1. সংক্ষিপ্ত বিবরণ
এই ল্যাবে, আপনি একটি কাস্টম প্রশিক্ষণ কাজ চালানোর জন্য Vertex AI ব্যবহার করবেন।
এই ল্যাবটি প্রোটোটাইপ টু প্রোডাকশন ভিডিও সিরিজের অংশ। আপনি ফ্লাওয়ার্স ডেটাসেট ব্যবহার করে একটি চিত্র শ্রেণিবিন্যাস মডেল তৈরি করবেন। আরও জানতে আপনি সাথে থাকা ভিডিওটি দেখতে পারেন:
.
তুমি যা শিখো
তুমি শিখবে কিভাবে:
- একটি ভার্টেক্স এআই ওয়ার্কবেঞ্চ পরিচালিত নোটবুক তৈরি করুন
- Vertex AI UI থেকে একটি কাস্টম প্রশিক্ষণ কাজ কনফিগার এবং চালু করুন
- Vertex AI Python SDK দিয়ে একটি কাস্টম প্রশিক্ষণ কাজ কনফিগার করুন এবং চালু করুন
গুগল ক্লাউডে এই ল্যাবটি পরিচালনা করতে মোট খরচ প্রায় $1 ।
2. ভার্টেক্স এআই-এর ভূমিকা
এই ল্যাবটি গুগল ক্লাউডে উপলব্ধ নতুন এআই পণ্য অফার ব্যবহার করে। ভার্টেক্স এআই গুগল ক্লাউড জুড়ে এমএল অফারগুলিকে একটি নিরবচ্ছিন্ন উন্নয়ন অভিজ্ঞতার জন্য একীভূত করে। পূর্বে, অটোএমএল এবং কাস্টম মডেলগুলির সাথে প্রশিক্ষিত মডেলগুলি পৃথক পরিষেবার মাধ্যমে অ্যাক্সেসযোগ্য ছিল। নতুন অফারটি অন্যান্য নতুন পণ্যগুলির সাথে উভয়কেই একটি একক API-তে একত্রিত করে। আপনি বিদ্যমান প্রকল্পগুলিকে ভার্টেক্স এআই-তে স্থানান্তর করতে পারেন।
ভার্টেক্স এআই-তে এন্ড-টু-এন্ড এমএল ওয়ার্কফ্লো সমর্থন করার জন্য অনেকগুলি বিভিন্ন পণ্য রয়েছে। এই ল্যাবটি নীচে হাইলাইট করা পণ্যগুলির উপর ফোকাস করবে: প্রশিক্ষণ এবং ওয়ার্কবেঞ্চ
৩. আপনার পরিবেশ সেট আপ করুন
এই কোডল্যাবটি চালানোর জন্য আপনার বিলিং সক্ষম একটি Google ক্লাউড প্ল্যাটফর্ম প্রকল্পের প্রয়োজন হবে। একটি প্রকল্প তৈরি করতে, এখানে নির্দেশাবলী অনুসরণ করুন।
ধাপ ১: কম্পিউট ইঞ্জিন API সক্ষম করুন
কম্পিউট ইঞ্জিনে নেভিগেট করুন এবং যদি এটি ইতিমধ্যেই সক্রিয় না থাকে তবে সক্ষম করুন নির্বাচন করুন।
ধাপ ২: আর্টিফ্যাক্ট রেজিস্ট্রি API সক্রিয় করুন
আর্টিফ্যাক্ট রেজিস্ট্রিতে নেভিগেট করুন এবং যদি এটি ইতিমধ্যে না থাকে তবে সক্ষম করুন নির্বাচন করুন। আপনি আপনার কাস্টম প্রশিক্ষণ কাজের জন্য একটি ধারক তৈরি করতে এটি ব্যবহার করবেন।
ধাপ ৩: ভার্টেক্স এআই এপিআই সক্ষম করুন
আপনার ক্লাউড কনসোলের Vertex AI বিভাগে যান এবং Enable Vertex AI API এ ক্লিক করুন।
ধাপ ৪: একটি ভার্টেক্স এআই ওয়ার্কবেঞ্চ ইনস্ট্যান্স তৈরি করুন
আপনার ক্লাউড কনসোলের ভার্টেক্স এআই বিভাগ থেকে, ওয়ার্কবেঞ্চে ক্লিক করুন:
যদি Notebooks API ইতিমধ্যেই না থাকে, তাহলে তা সক্রিয় করুন।
একবার সক্রিয় হয়ে গেলে, MANAGED NOTEBOOKS এ ক্লিক করুন:
তারপর NEW NOTEBOOK নির্বাচন করুন।
আপনার নোটবুকের একটি নাম দিন এবং অনুমতির অধীনে পরিষেবা অ্যাকাউন্ট নির্বাচন করুন।
উন্নত সেটিংস নির্বাচন করুন।
যদি এটি ইতিমধ্যেই সক্রিয় না থাকে, তাহলে নিরাপত্তার অধীনে "টার্মিনাল সক্ষম করুন" নির্বাচন করুন।
আপনি অন্যান্য সমস্ত উন্নত সেটিংস যেমন আছে তেমন রেখে যেতে পারেন।
এরপর, Create এ ক্লিক করুন। ইনস্ট্যান্সটি প্রভিশন হতে কয়েক মিনিট সময় লাগবে।
