১. ভূমিকা

এই কোডল্যাবে আপনি AI-পরিচালিত ডায়েট প্ল্যানার এজেন্ট তৈরি ও ডিপ্লয় করার ব্যাপারে জানবেন। UI-এর জন্য Streamlit, LLM মডেলের জন্য Gemini Pro 2.5, Agentic AI ডেভেলপ করার জন্য Vertex AI ব্যবহার করে Agentic AI ইঞ্জিন অর্কেস্ট্রেটর, ডেটা স্টোর করার জন্য BigQuery এবং ডিপ্লয়মেন্টের জন্য Cloud Run ব্যবহার করা হয়।
কোডল্যাবের মাধ্যমে, আপনি নিম্নলিখিত ধাপগুলি অনুসরণ করে কাজ করবেন:
- আপনার Google Cloud প্রোজেক্ট প্রস্তুত করুন এবং এতে প্রয়োজনীয় সব API চালু করুন
- streamlit, Vertex AI ও BigQuery ব্যবহার করে এজেন্টিক AI ডায়েট প্ল্যানার তৈরি করা
- Cloud Run-এ অ্যাপ্লিকেশন ডিপ্লয় করা
আর্কিটেকচার ওভারভিউ

পূর্বশর্ত
- বিলিং চালু করা আছে এমন Google Cloud Platform (GCP) প্রোজেক্ট।
- Python-এর প্রাথমিক জ্ঞান
আপনি কী শিখবেন
- কীভাবে streamlit, Vertex AI ব্যবহার করে এজেন্টিক AI ডায়েট প্ল্যানার তৈরি করতে হয় এবং BigQuery-তে ডেটা স্টোর করতে হয়
- Cloud Run-এ কীভাবে অ্যাপ্লিকেশন ডিপ্লয় করতে হয়
আপনার কী কী প্রয়োজন
- Chrome ওয়েব ব্রাউজার
- একটি Gmail অ্যাকাউন্ট
- বিলিং চালু করা আছে এমন একটি ক্লাউড প্রোজেক্ট
২. প্রাথমিক সেট-আপ ও প্রয়োজনীয়তা
নিজের সময় ও সুবিধামতো এনভায়রনমেন্ট সেট-আপ করা
- Google Cloud Console-এ সাইন-ইন করুন এবং নতুন প্রোজেক্ট তৈরি করুন অথবা আগে থেকে থাকা প্রোজেক্ট আবার ব্যবহার করুন। আপনার আগে থেকে কোনও Gmail বা Google Workspace অ্যাকাউন্ট না থাকলে, আপনাকে অবশ্যই একটি তৈরি করতে হবে।



- প্রোজেক্টের নাম হল এই প্রোজেক্টের অংশগ্রহণকারীদের জন্য ডিসপ্লে নাম। এটি হল এমন একটি অক্ষর স্ট্রিং যা Google API ব্যবহার করে না। আপনি যেকোনও সময় এটি আপডেট করতে পারবেন।
- সব Google Cloud প্রোজেক্ট জুড়ে প্রোজেক্ট আইডি অনন্য এবং এটি অপরিবর্তনীয় (সেট করার পরে এটি পরিবর্তন করা যায় না)। Cloud Console একটি অনন্য স্ট্রিং অটোমেটিক জেনারেট করে; সাধারণত এটি কী তা নিয়ে আপনার চিন্তা করার প্রয়োজন নেই। বেশিরভাগ কোডল্যাবে, আপনাকে নিজের প্রোজেক্ট আইডি (সাধারণত
PROJECT_IDহিসেবে চিহ্নিত) রেফারেন্স করতে হবে। জেনারেট করা আইডি পছন্দ না হলে, আপনি অন্য একটি র্যান্ডম আইডি জেনারেট করতে পারেন। অথবা, আপনি নিজের পছন্দের নাম ব্যবহার করে দেখতে পারেন যে সেটি উপলভ্য আছে কিনা। এই ধাপের পরে এটি পরিবর্তন করা যাবে না এবং প্রোজেক্ট চলাকালীন এটি একই থাকবে। - আপনার তথ্যের জন্য, একটি থার্ড ভ্যালু, একটি প্রোজেক্ট নম্বর আছে, যা কিছু API ব্যবহার করে। এই তিনটি ভ্যালু সম্পর্কে ডকুমেন্টেশন থেকে আরও জানুন।
- এরপরে, Cloud রিসোর্স/API ব্যবহার করতে Cloud Console-এ আপনাকে বিলিং চালু করতে হবে। এই কোডল্যাব সম্পূর্ণ করতে খুব বেশি খরচ হবে না, যদি আদৌ কিছু খরচ হয়। এই টিউটোরিয়ালের পরে বিলিং এড়াতে রিসোর্স বন্ধ করতে, আপনার তৈরি করা রিসোর্স বা প্রোজেক্ট মুছে দিতে পারেন। নতুন Google Cloud ব্যবহারকারীরা $৩০০ USD ফ্রি ট্রায়াল প্রোগ্রামের জন্য উপযুক্ত।
৩. শুরু করার আগে
Cloud Shell এডিটরে Cloud প্রোজেক্ট সেট-আপ করুন
এই কোডল্যাবে ধরে নেওয়া হয়েছে যে আপনার কাছে আগে থেকেই বিলিং চালু করা Google Cloud প্রোজেক্ট আছে। আপনার কাছে এটি না থাকলে, শুরু করতে নিচে দেওয়া নির্দেশাবলী অনুসরণ করতে পারেন।
- Google Cloud Console-এ, প্রোজেক্ট বাছাইকারী পৃষ্ঠায়, Google Cloud প্রোজেক্ট বেছে নিন বা তৈরি করুন।
- আপনার Cloud প্রোজেক্টের জন্য বিলিং চালু করা আছে কিনা তা ভাল করে দেখে নিন। কীভাবে কোনও প্রোজেক্টে বিলিং চালু আছে কিনা তা চেক করতে হয় তা জানুন।
- আপনি Cloud Shell ব্যবহার করবেন, এটি হল Google Cloud-এ রান করা একটি কমান্ড-লাইন এনভায়রনমেন্ট যা bq-এর সাথে প্রি-লোডেড থাকে। Google Cloud Console-এর সবচেয়ে উপরে 'Cloud Shell অ্যাক্টিভেট করুন' বিকল্পে ক্লিক করুন।

- Cloud Shell-এ কানেক্ট করার পরে, আপনি চেক করে দেখুন যে আপনি আগে থেকেই যাচাইকৃত এবং নিম্নলিখিত কমান্ড ব্যবহার করে প্রোজেক্টটি আপনার প্রোজেক্ট আইডিতে সেট করা আছে:
gcloud auth list
- gcloud কমান্ড আপনার প্রোজেক্ট সম্পর্কে জানে কিনা তা কনফার্ম করতে Cloud Shell-এ নিম্নলিখিত কমান্ডটি রান করুন।
gcloud config list project
- আপনার প্রোজেক্ট সেট করা না থাকলে, এটি সেট করতে নিম্নলিখিত কমান্ড ব্যবহার করুন:
gcloud config set project <YOUR_PROJECT_ID>
এছাড়াও, আপনি PROJECT_ID কনসোলে আইডি দেখতে পারেন

এটিতে ক্লিক করলে, ডানদিকে আপনার সব প্রোজেক্ট ও প্রোজেক্ট আইডি দেখতে পাবেন

- নিচে দেখানো কমান্ডের মাধ্যমে প্রয়োজনীয় API চালু করুন। এতে কয়েক মিনিট সময় লাগতে পারে, তাই ধৈর্য্য ধরে অপেক্ষা করুন।
gcloud services enable aiplatform.googleapis.com \
run.googleapis.com \
cloudbuild.googleapis.com \
cloudresourcemanager.googleapis.com \
bigquery.googleapis.com
কমান্ড সঠিকভাবে এক্সিকিউট করা হলে, নিচে দেখানো মেসেজের মতো একটি মেসেজ দেখতে পাবেন:
Operation "operations/..." finished successfully.
gcloud কমান্ডের বিকল্প হল কনসোলের মাধ্যমে প্রতিটি প্রোডাক্ট সার্চ করা বা এই লিঙ্ক ব্যবহার করা।
কোনও API বাদ পড়ে গেলে, আপনি সেটি প্রয়োগ করার সময় যেকোনও সময় চালু করতে পারবেন।
gcloud কমান্ড ও ব্যবহার সম্পর্কে জানতে ডকুমেন্টেশন দেখুন।
অ্যাপ্লিকেশন ওয়ার্কিং ডিরেক্টরি সেট-আপ করা
- 'এডিটর খুলুন' বোতামে ক্লিক করুন, এটি একটি Cloud Shell এডিটর খুলবে, আমরা এখানে আমাদের কোড লিখতে পারি

- নিশ্চিত করুন যে Cloud Shell এডিটরের নিচে বাঁদিকের কোণে (স্ট্যাটাস বার) Cloud Code প্রোজেক্ট সেট করা আছে, যেমনটি নিচের ছবিতে হাইলাইট করা হয়েছে এবং এটি অ্যাক্টিভ Google Cloud প্রোজেক্টে সেট করা আছে যেখানে আপনার বিলিং চালু আছে। প্রম্পট করা হলে অনুমোদন করুন। Cloud Shell এডিটর চালু করার পরে Cloud Code - সাইন-ইন করুন বোতামটি দেখতে পেতে কিছুটা সময় লাগতে পারে, ধৈর্য্য ধরুন।

এরপরে, আমরা পাইথন এনভায়রনমেন্ট প্রস্তুত করব
এনভায়রনমেন্ট সেট-আপ
Python ভার্চুয়াল এনভায়রনমেন্ট প্রস্তুত করা
পরবর্তী ধাপ হল ডেভেলপমেন্ট এনভায়রনমেন্ট প্রস্তুত করা। এই কোডল্যাবে আমরা Python 3.12 ব্যবহার করব এবং Python ভার্সন ও ভার্চুয়াল এনভায়রনমেন্ট তৈরি ও ম্যানেজ করার প্রয়োজনীয়তা সহজ করতে python virtualenv ব্যবহার করব
- আপনি এখনও টার্মিনাল না খুলে থাকলে, টার্মিনাল -> নতুন টার্মিনাল বিকল্পে ক্লিক করে এটি খুলুন অথবা Ctrl + Shift + C ব্যবহার করুন

- নিম্নলিখিত কমান্ড চালিয়ে নতুন ফোল্ডার তৈরি করুন এবং লোকেশন পরিবর্তন করে এই ফোল্ডারে নিয়ে যান
mkdir agent_diet_planner
cd agent_diet_planner
- নিম্নলিখিত কমান্ড রান করে নতুন virtualenv তৈরি করুন
python -m venv .env
- নিম্নলিখিত কমান্ডের মাধ্যমে virtualenv অ্যাক্টিভেট করুন
source .env/bin/activate
requirements.txtতৈরি করুন। 'ফাইল → নতুন টেক্সট ফাইল' বিকল্পে ক্লিক করুন এবং নিচে দেওয়া কন্টেন্ট দিয়ে পূরণ করুন। তারপরে, এটিrequirements.txt
streamlit==1.33.0
google-cloud-aiplatform
google-cloud-bigquery
pandas==2.2.2
db-dtypes==1.2.0
pyarrow==16.1.0
- তারপরে, নিম্নলিখিত কমান্ড রান করে requirements.txt থেকে সমস্ত ডিপেন্ডেন্সি ইনস্টল করুন
pip install -r requirements.txt
- সব Python লাইব্রেরি ডিপেন্ডেন্সি ইনস্টল করা আছে কিনা তা চেক করতে নিচে দেওয়া কমান্ড টাইপ করুন
pip list
কনফিগারেশন ফাইল সেট-আপ করা
এখন এই প্রোজেক্টের জন্য আমাদের কনফিগারেশন ফাইল সেট-আপ করতে হবে। ভেরিয়েবল ও পরিষেবা অ্যাকাউন্টের ক্রেডেনশিয়াল সেভ করতে কনফিগারেশন ফাইল ব্যবহার করা হয়।
- প্রথম ধাপ হল একটি পরিষেবা অ্যাকাউন্ট তৈরি করা। সার্চে পরিষেবা অ্যাকাউন্ট টাইপ করে পরিষেবা অ্যাকাউন্টে ক্লিক করুন।

- + পরিষেবা অ্যাকাউন্ট তৈরি করুন বিকল্পে ক্লিক করুন। পরিষেবা অ্যাকাউন্টের নাম লিখে 'তৈরি করুন ও চালিয়ে যান' বিকল্পে ক্লিক করুন।

- অনুমতি থেকে, 'ভূমিকা বেছে নিন' 'পরিষেবা অ্যাকাউন্ট ব্যবহারকারী' বিকল্প বেছে নিন। + আরেকটি ভূমিকা যোগ করুন বিকল্পে ক্লিক করে IAM ভূমিকা বেছে নিন : BigQuery অ্যাডমিন, Cloud Run অ্যাডমিন, Cloud Run ইনভোকার ও Vertex AI পরিষেবা এজেন্ট, তারপর 'হয়ে গেছে
' বিকল্পে ক্লিক করুন - পরিষেবা অ্যাকাউন্টের ইমেলে ক্লিক করুন, ট্যাব কীয়ে ক্লিক করুন, 'কী যোগ করুন → নতুন কী তৈরি করুন' বিকল্পে ক্লিক করুন।

- json বেছে নিয়ে 'তৈরি করুন' বিকল্পে ক্লিক করুন। পরবর্তী ধাপের জন্য এই পরিষেবা অ্যাকাউন্ট ফাইলটি লোকাল স্টোরেজে সেভ করুন

- নিম্নলিখিত কনফিগারেশন সহ .streamlit নামের একটি ফোল্ডার তৈরি করুন। মাউসে ডানদিকের বোতামে ক্লিক করুন, 'নতুন ফোল্ডার' বিকল্পে ক্লিক করুন এবং ফোল্ডারের নাম লিখুন
.streamlit
- ফোল্ডারে মাউসের ডানদিকের বোতামে ক্লিক করুন
.streamlitতারপর 'নতুন ফাইল' বিকল্পে ক্লিক করে নিচে দেওয়া ভ্যালু লিখুন। তারপরে, এটিsecrets.toml
# secrets.toml (for Streamlit sharing)
# Store in .streamlit/secrets.toml
[gcp]
project_id = "your_gcp_project"
location = "us-central1"
[gcp_service_account]
type = "service_account"
project_id = "your-project-id"
private_key_id = "your-private-key-id"
private_key = '''-----BEGIN PRIVATE KEY-----
YOUR_PRIVATE_KEY_HERE
-----END PRIVATE KEY-----'''
client_email = "your-sa@project-id.iam.gserviceaccount.com"
client_id = "your-client-id"
auth_uri = "https://accounts.google.com/o/oauth2/auth"
token_uri = "https://oauth2.googleapis.com/token"
auth_provider_x509_cert_url = "https://www.googleapis.com/oauth2/v1/certs"
client_x509_cert_url = "https://www.googleapis.com/robot/v1/metadata/x509/your-sa%40project-id.iam.gserviceaccount.com"
- আগের ধাপে তৈরি করা আপনার পরিষেবা অ্যাকাউন্টের উপর ভিত্তি করে
project_id,private_key_id,private_key,client_email,client_id , and auth_provider_x509_cert_url-এর জন্য ভ্যালু আপডেট করুন
BigQuery ডেটাসেট প্রস্তুত করা
পরবর্তী ধাপ হল BigQuery-তে জেনারেশন ফলাফল সেভ করার জন্য BigQuery ডেটাসেট তৈরি করা।
- সার্চে BigQuery টাইপ করে BigQuery-তে ক্লিক করুন।
-এ ক্লিক করে ডেটাসেট তৈরি করুন বিকল্পে ক্লিক করুন- ইনপুট ডেটাসেট আইডি
diet_planner_dataলিখে ডেটাসেট তৈরি করুন
বিকল্পে ক্লিক করুন
৪. এজেন্ট ডায়েট প্ল্যানার অ্যাপ তৈরি করা
আমরা ৪টি ইনপুট সহ একটি সাধারণ ওয়েব ইন্টারফেস তৈরি করব যা দেখতে এইরকম হবে

আপনার প্রোফাইলের উপর ভিত্তি করে ওজন, উচ্চতা, বয়স এবং লিঙ্গ পরিবর্তন করুন, তারপর 'জেনারেট করুন' বিকল্পে ক্লিক করুন। এটি Vertex AI লাইব্রেরিতে LLM মডেল Gemini Pro 2.5 কল করবে এবং BigQuery-তে জেনারেট করা ফলাফল স্টোর করবে।
কোডটি খুব বড় না হওয়ার জন্য ৬টি অংশে ভাগ করা হবে।
BMI স্ট্যাটাস গণনা করার ফাংশন তৈরি করুন
agent_diet_plannerফোল্ডারে মাউস রেখে ডানদিকের বোতামে ক্লিক করুন → নতুন ফাইল .. → ফাইলের নাম লিখুনbmi_calc.pyতারপর Enter টিপুন- নিম্নলিখিত তথ্য দিয়ে কোড পূরণ করুন
# Add this function to calculate BMI and health status
def calculate_bmi_status(weight, height):
"""
Calculate BMI and return status message
"""
height_m = height / 100 # Convert cm to meters
bmi = weight / (height_m ** 2)
if bmi < 18.5:
status = "underweight"
message = "⚠️ Your BMI suggests you're underweight. Consider increasing calorie intake with nutrient-dense foods."
elif 18.5 <= bmi < 25:
status = "normal"
message = "✅ Your BMI is in the healthy range. Let's maintain this balance!"
elif 25 <= bmi < 30:
status = "overweight"
message = "⚠️ Your BMI suggests you're overweight. Focus on gradual weight loss through balanced nutrition."
else:
status = "obese"
message = "❗ Your BMI indicates obesity. Please consult a healthcare provider for personalized guidance."
return {
"value": round(bmi, 1),
"status": status,
"message": message
}
এজেন্ট ডায়েট প্ল্যানারের মূল অ্যাপ তৈরি করা
agent_diet_plannerফোল্ডারে ডানদিকের বোতামে ক্লিক করুন → নতুন ফাইল .. → ফাইলের নাম লিখুনapp.pyতারপর Enter টিপুন।- নিম্নলিখিত তথ্য দিয়ে কোড পূরণ করুন
import os
from google.oauth2 import service_account
import streamlit as st
from google.cloud import bigquery
from vertexai.preview.generative_models import GenerativeModel
import vertexai
import datetime
import time
import pandas as pd
from bmi_calc import calculate_bmi_status
# Get configuration from environment
PROJECT_ID = os.environ.get("GCP_PROJECT_ID", "your_gcp_project_id")
LOCATION = os.environ.get("GCP_LOCATION", "us-central1")
#CONSTANTS Dataset and table in BigQuery
DATASET = "diet_planner_data"
TABLE = "user_plans"
# Initialize Vertex AI
vertexai.init(project=PROJECT_ID, location=LOCATION)
# Initialize BigQuery client
try:
# For Cloud Run, use default credentials
bq_client = bigquery.Client()
except:
# For local development, use service account from secrets
if "gcp_service_account" in st.secrets:
service_account_info = dict(st.secrets["gcp_service_account"])
credentials = service_account.Credentials.from_service_account_info(service_account_info)
bq_client = bigquery.Client(credentials=credentials, project=PROJECT_ID)
else:
st.error("BigQuery client initialization failed")
st.stop()
আপনার প্রোজেক্ট আইডি দিয়ে your_gcp_project_id ভ্যালু পরিবর্তন করুন।
Create agent diet planner main apps - setup_bq_tables
এই বিভাগে, আমরা setup_bq_table নামের একটি ফাংশন তৈরি করব যার ১টি ইনপুট প্যারামিটার bq_client থাকবে। এই ফাংশনটি bigquery টেবিলে স্কিমা নির্ধারণ করবে এবং টেবিলটি না থাকলে তৈরি করবে।
app.py-এ আগের কোডের নিচে নিম্নলিখিত কোডটি লিখুন
# Create BigQuery table if not exists
def setup_bq_table(bq_client):
dataset_id = f"{st.secrets['gcp']['project_id']}.{DATASET}"
table_id = f"{dataset_id}.{TABLE}"
schema = [
bigquery.SchemaField("user_id", "STRING", mode="REQUIRED"),
bigquery.SchemaField("timestamp", "TIMESTAMP", mode="REQUIRED"),
bigquery.SchemaField("weight", "FLOAT", mode="REQUIRED"),
bigquery.SchemaField("height", "INTEGER", mode="REQUIRED"),
bigquery.SchemaField("age", "INTEGER", mode="REQUIRED"),
bigquery.SchemaField("gender", "STRING", mode="REQUIRED"),
bigquery.SchemaField("diet_plan", "STRING", mode="REQUIRED")
]
try:
bq_client.get_table(table_id)
except:
table = bigquery.Table(table_id, schema=schema)
bq_client.create_table(table)
st.toast("BigQuery table created successfully")
Create agent diet planner main apps - generate_diet_plan
এই বিভাগে, আমরা generate_diet_plan নামে একটি ফাংশন তৈরি করব যাতে ১টি ইনপুট প্যারামিটার থাকবে। এই ফাংশনটি LLM মডেল Gemini Pro 2.5-কে ডিফাইন করা প্রম্পটের সাথে কল করবে এবং ফলাফল তৈরি করবে।
app.py-এ আগের কোডের নিচে নিম্নলিখিত কোডটি লিখুন
# Generate diet plan using Gemini Pro
def generate_diet_plan(params):
try:
model = GenerativeModel("gemini-2.5-pro")
prompt = f"""
Create a personalized 7-day diet plan for:
- {params['gender']}, {params['age']} years old
- Weight: {params['weight']} kg
- Height: {params['height']} cm
Include:
1. Daily calorie target
2. Macronutrient breakdown (carbs, protein, fat)
3. Meal timing and frequency
4. Food recommendations
5. Hydration guidance
Make the plan:
- Nutritionally balanced
- Practical for daily use
- Culturally adaptable
- With portion size guidance
"""
response = model.generate_content(prompt)
return response.text
except Exception as e:
st.error(f"AI generation error: {str(e)}")
return None
Create agent diet planner main apps - save_to_bq
এই বিভাগে, আমরা bq_client, user_id ও plan, এই ৩টি ইনপুট প্যারামিটার সহ save_to_bq নামে একটি ফাংশন তৈরি করব। এই ফাংশনটি BigQuery টেবিলে জেনারেট করা ফলাফল সেভ করবে
app.py-এ আগের কোডের নিচে নিম্নলিখিত কোডটি লিখুন
# Save user data to BigQuery
def save_to_bq(bq_client, user_id, plan):
try:
dataset_id = f"{st.secrets['gcp']['project_id']}.{DATASET}"
table_id = f"{dataset_id}.{TABLE}"
row = {
"user_id": user_id,
"timestamp": datetime.datetime.utcnow().isoformat(),
"weight": st.session_state.user_data["weight"],
"height": st.session_state.user_data["height"],
"age": st.session_state.user_data["age"],
"gender": st.session_state.user_data["gender"],
"diet_plan": plan
}
errors = bq_client.insert_rows_json(table_id, [row])
if errors:
st.error(f"BigQuery error: {errors}")
else:
return True
except Exception as e:
st.error(f"Data saving error: {str(e)}")
return False
এজেন্ট ডায়েট প্ল্যানার মূল অ্যাপ তৈরি করা - মূল
এই বিভাগে, আমরা কোনও ইনপুট প্যারামিটার ছাড়াই main নামের একটি ফাংশন তৈরি করব। এই ফাংশনটি মূলত streamlit UI স্ক্রিপ্ট, জেনারেট করা ফলাফল দেখানো, BigQuery টেবিল থেকে ঐতিহাসিক জেনারেট করা ফলাফল দেখানো এবং ডেটা Markdown ফাইলে ডাউনলোড করার কাজগুলি করে।
app.py-এ আগের কোডের নিচে নিম্নলিখিত কোডটি লিখুন
# Streamlit UI
def main():
st.set_page_config(page_title="AI Diet Planner", page_icon="🍏", layout="wide")
# Initialize session state
if "user_data" not in st.session_state:
st.session_state.user_data = None
if "diet_plan" not in st.session_state:
st.session_state.diet_plan = None
# Initialize clients
#bq_client = init_clients()
setup_bq_table(bq_client)
st.title("🍏 AI-Powered Diet Planner")
st.markdown("""
<style>
.stProgress > div > div > div > div {
background-color: #4CAF50;
}
[data-testid="stForm"] {
background: #f0f5ff;
padding: 20px;
border-radius: 10px;
border: 1px solid #e6e9ef;
}
</style>
""", unsafe_allow_html=True)
# User input form
with st.form("user_profile", clear_on_submit=False):
st.subheader("Your Profile")
col1, col2 = st.columns(2)
with col1:
weight = st.number_input("Weight (kg)", min_value=30.0, max_value=200.0, value=70.0)
height = st.number_input("Height (cm)", min_value=100, max_value=250, value=170)
with col2:
age = st.number_input("Age", min_value=18, max_value=100, value=30)
gender = st.selectbox("Gender", ["Man", "Woman"])
submitted = st.form_submit_button("Generate Diet Plan")
if submitted:
user_data = {
"weight": weight,
"height": height,
"age": age,
"gender": gender
}
st.session_state.user_data = user_data
# Calculate BMI
bmi_result = calculate_bmi_status(weight, height)
# Display BMI results in a visually distinct box
with st.container():
st.subheader("📊 Your Health Assessment")
col1, col2 = st.columns([1, 3])
with col1:
st.metric("BMI", bmi_result["value"])
with col2:
if bmi_result["status"] != "normal":
st.warning(bmi_result["message"])
else:
st.success(bmi_result["message"])
# Add BMI scale visualization
st.markdown(f"""
<div style="background:#f0f2f6;padding:10px;border-radius:10px;margin-top:10px">
<small>BMI Scale:</small><br>
<div style="display:flex;height:20px;background:linear-gradient(90deg,
#4e79a7 0%,
#4e79a7 18.5%,
#60bd68 18.5%,
#60bd68 25%,
#f28e2b 25%,
#f28e2b 30%,
#e15759 30%,
#e15759 100%);position:relative">
<div style="position:absolute;left:{min(100, max(0, (bmi_result["value"]/40)*100))}%;top:-5px">
▼
</div>
</div>
<div style="display:flex;justify-content:space-between">
<span>Underweight (<18.5)</span>
<span>Healthy (18.5-25)</span>
<span>Overweight (25-30)</span>
<span>Obese (30+)</span>
</div>
</div>
""", unsafe_allow_html=True)
# Store BMI in session state
st.session_state.bmi = bmi_result
# Plan generation and display
if submitted and st.session_state.user_data:
with st.spinner("🧠 Generating your personalized diet plan using Gemini AI..."):
#diet_plan = generate_diet_plan(st.session_state.user_data)
diet_plan = generate_diet_plan({**st.session_state.user_data,"bmi": bmi_result["value"],
"bmi_status": bmi_result["status"]
})
if diet_plan:
st.session_state.diet_plan = diet_plan
# Generate unique user ID
user_id = f"user_{int(time.time())}"
# Save to BigQuery
if save_to_bq(bq_client, user_id, diet_plan):
st.toast("✅ Plan saved to database!")
# Display generated plan
if st.session_state.diet_plan:
st.subheader("Your Personalized Diet Plan")
st.markdown("---")
st.markdown(st.session_state.diet_plan)
# Download button
st.download_button(
label="Download Plan",
data=st.session_state.diet_plan,
file_name="my_diet_plan.md",
mime="text/markdown"
)
# Show history
st.subheader("Your Plan History")
try:
query = f"""
SELECT timestamp, weight, height, age, gender
FROM `{st.secrets['gcp']['project_id']}.{DATASET}.{TABLE}`
WHERE user_id LIKE 'user_%'
ORDER BY timestamp DESC
LIMIT 5
"""
history = bq_client.query(query).to_dataframe()
if not history.empty:
history["timestamp"] = pd.to_datetime(history["timestamp"])
st.dataframe(history.style.format({
"weight": "{:.1f} kg",
"height": "{:.0f} cm"
}))
else:
st.info("No previous plans found")
except Exception as e:
st.error(f"History load error: {str(e)}")
if __name__ == "__main__":
main()
app.py নামে কোড সেভ করুন।
৫. Cloud Run-এ অ্যাপ ডিপ্লয় করতে Cloud Build ব্যবহার করা
এখন, অবশ্যই আমরা এই অসাধারণ অ্যাপটি অন্যদের কাছে তুলে ধরতে চাই। এটি করার জন্য, আমরা এই অ্যাপ্লিকেশনটি প্যাকেজ করতে পারি এবং এটি একটি পাবলিক পরিষেবা হিসেবে Cloud Run-এ ডিপ্লয় করতে পারি যা অন্যরা অ্যাক্সেস করতে পারবে। এটি করতে, আসুন আমরা আর্কিটেকচারটি আবার দেখে নিই

প্রথমে আমাদের Dockerfile প্রয়োজন, ফাইল->নতুন টেক্সট ফাইল বিকল্পে ক্লিক করুন এবং নিম্নলিখিত কোড কপি করে পেস্ট করুন,তারপর Dockerfile হিসেবে সেভ করুন
# Use official Python image
FROM python:3.12-slim
# Set environment variables
ENV PYTHONDONTWRITEBYTECODE 1
ENV PYTHONUNBUFFERED 1
ENV PORT 8080
# Install system dependencies
RUN apt-get update && \
apt-get install -y --no-install-recommends \
build-essential \
libpq-dev \
&& rm -rf /var/lib/apt/lists/*
# Set working directory
WORKDIR /app
# Copy requirements
COPY requirements.txt .
# Install Python dependencies
RUN pip install --no-cache-dir -r requirements.txt
# Copy application files
COPY . .
# Expose port
EXPOSE $PORT
# Run the application
CMD ["streamlit", "run", "app.py", "--server.port", "8080", "--server.address", "0.0.0.0"]
এর পরে, আমরা Docker ইমেজ হয়ে ওঠার জন্য অ্যাপ তৈরি করতে cloudbuild.yaml তৈরি করব, আর্টিফ্যাক্ট রেজিস্ট্রি এবং Cloud Run-এ ডিপ্লয় করব।
ফাইল->নতুন টেক্সট ফাইল বিকল্পে ক্লিক করুন এবং নিম্নলিখিত কোডটি কপি করে পেস্ট করুন,তারপর cloudbuild.yaml হিসেবে সেভ করুন
steps:
# Build Docker image
- name: 'gcr.io/cloud-builders/docker'
args: ['build', '-t', 'gcr.io/$PROJECT_ID/diet-planner:$BUILD_ID', '--no-cache',
'--progress=plain',
'.']
id: 'Build'
timeout: 1200s
waitFor: ['-']
dir: '.'
# Push to Container Registry
- name: 'gcr.io/cloud-builders/docker'
args: ['push', 'gcr.io/$PROJECT_ID/diet-planner:$BUILD_ID']
id: 'Push'
waitFor: ['Build']
# Deploy to Cloud Run
- name: 'gcr.io/google.com/cloudsdktool/cloud-sdk'
entrypoint: gcloud
args:
- 'run'
- 'deploy'
- 'diet-planner-service'
- '--image=gcr.io/$PROJECT_ID/diet-planner:$BUILD_ID'
- '--port=8080'
- '--region=us-central1'
- '--platform=managed'
- '--allow-unauthenticated'
- '--set-env-vars=GCP_PROJECT_ID=$PROJECT_ID,GCP_LOCATION=us-central1'
- '--cpu=1'
- '--memory=1Gi'
- '--timeout=300'
waitFor: ['Push']
options:
logging: CLOUD_LOGGING_ONLY
machineType: 'E2_HIGHCPU_8'
diskSizeGb: 100
images:
- 'gcr.io/$PROJECT_ID/diet-planner:$BUILD_ID'
এই পর্যায়ে, আমাদের কাছে ডকার ইমেজ হিসেবে অ্যাপ তৈরি করার জন্য প্রয়োজনীয় সব ফাইল, আর্টিফ্যাক্ট রেজিস্ট্রি এবং Cloud Run-এ ডিপ্লয় করার জন্য প্রয়োজনীয় সব ফাইল আছে, আসুন এটি ডিপ্লয় করি। Cloud Shell টার্মিনালে নেভিগেট করুন এবং নিশ্চিত করুন যে বর্তমান প্রোজেক্ট আপনার অ্যাক্টিভ প্রোজেক্টে কনফিগার করা আছে, যদি না থাকে তাহলে আপনাকে প্রোজেক্ট আইডি সেট করতে gcloud configure কমান্ড ব্যবহার করতে হবে:
gcloud config set project [PROJECT_ID]
তারপর, Docker ইমেজ হিসেবে অ্যাপ তৈরি করতে, আর্টিফ্যাক্ট রেজিস্ট্রি পুশ করতে এবং Cloud Run-এ ডিপ্লয় করতে নিম্নলিখিত কমান্ড রান করুন
gcloud builds submit --config cloudbuild.yaml
এটি আমাদের আগে প্রদান করা Dockerfile-এর উপর ভিত্তি করে Docker কন্টেনার তৈরি করবে এবং এটি Artifact Registry-তে পুশ করবে। এর পরে, আমরা Cloud Run-এ তৈরি করা ছবি ডিপ্লয় করব। এই প্রসেসের সব ধাপ cloudbuild.yaml-এ উল্লেখ করা আছে।
মনে রাখবেন, এটি একটি ডেমো অ্যাপ্লিকেশন বলে আমরা এখানে যাচাই না করা অ্যাক্সেস অনুমোদন করছি। সাজেস্ট করা হয় যে আপনার এন্টারপ্রাইজ ও প্রোডাকশন অ্যাপ্লিকেশনের জন্য উপযুক্ত যাচাইকরণ ব্যবহার করুন।
ডেপ্লয়মেন্ট সম্পূর্ণ হয়ে গেলে, আমরা Cloud Run পৃষ্ঠায় এটি চেক করতে পারি, উপরের ক্লাউড কনসোল সার্চ বারে Cloud Run সার্চ করতে পারি এবং Cloud Run প্রোডাক্টে ক্লিক করতে পারি

তারপরে, আপনি Cloud Run পরিষেবা পৃষ্ঠায় তালিকাভুক্ত ডেপ্লয় করা পরিষেবা পরিদর্শন করতে পারবেন, পরিষেবার উপরে ক্লিক করুন যাতে আমরা পরিষেবার URL পেতে পারি

পরিষেবার URL উপরের বারে থাকবে
আপনি এখন ইনকগনিটো উইন্ডো বা মোবাইল ডিভাইস থেকে আপনার অ্যাপ্লিকেশন ব্যবহার করতে পারেন। এটি ইতিমধ্যেই লাইভ হয়ে যাওয়া উচিত।
৬. অপ্রয়োজনীয়গুলি মুছুন
এই কোডল্যাবে ব্যবহৃত রিসোর্সের জন্য আপনার Google Cloud অ্যাকাউন্টে চার্জ এড়াতে, এইসব ধাপ অনুসরণ করুন:
- Google Cloud Console-এ, রিসোর্স ম্যানেজ করুন পৃষ্ঠায় যান।
- প্রোজেক্টের তালিকা থেকে, যে প্রোজেক্টটি মুছতে চান সেটি বেছে নিন এবং তারপরে মুছুন বিকল্পে ক্লিক করুন।
- ডায়ালগে, প্রোজেক্ট আইডি টাইপ করুন এবং তারপর প্রোজেক্ট মুছে দিতে বন্ধ করুন বিকল্পে ক্লিক করুন।
- অথবা, আপনি কনসোলে Cloud Run-এ যেতে পারেন, আপনি যে পরিষেবাটি সবেমাত্র ডেপ্লয় করেছেন সেটি বেছে নিন এবং মুছে দিন।