1. खास जानकारी
इस लैब में, कस्टम कंटेनर में मौजूद कोड का इस्तेमाल करके, TensorFlow के मॉडल को ट्रेनिंग देने और उसे दिखाने के लिए, Vertex AI का इस्तेमाल किया जाएगा.
हम यहां मॉडल कोड के लिए TensorFlow का इस्तेमाल कर रहे हैं. हालांकि, इसे किसी दूसरे फ़्रेमवर्क से आसानी से बदला जा सकता है.
आपको ये सब सीखने को मिलेगा
आपको, इनके बारे में जानकारी मिलेगी:
- Vertex Workbench में मॉडल ट्रेनिंग कोड बनाना और उसे कंटेनर में डालना
- Vertex AI में कस्टम मॉडल ट्रेनिंग जॉब सबमिट करना
- ट्रेन किए गए मॉडल को किसी एंडपॉइंट पर डिप्लॉय करें और अनुमान पाने के लिए उस एंडपॉइंट का इस्तेमाल करें
Google Cloud पर इस लैब को चलाने की कुल लागत करीब $1 है.
2. Vertex AI के बारे में जानकारी
यह लैब, Google Cloud पर उपलब्ध एआई प्रॉडक्ट के सबसे नए वर्शन का इस्तेमाल करता है. Vertex AI, Google Cloud के सभी एमएल ऑफ़र को डेवलपमेंट के बेहतर अनुभव के साथ इंटिग्रेट करता है. पहले, AutoML की मदद से ट्रेन किए गए मॉडल और कस्टम मॉडल को अलग-अलग सेवाओं से ऐक्सेस किया जा सकता था. नई सुविधा में, दोनों को एक ही एपीआई में जोड़ा गया है. साथ ही, इसमें अन्य नए प्रॉडक्ट भी शामिल हैं. आपके पास मौजूदा प्रोजेक्ट को Vertex AI पर माइग्रेट करने का विकल्प भी है. अगर आपका कोई सुझाव, शिकायत या राय है, तो कृपया सहायता पेज पर जाएं.
Vertex AI में कई तरह के प्रॉडक्ट शामिल हैं, जो मशीन लर्निंग के वर्कफ़्लो को मैनेज करने में मदद करते हैं. इस लैब में, नीचे हाइलाइट किए गए प्रॉडक्ट पर फ़ोकस किया जाएगा: ट्रेनिंग, अनुमान, और वर्कबेंच.
3. अपना एनवायरमेंट सेट अप करना
इस कोडलैब को चलाने के लिए, आपके पास Google Cloud Platform का ऐसा प्रोजेक्ट होना चाहिए जिसमें बिलिंग की सुविधा चालू हो. प्रोजेक्ट बनाने के लिए, यहां दिए गए निर्देशों का पालन करें.
पहला चरण: Compute Engine API चालू करना
Compute Engine पर जाएं और अगर यह पहले से चालू नहीं है, तो चालू करें को चुनें. आपको अपना notebook इंस्टेंस बनाने के लिए इसकी ज़रूरत होगी.
दूसरा चरण: Vertex AI API को चालू करना
अपने Cloud Console के Vertex AI सेक्शन पर जाएं और Vertex AI API चालू करें पर क्लिक करें.
तीसरा चरण: Container Registry API को चालू करना
कंटेनर रजिस्ट्री पर जाएं और अगर पहले से ऐसा नहीं हुआ है, तो चालू करें को चुनें. इसका इस्तेमाल, कस्टम ट्रेनिंग जॉब के लिए कंटेनर बनाने के लिए किया जाएगा.
चौथा चरण: Vertex AI Workbench इंस्टेंस बनाना
अपने Cloud Console के Vertex AI सेक्शन में जाकर, Workbench पर क्लिक करें:
इसके बाद, उपयोगकर्ता की मदद से मैनेज की जाने वाली नोटबुक में, नई नोटबुक पर क्लिक करें:
इसके बाद, GPU के बिना TensorFlow Enterprise (LTS के साथ) इंस्टेंस टाइप का नया वर्शन चुनें:
डिफ़ॉल्ट विकल्पों का इस्तेमाल करें. इसके बाद, बनाएं पर क्लिक करें.
इस लैब में जिस मॉडल को ट्रेनिंग दी जाएगी और इस्तेमाल की जाएगी उसे TensorFlow दस्तावेज़ों के इस ट्यूटोरियल के आधार पर बनाया गया है. इस ट्यूटोरियल में, Kaggle के Auto MPG डेटासेट का इस्तेमाल करके, वाहन की ईंधन की खपत का अनुमान लगाया जाता है.