একবার ইনস্ট্যান্স তৈরি হয়ে গেলে, OPEN JUPYTERLAB নির্বাচন করুন।
৪. প্রশিক্ষণ আবেদন কোড কনটেইনারাইজ করুন
আপনার প্রশিক্ষণ অ্যাপ্লিকেশন কোডটি একটি ডকার কন্টেইনারে রেখে এবং এই কন্টেইনারটি Google Artifact Registry- তে পুশ করে আপনি Vertex AI-তে এই প্রশিক্ষণ কাজটি জমা দেবেন। এই পদ্ধতি ব্যবহার করে, আপনি যেকোনো ফ্রেমওয়ার্ক দিয়ে তৈরি একটি মডেলকে প্রশিক্ষণ দিতে পারেন।
শুরু করতে, লঞ্চার মেনু থেকে, আপনার নোটবুক ইনস্ট্যান্সে একটি টার্মিনাল উইন্ডো খুলুন:
ধাপ ১: একটি ক্লাউড স্টোরেজ বাকেট তৈরি করুন
এই প্রশিক্ষণ কাজে, আপনি প্রশিক্ষিত টেনসরফ্লো মডেলটি একটি ক্লাউড স্টোরেজ বাকেটে রপ্তানি করবেন। আপনি প্রশিক্ষণের জন্য ডেটা একটি ক্লাউড স্টোরেজ বাকেটেও সংরক্ষণ করবেন।
আপনার টার্মিনাল থেকে, আপনার প্রোজেক্টের জন্য একটি env ভেরিয়েবল সংজ্ঞায়িত করতে নিম্নলিখিতটি চালান, আপনার প্রোজেক্টের ID দিয়ে your-cloud-project প্রতিস্থাপন করতে ভুলবেন না:
PROJECT_ID='your-cloud-project'
এরপর, আপনার প্রোজেক্টে একটি নতুন বাকেট তৈরি করতে আপনার টার্মিনালে নিম্নলিখিতটি চালান।
BUCKET="gs://${PROJECT_ID}-bucket"
gsutil mb -l us-central1 $BUCKET
ধাপ ২: ক্লাউড স্টোরেজ বাকেটে ডেটা কপি করুন
আমাদের ফুলের ডেটাসেটটি ক্লাউড স্টোরেজে আনতে হবে। প্রদর্শনের উদ্দেশ্যে, আপনাকে প্রথমে এই ওয়ার্কবেঞ্চ ইনস্ট্যান্সে ডেটাসেটটি ডাউনলোড করতে হবে, এবং তারপর এটি একটি বালতিতে অনুলিপি করতে হবে।
ডেটা ডাউনলোড করে আন-আনট করুন।
wget https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz
tar xvzf flower_photos.tgz
তারপর এটি আপনার তৈরি করা বাকেটে কপি করুন। আমরা -r যোগ করি কারণ আমরা পুরো ডিরেক্টরিটি কপি করতে চাই, এবং -m যোগ করি যাতে একটি মাল্টি-প্রসেসিং কপি করা যায়, যা কাজকে দ্রুত করবে।
gsutil -m cp -r flower_photos $BUCKET
ধাপ ৩: প্রশিক্ষণ কোড লিখুন
flowers নামে একটি নতুন ডিরেক্টরি তৈরি করুন এবং এতে cd দিন:
mkdir flowers
cd flowers
প্রশিক্ষণ কোডের জন্য একটি ডিরেক্টরি এবং একটি পাইথন ফাইল তৈরি করতে নিম্নলিখিতটি চালান যেখানে আপনি কোডটি যুক্ত করবেন।
mkdir trainer
touch trainer/task.py
এখন আপনার flowers/ ডিরেক্টরিতে নিম্নলিখিতগুলি থাকা উচিত:
+ trainer/
+ task.py
আপনার প্রশিক্ষণ আবেদন কোড কীভাবে গঠন করবেন সে সম্পর্কে আরও তথ্যের জন্য, ডক্স দেখুন।
এরপর, আপনার তৈরি করা task.py ফাইলটি খুলুন এবং নীচের কোডটি কপি করুন।
আপনার তৈরি করা ক্লাউড স্টোরেজ বাকেটের নাম দিয়ে {your-gcs-bucket} প্রতিস্থাপন করতে হবে।
ক্লাউড স্টোরেজ FUSE টুলের মাধ্যমে, Vertex AI Training-এর প্রশিক্ষণ জবগুলি স্থানীয় ফাইল সিস্টেমে ফাইল হিসাবে ক্লাউড স্টোরেজের ডেটা অ্যাক্সেস করতে পারে। যখন আপনি একটি কাস্টম প্রশিক্ষণ জব শুরু করেন, তখন জবটি একটি ডিরেক্টরি /gcs দেখতে পায় যেখানে আপনার সমস্ত ক্লাউড স্টোরেজ বাকেট সাবডিরেক্টরি হিসাবে থাকে। এই কারণেই প্রশিক্ষণ কোডের ডেটা পাথগুলি /gcs দিয়ে শুরু হয়।
