=v1

$ gcloud ai-platform models create $MODEL_NAME \
--regions $REGION

Ressource de version

! gcloud ai-platform versions create $MODEL_VERSION \
--model $MODEL_NAME \
--origin gs://$BUCKET_NAME/models/ \
--runtime-version 1.14 \
--framework xgboost \
--python-version 3.5

Confirmation des données d'entrée

Faisons une prédiction en utilisant les données préparées à l'avance. Tout d'abord, vérifiez le contenu.

! cat titanic_prediction_on_gcp/input/titanic/predict.json

# [36.0, 0] <-36 ans,Masculin

Sous la forme [âge, sexe], le sexe est masculin: 0, féminin: 1.

Prédite par AI-Platform

! gcloud ai-platform predict \
--model model_xgb \
--version $MODEL_VERSION \
--json-instances titanic_prediction_on_gcp/input/titanic/predict.json

[0.44441232085227966] C'est OK si une telle valeur prédite est renvoyée.

Créer un compte de service

Ensuite, accédez à AI-Platform à partir de python et obtenez la prédiction. Vous aurez besoin d'une clé de compte de service, alors créez d'abord un compte de service.

SA_NAME=anata-no-sa-name
SA_DISPLAY_NAME=anata-no-sa-display-name

$ gcloud iam service-accounts create $SA_NAME \
--display-name $SA_DISPLAY_NAME \

Accorder des autorisations au compte de service

$ gcloud projects add-iam-policy-binding $PROJECT_ID \
--member serviceAccount:[email protected] \
--role roles/iam.serviceAccountKeyAdmin

$ gcloud projects add-iam-policy-binding $PROJECT_ID \
--member serviceAccount:[email protected] \
--role roles/ml.admin

Génération de clé de compte de service

$ gcloud iam service-accounts keys create titanic_prediction_on_gcp/service_account_keys/key.json \
--iam-account [email protected]

Lisez le chemin de key.json en tant que variable d'environnement

Générer un fichier .env et décrire les variables d'environnement et le chemin

$ echo GOOGLE_APPLICATION_CREDENTIALS=/content/titanic_prediction_on_gcp/service_account_keys/key.json > /content/titanic_prediction_on_gcp/.env

Vérification

$ cat ./titanic_prediction_on_gcp/.env

# GOOGLE_APPLICATION_CREDENTIALS=/content/titanic_prediction_on_gcp/service_account_keys/key.json

## Installez python-dotenv Je ne suis pas à Colab

$ pip install python-dotenv

Définir une fonction pour obtenir la prédiction

`notebook`


import googleapiclient.discovery
from dotenv import load_dotenv

#Paramètres des variables d'environnement
load_dotenv('/content/titanic_prediction_on_gcp/.env')


def main(input_data):
    input_data = [input_data]

    PROJECT_ID = 'anata-no-pj-id'
    VERSION_NAME = 'v1'
    MODEL_NAME = 'model_xgb'

    service = googleapiclient.discovery.build('ml', 'v1')
    name = 'projects/{}/models/{}'.format(PROJECT_ID, MODEL_NAME)
    name += '/versions/{}'.format(VERSION_NAME)

    response = service.projects().predict(
        name=name,
        body={'instances': input_data}
    ).execute()

    if 'error' in response:
        print(response['error'])
    else:
        pred = response['predictions'][0]

    return pred

Créez un menu déroulant pour l'âge et le sexe

`notebook`


import ipywidgets as widgets
from ipywidgets import HBox, VBox


age = [i for i in range(101)]
sex = ['Masculin', 'Femme']

dropdown_age = widgets.Dropdown(options=age, description='âge: ')
dropdown_sex = widgets.Dropdown(options=sex, description='sexe: ')
variables = VBox(children=[dropdown_age, dropdown_sex])

VBox(children=[variables])

Prévoir

`notebook`


import numpy as np
from IPython.display import Image
from IPython.display import display_png


input_age = float(dropdown_age.value)
input_sex = 0 if dropdown_sex.value == 'Masculin' else 1
test_input = [input_age, input_sex]

pred = main(test_input)
# print(pred)
pred_binary = np.where(pred > 0.5, 1, 0)
# print(pred_binary)

print('\n Lorsque vous roulez sur le Titanic...')

if pred_binary == 1:
    display_png(Image('/content/titanic_prediction_on_gcp/images/alive.png'))
else:
    display_png(Image('/content/titanic_prediction_on_gcp/images/dead.png'))

Référence officielle

https://cloud.google.com/sdk/gcloud/reference/

https://cloud.google.com/sdk/gcloud/reference/ai-platform/

https://cloud.google.com/storage/docs/gsutil

Résumé

Merci d'avoir lu jusqu'au bout. En tant qu'oncle de 36 ans, je suis sur le point de mourir, alors je ferai très attention lorsque je conduirai le Titanic.

Si vous montez sur le Titanic ... vous mourez.

Ce qui a été fait

Qu'est-ce que tu fais

procédure

Enregistrement du compte GCP

Installez le SDK Google Cloud

Certification SDK

Création de projet

Paramètres du compte de facturation

Activer le projet

Vérification

Définir la région, la zone, l'interprète

Vérification

Cloner un ensemble de code d'entraînement

Créer un répertoire pour enregistrer le modèle

notebook

Former et enregistrer le modèle localement

Créer un bucket

Vérification

Téléchargez le modèle enregistré dans GCS

Vérification

Activer l'API

Vérification

Créer une ressource de modèle / ressource de version

Confirmation des données d'entrée

Prédite par AI-Platform

Créer un compte de service

Accorder des autorisations au compte de service

Génération de clé de compte de service

Lisez le chemin de key.json en tant que variable d'environnement

Vérification

Définir une fonction pour obtenir la prédiction

notebook

Créez un menu déroulant pour l'âge et le sexe

notebook

Prévoir

notebook

Référence officielle

Résumé

`notebook`

`notebook`

`notebook`

`notebook`