4. ट्रेनिंग कोड को कंटेनर में बदलें
हम अपने ट्रेनिंग कोड को Docker कंटेनर में डालकर और इस कंटेनर को Google Container Registry में डालकर, इस ट्रेनिंग जॉब को Vertex को सबमिट करेंगे. इस तरीके का इस्तेमाल करके, हम किसी भी फ़्रेमवर्क के साथ बनाए गए मॉडल को ट्रेनिंग दे सकते हैं.
शुरू करने के लिए, लॉन्चर मेन्यू में जाकर, अपने notebook के इंस्टेंस में टर्मिनल विंडो खोलें:
mpg नाम की एक नई डायरेक्ट्री बनाएं और उसमें सीडी लें:
mkdir mpg
cd mpg
पहला चरण: Dockerfile बनाना
अपने कोड को कंटेनर में डालने के लिए, सबसे पहले Dockerfile बनाना होगा. हम अपनी Dockerfile में, इमेज को चलाने के लिए ज़रूरी सभी निर्देश शामिल करेंगे. इससे, इस्तेमाल की जा रही सभी लाइब्रेरी इंस्टॉल हो जाएंगी और ट्रेनिंग कोड के लिए एंट्री पॉइंट सेट अप हो जाएगा. अपने टर्मिनल से, एक खाली Dockerfile बनाएं:
touch Dockerfile
Dockerfile खोलें और उसमें यहां दी गई जानकारी कॉपी करें:
FROM gcr.io/deeplearning-platform-release/tf2-cpu.2-6
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.train"]
इस Dockerfile में, डीप लर्निंग कंटेनर TensorFlow Enterprise 2.3 Docker इमेज का इस्तेमाल किया गया है. Google Cloud पर डीप लर्निंग कंटेनर में, एमएल और डेटा साइंस के कई सामान्य फ़्रेमवर्क पहले से इंस्टॉल होते हैं. हम TF Enterprise 2.3, Pandas, Scikit-learn, और अन्य प्लैटफ़ॉर्म का इस्तेमाल कर रहे हैं. उस इमेज को डाउनलोड करने के बाद, Dockerfile हमारे ट्रेनिंग कोड के लिए एंट्रीपॉइंट सेट अप करता है. हमने अभी तक ये फ़ाइलें नहीं बनाई हैं – अगले चरण में, हम अपने मॉडल की ट्रेनिंग और एक्सपोर्ट के लिए कोड जोड़ेंगे.
दूसरा चरण: Cloud Storage की बकेट बनाना
ट्रेनिंग जॉब में, हम अपने ट्रेन किए गए TensorFlow मॉडल को Cloud Storage बकेट में एक्सपोर्ट करेंगे. Vertex इसका इस्तेमाल, एक्सपोर्ट की गई मॉडल ऐसेट को पढ़ने और मॉडल को डिप्लॉय करने के लिए करेगा. अपने प्रोजेक्ट के लिए एनवायरमेंट वैरिएबल तय करने के लिए, अपने टर्मिनल में यह तरीका अपनाएं. your-cloud-project की जगह अपने प्रोजेक्ट का आईडी डालना न भूलें:
PROJECT_ID='your-cloud-project'
इसके बाद, अपने प्रोजेक्ट में नया बकेट बनाने के लिए, इसे अपने Terminal में चलाएं. -l (जगह) फ़्लैग ज़रूरी है, क्योंकि इसे उसी क्षेत्र में होना चाहिए जहां ट्यूटोरियल में बाद में मॉडल एंडपॉइंट को डिप्लॉय किया जाता है:
BUCKET_NAME="gs://${PROJECT_ID}-bucket"
gsutil mb -l us-central1 $BUCKET_NAME
तीसरा चरण: मॉडल ट्रेनिंग कोड जोड़ना
अपने Terminal से, हमारे ट्रेनिंग कोड और Python फ़ाइल की डायरेक्ट्री बनाने के लिए इन कोड को चलाएं, जिनमें हम कोड जोड़ेंगे:
mkdir trainer
touch trainer/train.py
अब आपकी mpg/ डायरेक्ट्री में ये चीज़ें होनी चाहिए:
+ Dockerfile
+ trainer/
+ train.py
इसके बाद, आपने अभी जो train.py फ़ाइल बनाई है उसे खोलें और नीचे दिए गए कोड को कॉपी करें (यह TensorFlow के दस्तावेज़ों के ट्यूटोरियल से लिया गया है.