import tensorflow as tf
import numpy as np
import os
## Replace {your-gcs-bucket} !!
BUCKET_ROOT='/gcs/{your-gcs-bucket}'
# Define variables
NUM_CLASSES = 5
EPOCHS=10
BATCH_SIZE = 32
IMG_HEIGHT = 180
IMG_WIDTH = 180
DATA_DIR = f'{BUCKET_ROOT}/flower_photos'
def create_datasets(data_dir, batch_size):
'''Creates train and validation datasets.'''
train_dataset = tf.keras.utils.image_dataset_from_directory(
data_dir,
validation_split=0.2,
subset="training",
seed=123,
image_size=(IMG_HEIGHT, IMG_WIDTH),
batch_size=batch_size)
validation_dataset = tf.keras.utils.image_dataset_from_directory(
data_dir,
validation_split=0.2,
subset="validation",
seed=123,
image_size=(IMG_HEIGHT, IMG_WIDTH),
batch_size=batch_size)
train_dataset = train_dataset.cache().shuffle(1000).prefetch(buffer_size=tf.data.AUTOTUNE)
validation_dataset = validation_dataset.cache().prefetch(buffer_size=tf.data.AUTOTUNE)
return train_dataset, validation_dataset
def create_model():
'''Creates model.'''
model = tf.keras.Sequential([
tf.keras.layers.Resizing(IMG_HEIGHT, IMG_WIDTH),
tf.keras.layers.Rescaling(1./255, input_shape=(IMG_HEIGHT, IMG_WIDTH, 3)),
tf.keras.layers.Conv2D(16, 3, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(),
tf.keras.layers.Conv2D(32, 3, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(),
tf.keras.layers.Conv2D(64, 3, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(NUM_CLASSES, activation='softmax')
])
return model
# CREATE DATASETS
train_dataset, validation_dataset = create_datasets(DATA_DIR, BATCH_SIZE)
# CREATE/COMPILE MODEL
model = create_model()
model.compile(optimizer=tf.keras.optimizers.Adam(),
loss=tf.keras.losses.SparseCategoricalCrossentropy(),
metrics=['accuracy'])
# TRAIN MODEL
history = model.fit(
train_dataset,
validation_data=validation_dataset,
epochs=EPOCHS
)
# SAVE MODEL
model.save(f'{BUCKET_ROOT}/model_output')
ধাপ ৪: একটি ডকারফাইল তৈরি করুন
আপনার কোডটি কন্টেইনারাইজ করার জন্য, আপনাকে একটি ডকারফাইল তৈরি করতে হবে। ডকারফাইলে আপনি ছবিটি চালানোর জন্য প্রয়োজনীয় সমস্ত কমান্ড অন্তর্ভুক্ত করবেন। এটি সমস্ত প্রয়োজনীয় লাইব্রেরি ইনস্টল করবে এবং প্রশিক্ষণ কোডের জন্য এন্ট্রি পয়েন্ট সেট আপ করবে।
আপনার টার্মিনাল থেকে, আপনার ফুল ডিরেক্টরির রুটে একটি খালি ডকারফাইল তৈরি করুন:
touch Dockerfile
এখন আপনার flowers/ ডিরেক্টরিতে নিম্নলিখিতগুলি থাকা উচিত:
+ Dockerfile
+ trainer/
+ task.py
ডকারফাইলটি খুলুন এবং এতে নিম্নলিখিতটি অনুলিপি করুন:
FROM gcr.io/deeplearning-platform-release/tf2-gpu.2-8
WORKDIR /
# Copies the trainer code to the docker image.
COPY trainer /trainer
# Sets up the entry point to invoke the trainer.
ENTRYPOINT ["python", "-m", "trainer.task"]
এই ফাইলের কমান্ডগুলো পর্যালোচনা করা যাক।
FROM কমান্ডটি বেস ইমেজটি নির্দিষ্ট করে, যা হল প্যারেন্ট ইমেজ যার উপর আপনার তৈরি করা ইমেজটি তৈরি করা হবে। বেস ইমেজ হিসেবে, আপনি ডিপ লার্নিং কন্টেইনার টেনসরফ্লো এন্টারপ্রাইজ 2.8 GPU ডকার ইমেজ ব্যবহার করবেন। গুগল ক্লাউডের ডিপ লার্নিং কন্টেইনারগুলিতে অনেক সাধারণ ML এবং ডেটা সায়েন্স ফ্রেমওয়ার্ক আগে থেকে ইনস্টল করা থাকে।
WORKDIR কমান্ডটি চিত্রের সেই ডিরেক্টরিটি নির্দিষ্ট করে যেখানে পরবর্তী নির্দেশাবলী চালানো হয়।
COPY কমান্ডটি প্রশিক্ষক কোডটি ডকার ছবিতে অনুলিপি করে। মনে রাখবেন যে এই উদাহরণে আমাদের প্রশিক্ষক ডিরেক্টরিতে কেবল একটি পাইথন ফাইল রয়েছে, তবে আরও বাস্তবসম্মত উদাহরণের জন্য আপনার কাছে সম্ভবত অতিরিক্ত ফাইল থাকতে পারে। হতে পারে data.py নামক একটি, যা ডেটা প্রিপ্রসেসিং পরিচালনা করে, এবং model.py নামক একটি, যার কেবল মডেল কোড থাকে, ইত্যাদি। আরও জটিল প্রশিক্ষণ কোডের জন্য, প্যাকেজিং পাইথন প্রকল্পগুলিতে পাইথন ডক্স দেখুন।
যদি আপনি অতিরিক্ত কোন লাইব্রেরি যোগ করতে চান, তাহলে আপনি pip install করার জন্য RUN কমান্ড ব্যবহার করতে পারেন (যেমন: RUN pip install -r requirements.txt )। কিন্তু আমাদের এখানে উদাহরণের জন্য অতিরিক্ত কিছুর প্রয়োজন নেই।
পরিশেষে, ENTRYPOINT কমান্ডটি প্রশিক্ষককে আহ্বান করার জন্য এন্ট্রি পয়েন্ট সেট করে। যখন আমরা আমাদের প্রশিক্ষণ কাজ শুরু করব তখন এটিই চলবে। আমাদের ক্ষেত্রে এটি task.py ফাইলটি কার্যকর করছে।
ভার্টেক্স এআই প্রশিক্ষণের জন্য ডকারফাইলস লেখা সম্পর্কে আপনি এখানে আরও জানতে পারবেন।
ধাপ ৪: পাত্র তৈরি করুন
আপনার ওয়ার্কবেঞ্চ নোটবুকের টার্মিনাল থেকে, আপনার প্রকল্পের জন্য একটি env ভেরিয়েবল সংজ্ঞায়িত করতে নিম্নলিখিতটি চালান, আপনার প্রকল্পের ID দিয়ে your-cloud-project প্রতিস্থাপন করতে ভুলবেন না:
PROJECT_ID='your-cloud-project'
আর্টিফ্যাক্ট রেজিস্ট্রিতে একটি রেপো তৈরি করুন
REPO_NAME='flower-app'
gcloud artifacts repositories create $REPO_NAME --repository-format=docker \
--location=us-central1 --description="Docker repository"
গুগল আর্টিফ্যাক্ট রেজিস্ট্রিতে আপনার কন্টেইনার ছবির URI দিয়ে একটি ভেরিয়েবল নির্ধারণ করুন:
IMAGE_URI=us-central1-docker.pkg.dev/$PROJECT_ID/$REPO_NAME/flower_image:latest
ডকার কনফিগার করুন
gcloud auth configure-docker \
us-central1-docker.pkg.dev
তারপর, আপনার flower ডিরেক্টরির রুট থেকে নিম্নলিখিতটি চালিয়ে কন্টেইনারটি তৈরি করুন:
docker build ./ -t $IMAGE_URI
অবশেষে, এটিকে আর্টিফ্যাক্ট রেজিস্ট্রিতে ঠেলে দিন:
docker push $IMAGE_URI
কন্টেইনারটি আর্টিফ্যাক্ট রেজিস্ট্রিতে পুশ করার সাথে সাথে, আপনি এখন প্রশিক্ষণের কাজ শুরু করার জন্য প্রস্তুত।
৫. ভার্টেক্স এআই-তে একটি কাস্টম প্রশিক্ষণ কাজ চালান
এই ল্যাবটি গুগল আর্টিফ্যাক্ট রেজিস্ট্রিতে একটি কাস্টম কন্টেইনারের মাধ্যমে কাস্টম প্রশিক্ষণ ব্যবহার করে, তবে আপনি পূর্ব-নির্মিত কন্টেইনারগুলির সাথেও একটি প্রশিক্ষণ কাজ চালাতে পারেন।
শুরু করতে, আপনার ক্লাউড কনসোলের ভার্টেক্স বিভাগের প্রশিক্ষণ বিভাগে নেভিগেট করুন:
ধাপ ১: প্রশিক্ষণের কাজ কনফিগার করুন
আপনার প্রশিক্ষণ কাজের জন্য প্যারামিটারগুলি প্রবেশ করাতে তৈরি করুন এ ক্লিক করুন।
- ডেটাসেটের অধীনে, কোনও পরিচালিত ডেটাসেট নেই নির্বাচন করুন
- তারপর আপনার প্রশিক্ষণ পদ্ধতি হিসেবে কাস্টম প্রশিক্ষণ (উন্নত) নির্বাচন করুন এবং চালিয়ে যান এ ক্লিক করুন।
- "Train new model" নির্বাচন করুন, তারপর " model" নামের জন্য
flowers-model" (অথবা আপনি যাকে আপনার মডেল বলতে চান) লিখুন। - চালিয়ে যান ক্লিক করুন
কন্টেইনার সেটিংস ধাপে, কাস্টম কন্টেইনার নির্বাচন করুন:
প্রথম বাক্সে ( কন্টেইনার ইমেজ ), পূর্ববর্তী বিভাগ থেকে আপনার IMAGE_URI ভেরিয়েবলের মান লিখুন। এটি হওয়া উচিত: us-central1-docker.pkg.dev/{PROJECT_ID}/flower-app/flower_image:latest , আপনার নিজস্ব প্রজেক্ট আইডি সহ। বাকি ক্ষেত্রগুলি ফাঁকা রেখে Continue এ ক্লিক করুন।
আবার Continue-এ ক্লিক করে Hyperparameters ধাপটি এড়িয়ে যান।
ধাপ ২: কম্পিউট ক্লাস্টার কনফিগার করুন
নিম্নরূপে ওয়ার্কার পুল 0 কনফিগার করুন:
আপনি আপাতত ৬ষ্ঠ ধাপ এড়িয়ে যাবেন এবং এই সিরিজের পরবর্তী ল্যাবে ভবিষ্যদ্বাণী ধারকটি কনফিগার করবেন।
প্রশিক্ষণের কাজ শুরু করতে "প্রশিক্ষণ শুরু করুন" এ ক্লিক করুন। আপনার কনসোলের "প্রশিক্ষণ পাইপলাইনস" ট্যাবের অধীনে "প্রশিক্ষণ" বিভাগে আপনি আপনার নতুন চালু হওয়া কাজটি দেখতে পাবেন:
🎉 অভিনন্দন! 🎉
আপনি Vertex AI ব্যবহার করে শিখেছেন:
- একটি কাস্টম কন্টেইনারে প্রদত্ত প্রশিক্ষণ কোডের জন্য একটি কাস্টম প্রশিক্ষণ কাজ চালু করুন। আপনি এই উদাহরণে একটি TensorFlow মডেল ব্যবহার করেছেন, তবে আপনি কাস্টম বা বিল্ট-ইন কন্টেইনার ব্যবহার করে যেকোনো ফ্রেমওয়ার্ক দিয়ে তৈরি একটি মডেলকে প্রশিক্ষণ দিতে পারেন।
ভার্টেক্সের বিভিন্ন অংশ সম্পর্কে আরও জানতে, ডকুমেন্টেশনটি দেখুন।
৬. [ঐচ্ছিক] ভার্টেক্স এআই পাইথন এসডিকে ব্যবহার করুন
পূর্ববর্তী বিভাগে দেখানো হয়েছে কিভাবে UI এর মাধ্যমে প্রশিক্ষণ কাজ শুরু করতে হয়। এই বিভাগে, আপনি Vertex AI Python SDK ব্যবহার করে প্রশিক্ষণ কাজ জমা দেওয়ার একটি বিকল্প উপায় দেখতে পাবেন।
আপনার নোটবুক ইনস্ট্যান্সে ফিরে যান এবং লঞ্চার থেকে একটি টেনসরফ্লো 2 নোটবুক তৈরি করুন:
Vertex AI SDK আমদানি করুন।
from google.cloud import aiplatform
তারপর একটি CustomContainerTrainingJob তৈরি করুন। আপনাকে container_uri এ {PROJECT_ID} এর পরিবর্তে আপনার প্রকল্পের নাম লিখতে হবে, এবং staging_bucket এ {BUCKET} এর পরিবর্তে আপনার আগে তৈরি করা বাকেটটি লিখতে হবে।
my_job = aiplatform.CustomContainerTrainingJob(display_name='flower-sdk-job',
container_uri='us-central1-docker.pkg.dev/{PROJECT_ID}/flower-app/flower_image:latest',
staging_bucket='gs://{BUCKET}')
তারপর, কাজটি চালান।
my_job.run(replica_count=1,
machine_type='n1-standard-8',
accelerator_type='NVIDIA_TESLA_V100',
accelerator_count=1)
প্রদর্শনের উদ্দেশ্যে, এই কাজটি পূর্ববর্তী বিভাগের তুলনায় একটি বড় মেশিনে চালানোর জন্য কনফিগার করা হয়েছে। অতিরিক্তভাবে, আমরা একটি GPU দিয়ে কাজ করছি। যদি আপনি machine-type , accelerator_type , অথবা accelerator_count নির্দিষ্ট না করেন, তাহলে কাজটি ডিফল্টরূপে একটি n1-standard-4 এ চলবে।
আপনার কনসোলের প্রশিক্ষণ বিভাগে "কাস্টম জবস" ট্যাবের অধীনে আপনি আপনার প্রশিক্ষণের কাজটি দেখতে পাবেন।
৭. পরিষ্কার-পরিচ্ছন্নতা
যেহেতু Vertex AI Workbench পরিচালিত নোটবুকগুলিতে একটি নিষ্ক্রিয় শাটডাউন বৈশিষ্ট্য রয়েছে, তাই আমাদের ইনস্ট্যান্সটি বন্ধ করার বিষয়ে চিন্তা করার দরকার নেই। আপনি যদি ইনস্ট্যান্সটি ম্যানুয়ালি বন্ধ করতে চান, তাহলে কনসোলের Vertex AI Workbench বিভাগে "Stop" বোতামে ক্লিক করুন। আপনি যদি নোটবুকটি সম্পূর্ণরূপে মুছে ফেলতে চান, তাহলে "Delete" বোতামে ক্লিক করুন।
স্টোরেজ বাকেট মুছে ফেলার জন্য, আপনার ক্লাউড কনসোলের নেভিগেশন মেনু ব্যবহার করে, স্টোরেজ ব্রাউজ করুন, আপনার বাকেট নির্বাচন করুন এবং ডিলিট ক্লিক করুন:
