1. 總覽
在本研究室中，您將學習如何使用 Vertex 機器學習中繼資料，分析 Vertex Pipelines 中的資料。
課程內容
您將學習下列內容：
- 使用 Kubeflow Pipelines SDK 建構機器學習管道，以便在 Vertex AI 中建立資料集，並針對該資料集訓練及部署自訂 Scikit-learn 模型
- 撰寫可產生構件和中繼資料的自訂管線元件
- 比較 Vertex Pipelines 的執行作業，包括透過 Cloud 控制台或以程式輔助方式執行
- 追蹤管道產生的構件歷程
- 查詢管道執行作業中繼資料
在 Google Cloud 中執行這個研究室的總費用約為 $2 美元。
2. Vertex AI 簡介
這個研究室使用 Google Cloud 最新的 AI 產品服務。Vertex AI 將 Google Cloud 中的機器學習產品整合到流暢的開發體驗中。先前使用 AutoML 訓練的模型和自訂模型，都能透過不同的服務存取。這項新產品會與其他新產品一起合併為一個 API。您也可以將現有專案遷移至 Vertex AI。
除了模型訓練和部署服務外，Vertex AI 也包含各種機器學習運作產品，包括 Vertex Pipelines、機器學習中繼資料、模型監控和特徵儲存庫等。所有 Vertex AI 產品項目均如下圖所示。
本研究室著重於 Vertex Pipelines 和 Vertex 機器學習中繼資料。
如有任何 Vertex AI 意見回饋，請參閱支援頁面。
機器學習管道為何很實用？
在深入說明之前，讓我們先瞭解您想使用管道的原因。假設您要建構的機器學習工作流程包含處理資料、訓練模型、超參數調整、評估和模型部署。每個步驟都有不同的依附元件，如果您將整個工作流程視為單體，可能會變得不穩定。開始擴展機器學習程序時，可能會想與團隊中的其他人共用機器學習工作流程，以便他們執行及編寫程式碼。如果沒有可靠且能重現的程序，可能會變得困難。透過管道，機器學習程序中的每個步驟都是各自的容器。如此一來，您就能獨立開發步驟，並以可重現的方式追蹤每個步驟的輸入和輸出內容。您也可以根據 Cloud 環境中的其他事件，為管道執行作業排程或觸發執行作業，例如在有新訓練資料時開始執行管道。
重點摘要：管線可協助您自動執行及重現機器學習工作流程。
3. Cloud 環境設定
您需要已啟用計費功能的 Google Cloud Platform 專案，才能執行這個程式碼研究室。如要建立專案，請按照這裡的操作說明進行。
啟動 Cloud Shell
在本研究室中，您將會透過 Cloud Shell 工作階段執行，也就是由在 Google 雲端環境中運作的虛擬機器託管的指令解譯器。您可以和在自己的電腦本機輕鬆執行這個部分，但只要使用 Cloud Shell，就能在一致的環境中提供可重現的體驗。完成研究室後，您可以使用自己的電腦再試一次。
啟用 Cloud Shell
在 Cloud 控制台的右上方，按一下下列按鈕來「啟用 Cloud Shell」：
如果您先前從未啟動 Cloud Shell，您會看見中繼畫面 (需捲動位置)，說明螢幕內容。如果出現這種情況，請按一下「繼續」 (之後不會再顯示)。以下是單次畫面的外觀：
佈建並連線至 Cloud Shell 只需幾分鐘的時間。
這個虛擬機器搭載您需要的所有開發工具。提供永久的 5 GB 主目錄，而且在 Google Cloud 中運作，大幅提高網路效能和驗證能力。在本程式碼研究室中，您的大部分作業都可以透過瀏覽器或 Chromebook 完成。
連線至 Cloud Shell 後，您應會發現自己通過驗證，且專案已設為您的專案 ID。
在 Cloud Shell 中執行下列指令，確認您已通過驗證：
gcloud auth list
指令輸出
Credentialed Accounts
ACTIVE ACCOUNT
* <my_account>@<my_domain.com>
To set the active account, run:
$ gcloud config set account `ACCOUNT`
在 Cloud Shell 中執行下列指令，確認 gcloud 指令知道您的專案：
gcloud config list project
指令輸出
[core] project = <PROJECT_ID>
如果尚未設定，請使用下列指令進行設定：
gcloud config set project <PROJECT_ID>
指令輸出
Updated property [core/project].
Cloud Shell 有數個環境變數，包括 GOOGLE_CLOUD_PROJECT，其中含有目前 Cloud 專案名稱。我們會在本研究室的各個不同地方使用這些內容。您可以執行以下指令來查看：
echo $GOOGLE_CLOUD_PROJECT
啟用 API
在後續步驟中，您會看到需要這些服務的位置和原因。目前請先執行下列指令，為專案授予 Compute Engine、Container Registry 和 Vertex AI 服務的存取權：
gcloud services enable compute.googleapis.com \
containerregistry.googleapis.com \
aiplatform.googleapis.com
這應該會產生類似下列內容的成功訊息：
Operation "operations/acf.cc11852d-40af-47ad-9d59-477a12847c9e" finished successfully.
建立 Cloud Storage 值區
如要在 Vertex AI 執行訓練工作，我們需要一個儲存儲存的模型資產的儲存空間值區。值區必須是區域性值區。您在這裡使用的是 us-central，但您也可以使用其他區域 (請在本研究室中更換這個名稱)。如果您已有值區，可以略過這個步驟。
在 Cloud Shell 終端機中執行下列指令來建立值區：
BUCKET_NAME=gs://$GOOGLE_CLOUD_PROJECT-bucket
gsutil mb -l us-central1 $BUCKET_NAME
接著，我們會為運算服務帳戶授予這個值區的存取權。這麼做可以確保 Vertex Pipelines 具備將檔案寫入這個值區的必要權限。執行下列指令來新增這項權限：
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
建立 Vertex AI Workbench 執行個體
在 Cloud 控制台的 Vertex AI 專區中，按一下 Workbench：
接著在「使用者自行管理的筆記本」中，按一下「新增筆記本」：
接著選取「TensorFlow 企業版 2.3 (含 LTS)」執行個體類型，但「不含 GPU」：
使用預設選項，然後點選「建立」。
開啟筆記本
執行個體建立完成後，請選取「Open JupyterLab」：
4. Vertex Pipelines 設定
必須安裝下列程式庫，才能使用 Vertex Pipelines：
- Kubeflow 管道：我們將使用這個 SDK 建構管道。Vertex Pipelines 支援執行使用 Kubeflow Pipelines 或 TFX 建構的管線。
- Vertex AI SDK：這個 SDK 可將呼叫 Vertex AI API 的體驗最佳化。我們會使用這項工具在 Vertex AI 中執行管道。
建立 Python 筆記本並安裝程式庫
首先，在筆記本執行個體的啟動器選單中，選取「Python 3」來建立筆記本：
如要安裝本研究室將使用的兩項服務，請先在筆記本儲存格中設定使用者旗標：
USER_FLAG = "--user"
然後在筆記本中執行下列指令：
!pip3 install {USER_FLAG} google-cloud-aiplatform==1.7.0
!pip3 install {USER_FLAG} kfp==1.8.9
安裝這些套件後，您需要重新啟動核心：
import os
if not os.getenv("IS_TESTING"):
# Automatically restart kernel after installs
import IPython
app = IPython.Application.instance()
app.kernel.do_shutdown(True)
接下來，請確認您已正確安裝 KFP SDK 版本。應為 >=1.8：
!python3 -c "import kfp; print('KFP SDK version: {}'.format(kfp.__version__))"
接著，確認 Vertex AI SDK 版本為 1.6.2 以上版本：
!pip list | grep aiplatform
設定專案 ID 和值區
在這個研究室中，您會參照 Cloud 專案 ID 和先前建立的值區。接下來，我們要為每個項目建立變數。
如果不知道專案 ID，可以執行下列指令來取得專案 ID：
import os
PROJECT_ID = ""
# Get your Google Cloud project ID from gcloud
if not os.getenv("IS_TESTING"):
shell_output=!gcloud config list --format 'value(core.project)' 2>/dev/null
PROJECT_ID = shell_output[0]
print("Project ID: ", PROJECT_ID)
否則，請在此設定：
if PROJECT_ID == "" or PROJECT_ID is None:
PROJECT_ID = "your-project-id" # @param {type:"string"}
然後建立變數來儲存值區名稱。如果您是透過這個研究室建立叢集，就可以執行下列作業。否則，您就必須手動設定：
BUCKET_NAME="gs://" + PROJECT_ID + "-bucket"
匯入程式庫
新增以下內容，匯入要在本程式碼研究室中使用的程式庫：
import matplotlib.pyplot as plt
import pandas as pd
from kfp.v2 import compiler, dsl
from kfp.v2.dsl import pipeline, component, Artifact, Dataset, Input, Metrics, Model, Output, InputPath, OutputPath
from google.cloud import aiplatform
# We'll use this namespace for metadata querying
from google.cloud import aiplatform_v1
定義常數
在建立管道前，我們最後一個要做的就是定義一些常數變數。PIPELINE_ROOT 是要寫入管道建立的成果的 Cloud Storage 路徑。這裡使用 us-central1 做為區域，但如果您在建立值區時使用了其他區域，請更新下列程式碼中的 REGION 變數：
PATH=%env PATH
%env PATH={PATH}:/home/jupyter/.local/bin
REGION="us-central1"
PIPELINE_ROOT = f"{BUCKET_NAME}/pipeline_root/"
PIPELINE_ROOT
執行上述程式碼之後，畫面上應會顯示管道的根目錄。這是用來寫入管道構件的 Cloud Storage 位置。它的格式：gs://YOUR-BUCKET-NAME/pipeline_root/
5. 使用自訂元件建立 3 步驟管道
本研究室的重點在於瞭解管道執行作業的中繼資料。為此，我們需要在 Vertex Pipelines 中執行管道，首先我們會從這裡開始。這裡，我們使用下列自訂元件來定義 3 步驟管道：
get_dataframe：從 BigQuery 資料表擷取資料，並轉換為 Pandas DataFrametrain_sklearn_model：使用 Pandas DataFrame 訓練及匯出 Scikit 學習模型和部分指標deploy_model：將匯出的 Scikit Learn 模型部署至 Vertex AI 中的端點
在這個管道中，我們會使用 UCI 機器學習 Dry beans 資料集，來源：KOKLU、M. 和 OZKAN, I.A.、(2020 年)《Multiclass Classification of ry Beans Using Computer Vision and Machine Learning Techniques》(使用電腦視覺和機器學習技術的多重分類分類)。DOI。
這是表格式資料集。我們會在管道中使用該資料集訓練、評估及部署 Scikit-learn 模型，根據豆子的特性，將豆子分為 7 種類型。開始寫程式！
建立以 Python 函式為基礎的元件
使用 KFP SDK，我們就能根據 Python 函式建立元件。之後會用於這個管道的 3 個元件。
下載 BigQuery 資料並轉換成 CSV
首先，我們會建構 get_dataframe 元件：
@component(
packages_to_install=["google-cloud-bigquery", "pandas", "pyarrow", "db-dtypes"],
base_image="python:3.9",
output_component_file="create_dataset.yaml"
)
def get_dataframe(
bq_table: str,
output_data_path: OutputPath("Dataset")
):
from google.cloud import bigquery
import pandas as pd
import os
project_number = os.environ["CLOUD_ML_PROJECT_ID"]
bqclient = bigquery.Client(project=project_number)
table = bigquery.TableReference.from_string(
bq_table
)
rows = bqclient.list_rows(
table
)
dataframe = rows.to_dataframe(
create_bqstorage_client=True,
)
dataframe = dataframe.sample(frac=1, random_state=2)
dataframe.to_csv(output_data_path)
讓我們進一步瞭解這個元件的進行情況：
@component裝飾器會在管道執行時，將這個函式編譯為元件。每次編寫自訂元件時都會用到此方法。base_image參數會指定這個元件要使用的容器映像檔。- 此元件會使用我們透過
packages_to_install參數指定的幾個 Python 程式庫。 output_component_file為選用參數，可以指定要將編譯元件寫入哪個 yaml 檔案。執行儲存格之後，您應該會看到檔案已寫入筆記本執行個體。如果您想要與其他人共用此元件，可以傳送產生的 yaml 檔案給他們，並讓他們使用下列指令載入檔案：
# This is optional, it shows how to load a component from a yaml file
# dataset_component = kfp.components.load_component_from_file('./create_dataset.yaml')
- 接著，這個元件會使用 BigQuery Python 用戶端程式庫，將 BigQuery 中的資料下載至 Pandas DataFrame，然後以 CSV 檔案格式建立資料的輸出構件。這會做為輸入內容傳遞至下一個元件
建立元件來訓練 Scikit-learn 模型
在這個元件中，我們會取得先前產生的 CSV，用來訓練 Scikit-learn 決策樹模型。這個元件會匯出產生的 Scikit 模型，以及 Metrics 構件，內含模型的準確率、架構和用於訓練的資料集大小：
@component(
packages_to_install=["sklearn", "pandas", "joblib", "db-dtypes"],
base_image="python:3.9",
output_component_file="beans_model_component.yaml",
)
def sklearn_train(
dataset: Input[Dataset],
metrics: Output[Metrics],
model: Output[Model]
):
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import roc_curve
from sklearn.model_selection import train_test_split
from joblib import dump
import pandas as pd
df = pd.read_csv(dataset.path)
labels = df.pop("Class").tolist()
data = df.values.tolist()
x_train, x_test, y_train, y_test = train_test_split(data, labels)
skmodel = DecisionTreeClassifier()
skmodel.fit(x_train,y_train)
score = skmodel.score(x_test,y_test)
print('accuracy is:',score)
metrics.log_metric("accuracy",(score * 100.0))
metrics.log_metric("framework", "Scikit Learn")
metrics.log_metric("dataset_size", len(df))
dump(skmodel, model.path + ".joblib")
定義元件，將模型上傳至 Vertex AI
最後，我們的最後一個元件會使用您在上一個步驟中訓練過的模型，將模型上傳到 Vertex AI，然後部署至端點：
@component(
packages_to_install=["google-cloud-aiplatform"],
base_image="python:3.9",
output_component_file="beans_deploy_component.yaml",
)
def deploy_model(
model: Input[Model],
project: str,
region: str,
vertex_endpoint: Output[Artifact],
vertex_model: Output[Model]
):
from google.cloud import aiplatform
aiplatform.init(project=project, location=region)
deployed_model = aiplatform.Model.upload(
display_name="beans-model-pipeline",
artifact_uri = model.uri.replace("model", ""),
serving_container_image_uri="us-docker.pkg.dev/vertex-ai/prediction/sklearn-cpu.0-24:latest"
)
endpoint = deployed_model.deploy(machine_type="n1-standard-4")
# Save data to the output params
vertex_endpoint.uri = endpoint.resource_name
vertex_model.uri = deployed_model.resource_name
這裡使用 Vertex AI SDK，使用預先建構的預測容器上傳模型。接著將模型部署至端點，並將 URI 傳回模型和端點資源。稍後在本程式碼研究室中，您將進一步瞭解將這些資料做為構件傳回代表什麼意義。
定義及編譯管道
現在我們已定義三個元件，接下來要建立管道定義。這說明瞭各步驟之間的輸入和輸出構件流動方式：
@pipeline(
# Default pipeline root. You can override it when submitting the pipeline.
pipeline_root=PIPELINE_ROOT,
# A name for the pipeline.
name="mlmd-pipeline",
)
def pipeline(
bq_table: str = "",
output_data_path: str = "data.csv",
project: str = PROJECT_ID,
region: str = REGION
):
dataset_task = get_dataframe(bq_table)
model_task = sklearn_train(
dataset_task.output
)
deploy_task = deploy_model(
model=model_task.outputs["model"],
project=project,
region=region
)
以下指令會產生 JSON 檔案，供您用於執行管道：
compiler.Compiler().compile(
pipeline_func=pipeline, package_path="mlmd_pipeline.json"
)
啟動兩項管道執行作業
接下來，我們要開始管道執行作業的兩次。首先，定義用於管道工作 ID 的時間戳記：
from datetime import datetime
TIMESTAMP = datetime.now().strftime("%Y%m%d%H%M%S")
請記住，我們的管道在執行時會使用一個參數：我們想要用於訓練資料的 bq_table。這項管道執行作業會使用較小版本的 beans 資料集：
run1 = aiplatform.PipelineJob(
display_name="mlmd-pipeline",
template_path="mlmd_pipeline.json",
job_id="mlmd-pipeline-small-{0}".format(TIMESTAMP),
parameter_values={"bq_table": "sara-vertex-demos.beans_demo.small_dataset"},
enable_caching=True,
)
接著，使用同一個資料集的較大版本，建立另一個管道執行作業。
run2 = aiplatform.PipelineJob(
display_name="mlmd-pipeline",
template_path="mlmd_pipeline.json",
job_id="mlmd-pipeline-large-{0}".format(TIMESTAMP),
parameter_values={"bq_table": "sara-vertex-demos.beans_demo.large_dataset"},
enable_caching=True,
)
最後，為兩次執行作業啟動管道執行作業。建議您在兩個不同的筆記本儲存格中執行這項操作，以便查看每次執行作業的輸出內容。
run1.submit()
然後開始第二次跑步：
run2.submit()
執行這個儲存格後，您會在 Vertex AI 控制台中看見各個管道的連結。開啟這個連結即可查看管道的詳細資料：
執行完成後 (這個管道每次執行作業約需 10 至 15 分鐘)，因此您看到的畫面會像這樣：
您現在已有兩個已完成的管道執行作業，現在可以進一步瞭解管道構件、指標和歷程。
6. 瞭解管道構件和歷程
在管道圖中，您會看到每個步驟之後的小方塊。這些是「成果」，或是管道步驟產生的輸出內容。構件有許多類型，在這個特定管道中，我們有資料集、指標、模型和端點構件，按一下使用者介面頂端的「Expand Artifacts」滑桿，查看各個項目的詳細資料：
點選構件即可查看更多詳細資料，包括該構件的 URI。舉例來說，點選「vertex_endpoint」vertex_endpoint構件就會顯示 URI，您可以在 Vertex AI 控制台中找到該已部署的端點：
Metrics 構件可讓您傳遞與特定管道步驟相關聯的自訂指標。在管道的 sklearn_train 元件中，我們記錄了模型準確率、架構和資料集大小的指標。按一下指標構件即可查看詳細資料：
每個構件都有「歷程」，用來說明其連結的其他構件。再次點選管道的 vertex_endpoint 構件，然後點選「View Lineage」按鈕：
系統會開啟新分頁，當中會顯示所有連結至所選構件的構件。歷程圖表看起來會像這樣：
這裡會顯示與這個端點相關聯的模型、指標和資料集。這有什麼幫助？您可以將模型部署至多個端點，或者是想瞭解用於訓練模型的特定資料集，用於訓練已部署至該端點的模型。歷程圖可協助您瞭解各個機器學習系統的其他構件。您也可以透過程式輔助存取歷程，我們稍後會在本程式碼研究室中說明。
7. 比較管道執行作業
單一管道可能會多次執行，例如使用不同的輸入參數、新資料，或是由團隊成員執行。如要追蹤管線的執行作業，建議您針對各種指標來比較這些執行作業。在本節中，我們將介紹兩種比較跑步表現的方式。
在管道 UI 中比較執行作業
前往 Cloud 控制台中的「Pipelines 資訊主頁」。此頁面提供已執行的每個管道執行作業總覽。檢查最後兩次執行作業，然後按一下頂端的「比較」按鈕：
系統會將您帶往另一個網頁，方便我們比較每個所選執行項目的輸入參數和指標。執行這兩項執行作業時，請留意不同的 BigQuery 資料表、資料集大小和準確率值：
你可以使用這項 UI 功能比較兩次以上的執行作業，甚至透過不同管道執行。
比較 Vertex AI SDK 的執行作業
執行許多管道執行作業時，您可能需要透過程式輔助方式取得這些比較指標，以便深入分析指標詳細資料並建立圖表。
您可以使用 aiplatform.get_pipeline_df() 方法存取執行作業中繼資料。這裡，我們會取得同一個管道最後兩次執行的中繼資料，並將中繼資料載入 Pandas DataFrame。這裡的 pipeline 參數是指我們在管道定義中提供的管道名稱：
df = aiplatform.get_pipeline_df(pipeline="mlmd-pipeline")
df
輸出 DataFrame 時，您會看到類似下方的內容：
我們在這裡僅執行了兩次管道，但您可以想像，執行較多時會取得多少指標。接下來，我們會使用 matchartlib 建立自訂圖表，查看模型準確率與訓練用資料量之間的關係。
在新筆記本儲存格中執行下列指令：
plt.plot(df["metric.dataset_size"], df["metric.accuracy"],label="Accuracy")
plt.title("Accuracy and dataset size")
plt.legend(loc=4)
plt.show()
畫面應如下所示：
8. 查詢管道指標
除了取得所有管道指標的 DataFrame，您可能也想透過程式查詢在機器學習系統中建立的構件。您可以在此建立自訂資訊主頁，或讓貴機構的其他人取得特定構件的詳細資料。
取得所有模型構件
如要透過這種方式查詢構件，我們會建立 MetadataServiceClient：
API_ENDPOINT = "{}-aiplatform.googleapis.com".format(REGION)
metadata_client = aiplatform_v1.MetadataServiceClient(
client_options={
"api_endpoint": API_ENDPOINT
}
)
接下來，我們會向該端點發出 list_artifacts 要求，並傳遞篩選器，指出我們希望回應中的哪些構件。首先，讓我們取得專案中所有屬於「模型」的構件。為此，請在筆記本中執行下列指令：
MODEL_FILTER="schema_title = \"system.Model\""
artifact_request = aiplatform_v1.ListArtifactsRequest(
parent="projects/{0}/locations/{1}/metadataStores/default".format(PROJECT_ID, REGION),
filter=MODEL_FILTER
)
model_artifacts = metadata_client.list_artifacts(artifact_request)
產生的 model_artifacts 回應會包含專案中每個模型構件的疊代物件，以及每個模型的相關中繼資料。
在 DataFrame 中篩選物件及顯示物件
如果能以圖表方式輕鬆呈現產生的構件查詢，會很有幫助。接下來，我們要取得 2021 年 8 月 10 日後建立，狀態為 LIVE 的所有構件。執行此要求後，我們會在 Pandas DataFrame 中顯示結果。首先，請執行要求：
LIVE_FILTER = "create_time > \"2021-08-10T00:00:00-00:00\" AND state = LIVE"
artifact_req = {
"parent": "projects/{0}/locations/{1}/metadataStores/default".format(PROJECT_ID, REGION),
"filter": LIVE_FILTER
}
live_artifacts = metadata_client.list_artifacts(artifact_req)
接著在 DataFrame 中顯示結果：
data = {'uri': [], 'createTime': [], 'type': []}
for i in live_artifacts:
data['uri'].append(i.uri)
data['createTime'].append(i.create_time)
data['type'].append(i.schema_title)
df = pd.DataFrame.from_dict(data)
df
畫面顯示的內容如下：
也可以根據嘗試過的做法，根據其他條件篩選成果。
這表示您已完成研究室！
🎉 恭喜！🎉
您已瞭解如何使用 Vertex AI 執行下列作業：
- 使用 Kubeflow Pipelines SDK 建構機器學習管道，以便在 Vertex AI 中建立資料集，並針對該資料集訓練及部署自訂 Scikit-learn 模型
- 撰寫可產生構件和中繼資料的自訂管線元件
- 比較 Vertex Pipelines 的執行作業，包括透過 Cloud 控制台或以程式輔助方式執行
- 追蹤管道產生的構件歷程
- 查詢管道執行作業中繼資料
如要進一步瞭解 Vertex 的其他部分，請參閱說明文件。
9. 清除
因此，建議您刪除在本研究室中建立的資源，如此一來，系統就不會向您收費。
停止或刪除 Notebooks 執行個體
如果想繼續使用您在這個研究室中建立的筆記本，建議在不使用時將其關閉。在 Cloud 控制台的「Notebooks」(筆記本) UI 中，依序選取筆記本和「Stop」(停止)。如要將執行個體完全刪除，請選取 [Delete] (刪除)：
刪除 Vertex AI 端點
如要刪除您部署的端點，請前往 Vertex AI 控制台的「端點」部分，然後按一下「刪除」圖示：
刪除 Cloud Storage 值區
如要刪除 Storage 值區，請使用 Cloud 控制台中的導覽選單前往「Storage」(儲存空間)、選取值區，然後點選「Delete」(刪除)：