फ़ाइल की शुरुआत में, पिछले चरण में बनाए गए स्टोरेज बकेट के नाम से BUCKET वैरिएबल को अपडेट करें:
import numpy as np
import pandas as pd
import pathlib
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
print(tf.__version__)
"""## The Auto MPG dataset
The dataset is available from the [UCI Machine Learning Repository](https://archive.ics.uci.edu/ml/).
### Get the data
First download the dataset.
"""
dataset_path = keras.utils.get_file("auto-mpg.data", "http://archive.ics.uci.edu/ml/machine-learning-databases/auto-mpg/auto-mpg.data")
dataset_path
"""Import it using pandas"""
column_names = ['MPG','Cylinders','Displacement','Horsepower','Weight',
'Acceleration', 'Model Year', 'Origin']
dataset = pd.read_csv(dataset_path, names=column_names,
na_values = "?", comment='\t',
sep=" ", skipinitialspace=True)
dataset.tail()
# TODO: replace `your-gcs-bucket` with the name of the Storage bucket you created earlier
BUCKET = 'gs://your-gcs-bucket'
"""### Clean the data
The dataset contains a few unknown values.
"""
dataset.isna().sum()
"""To keep this initial tutorial simple drop those rows."""
dataset = dataset.dropna()
"""The `"Origin"` column is really categorical, not numeric. So convert that to a one-hot:"""
dataset['Origin'] = dataset['Origin'].map({1: 'USA', 2: 'Europe', 3: 'Japan'})
dataset = pd.get_dummies(dataset, prefix='', prefix_sep='')
dataset.tail()
"""### Split the data into train and test
Now split the dataset into a training set and a test set.
We will use the test set in the final evaluation of our model.
"""
train_dataset = dataset.sample(frac=0.8,random_state=0)
test_dataset = dataset.drop(train_dataset.index)
"""### Inspect the data
Have a quick look at the joint distribution of a few pairs of columns from the training set.
Also look at the overall statistics:
"""
train_stats = train_dataset.describe()
train_stats.pop("MPG")
train_stats = train_stats.transpose()
train_stats
"""### Split features from labels
Separate the target value, or "label", from the features. This label is the value that you will train the model to predict.
"""
train_labels = train_dataset.pop('MPG')
test_labels = test_dataset.pop('MPG')
"""### Normalize the data
Look again at the `train_stats` block above and note how different the ranges of each feature are.
It is good practice to normalize features that use different scales and ranges. Although the model *might* converge without feature normalization, it makes training more difficult, and it makes the resulting model dependent on the choice of units used in the input.
Note: Although we intentionally generate these statistics from only the training dataset, these statistics will also be used to normalize the test dataset. We need to do that to project the test dataset into the same distribution that the model has been trained on.
"""
def norm(x):
return (x - train_stats['mean']) / train_stats['std']
normed_train_data = norm(train_dataset)
normed_test_data = norm(test_dataset)
"""This normalized data is what we will use to train the model.
Caution: The statistics used to normalize the inputs here (mean and standard deviation) need to be applied to any other data that is fed to the model, along with the one-hot encoding that we did earlier. That includes the test set as well as live data when the model is used in production.
## The model
### Build the model
Let's build our model. Here, we'll use a `Sequential` model with two densely connected hidden layers, and an output layer that returns a single, continuous value. The model building steps are wrapped in a function, `build_model`, since we'll create a second model, later on.
"""
def build_model():
model = keras.Sequential([
layers.Dense(64, activation='relu', input_shape=[len(train_dataset.keys())]),
layers.Dense(64, activation='relu'),
layers.Dense(1)
])
optimizer = tf.keras.optimizers.RMSprop(0.001)
model.compile(loss='mse',
optimizer=optimizer,
metrics=['mae', 'mse'])
return model
model = build_model()
"""### Inspect the model
Use the `.summary` method to print a simple description of the model
"""
model.summary()
"""Now try out the model. Take a batch of `10` examples from the training data and call `model.predict` on it.
It seems to be working, and it produces a result of the expected shape and type.
### Train the model
Train the model for 1000 epochs, and record the training and validation accuracy in the `history` object.
Visualize the model's training progress using the stats stored in the `history` object.
This graph shows little improvement, or even degradation in the validation error after about 100 epochs. Let's update the `model.fit` call to automatically stop training when the validation score doesn't improve. We'll use an *EarlyStopping callback* that tests a training condition for every epoch. If a set amount of epochs elapses without showing improvement, then automatically stop the training.
You can learn more about this callback [here](https://www.tensorflow.org/api_docs/python/tf/keras/callbacks/EarlyStopping).
"""
model = build_model()
EPOCHS = 1000
# The patience parameter is the amount of epochs to check for improvement
early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)
early_history = model.fit(normed_train_data, train_labels,
epochs=EPOCHS, validation_split = 0.2,
callbacks=[early_stop])
# Export model and save to GCS
model.save(BUCKET + '/mpg/model')
चौथा चरण: कंटेनर को स्थानीय तौर पर बनाना और उसकी जांच करना
अपने टर्मिनल से, Google Container Registry में अपनी कंटेनर इमेज के यूआरआई के साथ एक वैरिएबल तय करें:
IMAGE_URI="gcr.io/$PROJECT_ID/mpg:v1"
इसके बाद, अपनी mpg डायरेक्ट्री के रूट से, कंटेनर बनाने के लिए यह कमांड चलाएं:
docker build ./ -t $IMAGE_URI
अपने नोटबुक इंस्टेंस में कंटेनर चलाकर, यह पक्का करें कि वह सही तरीके से काम कर रहा है:
docker run $IMAGE_URI
मॉडल को ट्रेनिंग पूरी करने में एक से दो मिनट लगेंगे. साथ ही, पुष्टि की सटीक दर 72% होगी. हालांकि, यह दर अलग-अलग हो सकती है. कंटेनर को स्थानीय तौर पर चलाने के बाद, उसे Google कंटेनर रजिस्ट्री में भेजें:
docker push $IMAGE_URI
कंटेनर रजिस्ट्री में भेजे जाने के बाद, हम एक कस्टम मॉडल ट्रेनिंग जॉब शुरू करने के लिए तैयार हैं.
5. Vertex AI पर ट्रेनिंग जॉब चलाना
Vertex AI आपको ट्रेनिंग मॉडल के लिए दो विकल्प देता है:
- AutoML: कम मेहनत और एमएल विशेषज्ञता की मदद से, अच्छी क्वालिटी के मॉडल को ट्रेनिंग दें.
- पसंद के मुताबिक ट्रेनिंग: Google Cloud के पहले से बने कंटेनर का इस्तेमाल करके या अपने कंटेनर का इस्तेमाल करके, क्लाउड में अपने पसंद के मुताबिक ट्रेनिंग ऐप्लिकेशन चलाएं.
इस लैब में, हम Google Container Registry पर अपने कस्टम कंटेनर के ज़रिए कस्टम ट्रेनिंग का इस्तेमाल कर रहे हैं. शुरू करने के लिए, अपने Cloud Console के Vertex सेक्शन में मॉडल सेक्शन पर जाएं:
पहला चरण: ट्रेनिंग जॉब शुरू करना
अपनी ट्रेनिंग जॉब और डिप्लॉय किए गए मॉडल के लिए पैरामीटर डालने के लिए, बनाएं पर क्लिक करें:
- डेटासेट में जाकर, कोई मैनेज किया गया डेटासेट नहीं है चुनें
- इसके बाद, ट्रेनिंग के तरीके के तौर पर कस्टम ट्रेनिंग (बेहतर) चुनें और जारी रखें पर क्लिक करें.
- जारी रखें पर क्लिक करें
अगले चरण में, मॉडल का नाम के लिए mpg (या अपने मॉडल को जो भी नाम देना है) डालें. इसके बाद, कस्टम कंटेनर चुनें:
कंटेनर इमेज टेक्स्ट बॉक्स में, ब्राउज़ करें पर क्लिक करें. इसके बाद, वह Docker इमेज ढूंढें जिसे आपने अभी-अभी Container Registry में अपलोड किया है. बाकी फ़ील्ड को खाली छोड़ दें और जारी रखें पर क्लिक करें.
हम इस ट्यूटोरियल में, हाइपरपैरामीटर ट्यूनिंग का इस्तेमाल नहीं करेंगे. इसलिए, हाइपरपैरामीटर ट्यूनिंग की सुविधा चालू करें बॉक्स से सही का निशान हटाएं और जारी रखें पर क्लिक करें.
कंप्यूट और कीमत में, चुने गए इलाके को वैसे ही रहने दें और मशीन टाइप के तौर पर n1-standard-4 चुनें:
ऐक्सेलरेटर फ़ील्ड को खाली छोड़ दें और जारी रखें को चुनें. इस डेमो में मौजूद मॉडल, तेज़ी से ट्रेनिंग करता है. इसलिए, हम एक छोटे मशीन टाइप का इस्तेमाल कर रहे हैं.
अनुमानित कंटेनर चरण में, पहले से बना कंटेनर चुनें. इसके बाद, TensorFlow 2.6 चुनें.
पहले से बनाए गए कंटेनर की डिफ़ॉल्ट सेटिंग में कोई बदलाव न करें. मॉडल डायरेक्ट्री में जाकर, mpg सबडायरेक्ट्री के साथ अपनी GCS बकेट डालें. यह आपकी मॉडल ट्रेनिंग स्क्रिप्ट में मौजूद वह पाथ है जहां से ट्रेन किया गया मॉडल एक्सपोर्ट किया जाता है:
आपका मॉडल डिप्लॉय करते समय, Vertex इस जगह पर जाएगा. अब आप ट्रेनिंग के लिए तैयार हैं! ट्रेनिंग शुरू करने के लिए, ट्रेनिंग शुरू करें पर क्लिक करें. अपने कंसोल के ट्रेनिंग सेक्शन में, आपको कुछ ऐसा दिखेगा:
6. मॉडल एंडपॉइंट को डिप्लॉय करना
ट्रेनिंग जॉब सेट अप करते समय, हमने यह तय किया था कि Vertex AI को एक्सपोर्ट की गई मॉडल एसेट कहां से ढूंढनी चाहिए. ट्रेनिंग पाइपलाइन के तहत, Vertex इस ऐसेट पाथ के आधार पर मॉडल का संसाधन बनाएगा. मॉडल का रिसॉर्स, डिप्लॉय किया गया मॉडल नहीं होता. हालांकि, मॉडल बन जाने के बाद, उसे किसी एंडपॉइंट पर डिप्लॉय किया जा सकता है. Vertex AI में मॉडल और एंडपॉइंट के बारे में ज़्यादा जानने के लिए, दस्तावेज़ देखें.
इस चरण में, हम अपने प्रशिक्षित मॉडल के लिए एक एंडपॉइंट बनाएंगे. हम इसका इस्तेमाल, Vertex AI API के ज़रिए अपने मॉडल के लिए अनुमान पाने के लिए कर सकते हैं.
पहला चरण: एंडपॉइंट डिप्लॉय करना
जब आपका ट्रेनिंग जॉब पूरा हो जाता है, तब आपको अपने कंसोल के मॉडल सेक्शन में mpg नाम का एक मॉडल (या जो भी नाम आपने दिया था) दिखेगा:
ट्रेनिंग जॉब के चलने पर, Vertex ने आपके लिए एक मॉडल संसाधन बनाया. इस मॉडल का इस्तेमाल करने के लिए, आपको एंडपॉइंट डिप्लॉय करना होगा. आपके पास हर मॉडल के लिए कई एंडपॉइंट हो सकते हैं. मॉडल पर क्लिक करें. इसके बाद, एंडपॉइंट पर डिप्लॉय करें पर क्लिक करें.
नया एंडपॉइंट बनाएं को चुनें और उसे कोई नाम दें, जैसे कि v1. ऐक्सेस के लिए, स्टैंडर्ड को चुना हुआ रहने दें. इसके बाद, जारी रखें पर क्लिक करें.
ट्रैफ़िक विभाजन को 100 पर रहने दें और कंप्यूट नोड की कम से कम संख्या के लिए 1 डालें. मशीन का टाइप में जाकर, n1-standard-2 या अपनी पसंद की कोई भी मशीन चुनें. बाकी डिफ़ॉल्ट सेटिंग को चुना हुआ रहने दें और फिर जारी रखें पर क्लिक करें. हम इस मॉडल के लिए मॉनिटरिंग की सुविधा चालू नहीं करेंगे. इसलिए, एंडपॉइंट डिप्लॉयमेंट शुरू करने के लिए, डिप्लॉय करें पर क्लिक करें.
एंडपॉइंट को डिप्लॉय होने में 10 से 15 मिनट लगेंगे. डिप्लॉय होने के बाद, आपको एक ईमेल मिलेगा. एंडपॉइंट डिप्लॉय होने के बाद, आपको यह जानकारी दिखेगी. इसमें आपके मॉडल रिसॉर्स के तहत डिप्लॉय किया गया एक एंडपॉइंट दिखेगा:
दूसरा चरण: डिप्लॉय किए गए मॉडल के आधार पर अनुमान पाना
हम Vertex Python API का इस्तेमाल करके, Python notebook से अपने तैयार किए गए मॉडल के लिए सुझाव देंगे. अपने notebook के इंस्टेंस पर वापस जाएं और लॉन्चर से Python 3 नोटबुक बनाएं:
Vertex AI SDK टूल इंस्टॉल करने के लिए, अपने notebook में इन्हें किसी सेल में चलाएं:
!pip3 install google-cloud-aiplatform --upgrade --user
इसके बाद, SDK टूल इंपोर्ट करने के लिए अपनी नोटबुक में एक सेल जोड़ें और अभी-अभी डिप्लॉय किए गए एंडपॉइंट का रेफ़रंस बनाएं:
from google.cloud import aiplatform
endpoint = aiplatform.Endpoint(
endpoint_name="projects/YOUR-PROJECT-NUMBER/locations/us-central1/endpoints/YOUR-ENDPOINT-ID"
)
आपको ऊपर दी गई endpoint_name स्ट्रिंग में दो वैल्यू को अपने प्रोजेक्ट नंबर और एंडपॉइंट से बदलना होगा. प्रोजेक्ट के डैशबोर्ड पर जाकर, प्रोजेक्ट नंबर की वैल्यू देखी जा सकती है.
आपको अपना एंडपॉइंट आईडी, कंसोल के एंडपॉइंट सेक्शन में यहां दिखेगा:
आखिर में, नीचे दिए गए कोड को नए सेल में कॉपी करके चलाकर अपने एंडपॉइंट का अनुमान लगाएं:
test_mpg = [1.4838871833555929,
1.8659883497083019,
2.234620276849616,
1.0187816540094903,
-2.530890710602246,
-1.6046416850441676,
-0.4651483719733302,
-0.4952254087173721,
0.7746763768735953]
response = endpoint.predict([test_mpg])
print('API response: ', response)
print('Predicted MPG: ', response.predictions[0][0])
इस उदाहरण में पहले से ही सामान्य वैल्यू मौजूद हैं. यह वही फ़ॉर्मैट है जिसकी हमारे मॉडल को ज़रूरत है.
इस सेल को चलाएं. आपको अनुमान के तौर पर, प्रति गैलन 16 मील का आउटपुट दिखेगा.
🎉 बधाई हो! 🎉
आपने Vertex AI का इस्तेमाल करके, ये काम करने का तरीका जाना है:
- कस्टम कंटेनर में ट्रेनिंग कोड डालकर, मॉडल को ट्रेनिंग दें. इस उदाहरण में, TensorFlow मॉडल का इस्तेमाल किया गया है. हालांकि, कस्टम कंटेनर का इस्तेमाल करके, किसी भी फ़्रेमवर्क से बनाए गए मॉडल को ट्रेन किया जा सकता है.
- पहले से बने कंटेनर का इस्तेमाल करके, TensorFlow मॉडल को उसी वर्कफ़्लो के तहत डिप्लॉय करें जिसका इस्तेमाल आपने ट्रेनिंग के लिए किया था.
- मॉडल एंडपॉइंट बनाएं और अनुमान जनरेट करें.
Vertex के अलग-अलग हिस्सों के बारे में ज़्यादा जानने के लिए, दस्तावेज़ देखें.
7. साफ़-सफ़ाई सेवा
अगर आपको इस लैब में बनाई गई नोटबुक का इस्तेमाल जारी रखना है, तो हमारा सुझाव है कि आप इसे इस्तेमाल में न होने पर बंद कर दें. अपने Cloud Console में Workbench यूज़र इंटरफ़ेस (यूआई) से, नोटबुक चुनें और फिर बंद करें चुनें.
अगर आपको नोटबुक को पूरी तरह से मिटाना है, तो सबसे ऊपर दाईं ओर मौजूद, मिटाएं बटन पर क्लिक करें.
डिप्लॉय किए गए एंडपॉइंट को मिटाने के लिए, Vertex AI कंसोल के एंडपॉइंट सेक्शन पर जाएं. इसके बाद, अपने बनाए गए एंडपॉइंट पर क्लिक करें और एंडपॉइंट से मॉडल को अनडिप्लॉय करें को चुनें:
स्टोरेज बकेट मिटाने के लिए, अपने Cloud Console में नेविगेशन मेन्यू का इस्तेमाल करके, स्टोरेज पर जाएं. इसके बाद, अपनी बकेट चुनें और 'मिटाएं' पर क्लिक करें:
