Vertex AI: تدريب العاملين المتعدّدين ونقل التعلّم إلىهم مع TensorFlow
لمحة عن هذا الدرس التطبيقي حول الترميز
1. نظرة عامة
في هذا التمرين، ستستخدم Vertex AI لتنفيذ مهمة تدريب متعددة العاملين في أحد نماذج TensorFlow.
المعلومات التي تطّلع عليها
وستتعرّف على كيفية:
- تعديل رمز تطبيق التدريب لتدريب العاملين المتعددين
- إعداد وإطلاق مهمة تدريب متعددة العاملين من واجهة مستخدم Vertex AI
- إعداد مهمة تدريب متعددة العاملين وإطلاقها باستخدام حزمة تطوير البرامج Vertex SDK
تبلغ التكلفة الإجمالية لتشغيل هذا التمرين على Google Cloud حوالي $5.
2. مقدّمة عن Vertex AI
يستخدم هذا المختبر أحدث منتجات الذكاء الاصطناعي المتاحة على Google Cloud. تدمج Vertex AI حلول تعلُّم الآلة في Google Cloud ضمن تجربة تطوير سلسة. في السابق، كان الوصول إلى النماذج المدرَّبة باستخدام AutoML والنماذج المخصّصة ممكنًا من خلال خدمات منفصلة. ويجمع العرض الجديد بين الاثنين في واجهة برمجة تطبيقات واحدة، إلى جانب منتجات جديدة أخرى. يمكنك أيضًا نقل المشاريع الحالية إلى Vertex AI. إذا كان لديك أي ملاحظات، يُرجى الاطّلاع على صفحة الدعم.
تتضمّن Vertex AI العديد من المنتجات المختلفة لدعم سير عمل تعلُّم الآلة من البداية إلى النهاية. سيركّز هذا التمرين المعملي على المنتجات الموضَّحة أدناه: التدريب وطاولة العمل
3. نظرة عامة على حالة الاستخدام
في هذا التمرين، ستستخدم تعلُّم النقل لتدريب نموذج لتصنيف الصور على مجموعة بيانات الكاسافا من مجموعات بيانات TensorFlow. البنية التي ستستخدمها هي نموذج ResNet50 من مكتبة tf.keras.applications تم تدريبه مسبقًا على مجموعة بيانات Imagenet.
ما أهمية التدريب الموزَّع؟
إذا كان لديك وحدة معالجة رسومات واحدة، سيستخدم TensorFlow هذا المُسرِّع لتسريع تدريب النموذج بدون أي جهد إضافي من جانبك. ومع ذلك، إذا كنت تريد الحصول على تحسين إضافي من خلال استخدام وحدات معالجة رسومات متعددة على جهاز واحد أو أجهزة متعددة (يمكن أن يكون لكل منها وحدات معالجة رسومات متعددة)، عليك استخدام tf.distribute، وهي مكتبة TensorFlow لتشغيل عملية حسابية على أجهزة متعددة. يشير الجهاز إلى وحدة معالجة مركزية أو وحدة تسريع، مثل وحدات معالجة الرسومات أو وحدات معالجة Tensor، على بعض الأجهزة التي يمكن أن تُجري TensorFlow عمليات عليها.
إنّ أبسط طريقة للبدء في التدريب الموزّع هي استخدام جهاز واحد مزوّد بأجهزة معالجة رسومات متعددة. ستتولى استراتيجية توزيع TensorFlow من وحدة tf.distribute إدارة تنسيق توزيع البيانات وتحديثات التدرج في جميع وحدات معالجة الرسومات. إذا كنت قد تجيدت تدريب مضيف فردي وتريد توسيع نطاقه، يمكن أن تساعدك إضافة أجهزة متعددة إلى مجموعتك في تعزيز الأداء بشكلٍ أكبر. يمكنك الاستفادة من مجموعة من الأجهزة التي تعمل بوحدة معالجة مركزية (CPU) فقط، أو أن يحتوي كل منها على وحدة معالجة رسومات واحدة أو أكثر. يتناول هذا الدرس التطبيقي الحالة الثانية ويوضّح كيفية استخدام MultiWorkerMirroredStrategy لتوزيع تدريب نموذج TensorFlow على أجهزة متعددة باستخدام Vertex AI.
MultiWorkerMirroredStrategy هي استراتيجية متزامنة للبيانات المشابهة يمكنك استخدامها مع تغييرات قليلة في الرمز فقط. يتم إنشاء نسخة من النموذج على كل جهاز في مجموعتك. وسيتم إجراء تحديثات التدرج اللاحقة بشكل متزامن. وهذا يعني أن كل جهاز عامل يحتسب حركة المرور للأمام والخلف عبر النموذج على شريحة مختلفة من بيانات الإدخال. بعد ذلك، يتم تجميع التدرجات المحسوبة من كل شريحة من هذه الشرائح على جميع الأجهزة في الجهاز وجميع الأجهزة في المجموعة وتقليلها (عادةً ما يكون متوسطًا) في عملية تُعرف باسم "التخفيض الكلّي". ويُجري المحسّن بعد ذلك تحديثات المَعلمة باستخدام هذه التدرجات المخفّضة، ما يحافظ على تزامن الأجهزة. لمعرفة المزيد من المعلومات حول التدريب الموزَّع باستخدام TensorFlow، يمكنك مشاهدة الفيديو أدناه:
4. إعداد البيئة
ستحتاج إلى مشروع Google Cloud Platform مع تفعيل الفوترة لتشغيل هذا الدرس التطبيقي حول الترميز. لإنشاء مشروع، يُرجى اتّباع التعليمات هنا.
الخطوة 1: تفعيل واجهة برمجة تطبيقات Compute Engine
انتقِل إلى Compute Engine واختَر تفعيل إذا لم يسبق لك تفعيله. ستحتاج إلى هذا لإنشاء مثيل دفتر الملاحظات.
الخطوة 2: تفعيل واجهة برمجة التطبيقات Container Registry API
انتقِل إلى Container Registry واختَر تفعيل إذا لم يسبق لك إجراء ذلك. ستستخدم هذا لإنشاء حاوية لوظيفة التدريب المخصصة.
الخطوة 3: تفعيل Vertex AI API
انتقِل إلى قسم Vertex AI في Cloud Console وانقر على تفعيل Vertex AI API.
الخطوة 4: إنشاء مثيل Vertex AI Workbench
من قسم Vertex AI في Cloud Console، انقر على Workbench:
فعِّل Notebooks API إذا لم يسبق لك تفعيلها.
بعد التفعيل، انقر على المفكرات المُدارة:
ثم اختَر مفكرة جديدة.
أدخِل اسمًا لدفتر الملاحظات، ثم انقر على الإعدادات المتقدّمة.
ضمن "الإعدادات المتقدمة"، فعِّل إيقاف التشغيل في وضع عدم النشاط واضبط عدد الدقائق على 60. وهذا يعني أنه سيتم إغلاق دفتر الملاحظات تلقائيًا عندما لا يتم استخدامه، وبذلك لن تتحمل أي تكاليف غير ضرورية.
ضمن الأمان اختَر "تفعيل الوحدة الطرفية". إذا لم يكن مفعّلاً من قبل.
ويمكنك ترك جميع الإعدادات المتقدّمة الأخرى كما هي.
بعد ذلك، انقر على إنشاء. ستستغرق عملية توفير المثيل بضع دقائق.
بعد إنشاء المثيل، اختَر فتح JupyterLab.
عند استخدام مثيل جديد لأول مرة، سيُطلب منك المصادقة. اتّبِع الخطوات في واجهة المستخدم لإجراء ذلك.
5. رمز تطبيق التدريب على Containerize
ستُرسل مهمة التدريب هذه إلى Vertex عن طريق وضع رمز تطبيق التدريب في حاوية Docker ودفع هذه الحاوية إلى Google Container Registry. باستخدام هذا النهج، يمكنك تدريب نموذج تم إنشاؤه باستخدام أي إطار عمل.
للبدء، من قائمة "مشغّل التطبيقات"، افتح نافذة المحطة الطرفية في مثيل ورقة الملاحظات:
أنشئ دليلاً جديدًا باسم cassava وأضِفه إليه:
mkdir cassava
cd cassava
الخطوة 1: إنشاء ملف Dockerfile
الخطوة الأولى في تجميع الرمز البرمجي في حاوية هي إنشاء ملف Dockerfile. في الملف الشامل ستضمّن جميع الأوامر اللازمة لتشغيل الصورة. ستقوم بتثبيت جميع المكتبات الضرورية وإعداد نقطة الدخول لرمز التدريب.
من Terminal، أنشئ ملف Dockerfile فارغًا:
touch Dockerfile
افتح Dockerfile وانسخ ما يلي إليه:
FROM gcr.io/deeplearning-platform-release/tf2-gpu.2-7
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"]
يستخدم هذا الملف الشامل صورة Deep Learning Container TensorFlow Enterprise 2.7 GPU Docker. تأتي حاويات التعلّم المتعمق على Google Cloud مع العديد من أُطر العمل الشائعة لتعلُّم الآلة وعلوم البيانات والمثبَّتة مسبقًا. بعد تنزيل تلك الصورة، يُعِدّ هذا الملف الشامل نقطة الدخول لرمز التدريب. لم تنشئ هذه الملفات بعد. وفي الخطوة التالية، ستضيف الرمز لتدريب النموذج وضبطه.
الخطوة 2: إنشاء حزمة على Cloud Storage
في هذه المهمة التدريبية، ستصدِّر نموذج TensorFlow المدرَّب إلى حزمة Cloud Storage. من "المحطة الطرفية"، شغِّل ما يلي لتحديد متغيّر env لمشروعك، مع الحرص على استبدال your-cloud-project بمعرّف مشروعك:
PROJECT_ID='your-cloud-project'
بعد ذلك، نفِّذ ما يلي في Terminal لإنشاء حزمة جديدة في مشروعك.
BUCKET="gs://${PROJECT_ID}-bucket"
gsutil mb -l us-central1 $BUCKET
الخطوة 3: إضافة رمز تدريب النموذج
من Terminal، شغِّل ما يلي لإنشاء دليل لرمز التدريب وملف Python حيث ستضيف الرمز:
mkdir trainer
touch trainer/task.py
من المفترض أن يكون لديك الآن ما يلي في دليل cassava/:
+ Dockerfile
+ trainer/
+ task.py
بعد ذلك، افتح ملف task.py الذي أنشأته للتو وانسخ الرمز البرمجي أدناه. يجب استبدال {your-gcs-bucket} باسم حزمة Cloud Storage التي أنشأتها للتو.
import tensorflow as tf
import tensorflow_datasets as tfds
import os
PER_REPLICA_BATCH_SIZE = 64
EPOCHS = 2
# TODO: replace {your-gcs-bucket} with the name of the Storage bucket you created earlier
BUCKET = 'gs://{your-gcs-bucket}/mwms'
def preprocess_data(image, label):
'''Resizes and scales images.'''
image = tf.image.resize(image, (300,300))
return tf.cast(image, tf.float32) / 255., label
def create_dataset(batch_size):
'''Loads Cassava dataset and preprocesses data.'''
data, info = tfds.load(name='cassava', as_supervised=True, with_info=True)
number_of_classes = info.features['label'].num_classes
train_data = data['train'].map(preprocess_data,
num_parallel_calls=tf.data.experimental.AUTOTUNE)
train_data = train_data.shuffle(1000)
train_data = train_data.batch(batch_size)
train_data = train_data.prefetch(tf.data.experimental.AUTOTUNE)
# Set AutoShardPolicy
options = tf.data.Options()
options.experimental_distribute.auto_shard_policy = tf.data.experimental.AutoShardPolicy.DATA
train_data = train_data.with_options(options)
return train_data, number_of_classes
def create_model(number_of_classes):
'''Creates and compiles pretrained ResNet50 model.'''
base_model = tf.keras.applications.ResNet50(weights='imagenet', include_top=False)
x = base_model.output
x = tf.keras.layers.GlobalAveragePooling2D()(x)
x = tf.keras.layers.Dense(1016, activation='relu')(x)
predictions = tf.keras.layers.Dense(number_of_classes, activation='softmax')(x)
model = tf.keras.Model(inputs=base_model.input, outputs=predictions)
model.compile(
loss='sparse_categorical_crossentropy',
optimizer=tf.keras.optimizers.Adam(0.0001),
metrics=['accuracy'])
return model
def _is_chief(task_type, task_id):
'''Helper function. Determines if machine is chief.'''
return task_type == 'chief'
def _get_temp_dir(dirpath, task_id):
'''Helper function. Gets temporary directory for saving model.'''
base_dirpath = 'workertemp_' + str(task_id)
temp_dir = os.path.join(dirpath, base_dirpath)
tf.io.gfile.makedirs(temp_dir)
return temp_dir
def write_filepath(filepath, task_type, task_id):
'''Helper function. Gets filepath to save model.'''
dirpath = os.path.dirname(filepath)
base = os.path.basename(filepath)
if not _is_chief(task_type, task_id):
dirpath = _get_temp_dir(dirpath, task_id)
return os.path.join(dirpath, base)
def main():
# Create strategy
strategy = tf.distribute.MultiWorkerMirroredStrategy()
# Get data
global_batch_size = PER_REPLICA_BATCH_SIZE * strategy.num_replicas_in_sync
train_data, number_of_classes = create_dataset(global_batch_size)
# Wrap variable creation within strategy scope
with strategy.scope():
model = create_model(number_of_classes)
model.fit(train_data, epochs=EPOCHS)
# Determine type and task of the machine from
# the strategy cluster resolver
task_type, task_id = (strategy.cluster_resolver.task_type,
strategy.cluster_resolver.task_id)
# Based on the type and task, write to the desired model path
write_model_path = write_filepath(BUCKET, task_type, task_id)
model.save(write_model_path)
if __name__ == "__main__":
main()
قبل إنشاء الحاوية، لنلقِ نظرةً عن كثب على الرمز الذي يستخدم MultiWorkerMirroredStrategy من tf.distribute.Strategy API.
هناك بعض المكونات في الرمز البرمجي والتي تكون ضرورية حتى يعمل الرمز مع MultiWorkerMirroredStrategy.
- يجب تقسيم البيانات، بمعنى أنه يتم تعيين مجموعة فرعية من مجموعة البيانات بأكملها لكل عامل. ولذلك، في كل خطوة سيعالج كل عامل حجم دُفعة عمومية من عناصر مجموعة البيانات غير المتداخلة. ويتم تقسيم البيانات تلقائيًا باستخدام
tf.data.experimental.AutoShardPolicy، ويمكن ضبطه علىFILEأوDATA. في هذا المثال، تضبط الدالةcreate_dataset()السمةAutoShardPolicyعلىDATAلأنّه لا يتم تنزيل مجموعة بيانات كاسافا كملفات متعددة. أمّا في حال عدم ضبط السياسة علىDATA، فسيتم تفعيل سياسةAUTOالتلقائية وستكون النتيجة النهائية هي نفسها. يمكنك الاطّلاع على مزيد من المعلومات حول تقسيم مجموعة البيانات باستخدامMultiWorkerMirroredStrategyهنا. - في الدالة
main()، يتم إنشاء الكائنMultiWorkerMirroredStrategy. بعد ذلك، يمكنك إنشاء متغيرات النموذج في نطاق الاستراتيجية. هذه الخطوة الحاسمة تخبر TensorFlow بالمتغيرات التي يجب عكسها عبر النسخ المكررة. - يتم زيادة حجم الدُفعة باستخدام
num_replicas_in_sync. يضمن ذلك أن تعالج كل نسخة العدد نفسه من النماذج في كل خطوة. يُعدّ تغيير حجم الحزمة من أفضل الممارسات عند استخدام استراتيجيات التوازي المتزامن للبيانات في TensorFlow. - يكون حفظ النموذج أكثر تعقيدًا قليلاً في حالة استخدام عدة عمال لأنّ الوجهة يجب أن تكون مختلفة لكل عامل. سيقوم كبير العاملين بحفظ النموذج إلى دليل النموذج المطلوب، بينما يقوم العاملون الآخرون بحفظ النموذج في الأدلة المؤقتة. ومن المهم أن تكون هذه الأدلة المؤقتة فريدة من أجل منع عدة عاملين من الكتابة في الموقع نفسه. يمكن أن يتضمن المدخر عمليات جماعية، مما يعني أنه يجب على جميع العاملين الإنقاذ وليس الرئيس فقط. تتضمن الدوال
_is_chief()و_get_temp_dir()وwrite_filepath()والدالةmain()جميعها رموزًا نموذجية تساعد في حفظ النموذج.
يُرجى العِلم بأنّه في حال استخدام MultiWorkerMirroredStrategy في بيئة مختلفة، يُحتمل أنّك أعددت متغيّر البيئة TF_CONFIG. يُحدِّد Vertex AI TF_CONFIG تلقائيًا، لذلك لا تحتاج إلى تحديد هذا المتغيّر على كل جهاز في مجموعتك.
الخطوة 4: إنشاء الحاوية
من "المحطة الطرفية"، شغِّل ما يلي لتحديد متغيّر env لمشروعك، مع الحرص على استبدال your-cloud-project بمعرّف مشروعك:
PROJECT_ID='your-cloud-project'
حدد متغيرًا باستخدام معرف الموارد المنتظم (URI) لصورة الحاوية في Google Container Registry:
IMAGE_URI="gcr.io/$PROJECT_ID/multiworker:cassava"
ضبط إعدادات Docker
gcloud auth configure-docker
بعد ذلك، أنشِئ الحاوية عن طريق تنفيذ ما يلي من جذر الدليل cassava:
docker build ./ -t $IMAGE_URI
أخيرًا، ادفع الحاوية إلى Google Container Registry:
docker push $IMAGE_URI
مع إرسال الحاوية إلى Container Registry، تكون الآن جاهزًا لبدء مهمة التدريب.
6. تشغيل وظيفة تدريب متعددة العمال على Vertex AI
يستخدم هذا التمرين المعملي تدريبًا مخصصًا عبر حاوية مخصصة في Container Registry من Google، ولكن يمكنك أيضًا تشغيل مهمة تدريبية باستخدام الحاويات المُنشأة مسبقًا.
للبدء، انتقِل إلى قسم التدريب في قسم Vertex في Cloud Console:
الخطوة 1: ضبط مهمة التدريب
انقر على إنشاء لإدخال مَعلمات مهمة التدريب.
- ضمن مجموعة البيانات، اختَر ما مِن مجموعة بيانات مُدارة.
- بعد ذلك، اختَر تدريب مخصّص (متقدّم) كطريقة للتدريب وانقر على متابعة.
- أدخِل
multiworker-cassava(أو أي اسم تريد تسمية النموذج به) في حقل اسم النموذج. - انقر على متابعة.
في خطوة "إعدادات الحاوية"، اختَر حاوية مخصّصة:
في المربّع الأول (صورة الحاوية)، أدخِل قيمة المتغيّر IMAGE_URI من القسم السابق. يجب أن يكون الرقم: gcr.io/your-cloud-project/multiworker:cassava، مع رقم تعريف مشروعك. اترك باقي الحقول فارغةً وانقر على متابعة.
يمكنك تخطّي خطوة معلَمة التخطّي من خلال النقر على متابعة مرة أخرى.
الخطوة 2: ضبط مجموعة الحوسبة
يوفّر Vertex AI 4 مسابح للعمال لتغطية الأنواع المختلفة من مهام الأجهزة.
تضبط مجموعة العمال 0 "أساسي" أو "رئيسي" أو "أداة الجدولة" أو "رئيسي". في MultiWorkerMirroredStrategy، يتم تصنيف جميع الأجهزة باعتبارها عمال، وهي الأجهزة المادية التي يتم تنفيذ العمليات الحسابية المنسوخة عليها. بالإضافة إلى أن يكون كل جهاز عاملاً، يجب أن يكون هناك عامل واحد يقوم ببعض الأعمال الإضافية مثل حفظ نقاط التحقق وكتابة ملفات الملخص على TensorBoard. يُعرف هذا الجهاز باسم "الرئيس". هناك كبير عامل واحد فقط، لذلك فإن عدد العمال الذين تجمعهم مجموعة العمال 0 سيكون دائمًا 1.
في الحوسبة والتسعير، اترُك المنطقة المحدّدة كما هي واضبط مجموعة العاملين 0 على النحو التالي:
تمثِّل مجموعة العمال 1 المكان الذي يمكنك فيه إعداد العاملين في مجموعتك.
اضبط مجموعة العمال 1 على النحو التالي:
تم ضبط المجموعة الآن لتضم جهازين يعملان على وحدة المعالجة المركزية (CPU) فقط. عند تشغيل رمز تطبيق التدريب، سيوزّع "MultiWorkerMirroredStrategy" التدريب على كلا الجهازَين.
لا يتضمّن MultiWorkerMirroredStrategy سوى نوعَي المهام، وهما مهام رئيسية ومهام عامل، لذا لا حاجة إلى ضبط "مجموعات العمال" الإضافية. مع ذلك، إذا أردت استخدام ParameterServerStrategy في TensorFlow، يجب ضبط خوادم المَعلمات في worker group 2. وإذا أردت إضافة تقييم إلى مجموعتك، عليك ضبط هذا الجهاز في مجموعة العمال 3.
انقر على بدء التدريب لبدء مهمة ضبط المعلَمة الفائقة. في قسم "التدريب" في وحدة التحكّم ضمن علامة التبويب تدريب المسارات، سترى الوظيفة التي تم إطلاقها حديثًا:
🎉 تهانينا. 🎉
لقد تعلمت كيفية استخدام Vertex AI لإجراء ما يلي:
- يمكنك إطلاق وظيفة تدريب متعددة العمال لرمز التدريب المقدَّم في حاوية مخصّصة. لقد استخدمت نموذج TensorFlow في هذا المثال، ولكن يمكنك تدريب نموذج تم إنشاؤه باستخدام أي إطار عمل باستخدام حاويات مخصّصة أو مضمّنة.
لمزيد من المعلومات حول أجزاء مختلفة من Vertex، يمكنك الاطّلاع على المستندات.
7. [اختياري] استخدام حزمة تطوير البرامج (SDK) لـ Vertex
شرح القسم السابق كيفية بدء مهمة التدريب من خلال واجهة المستخدم. في هذا القسم، ستتعرّف على طريقة بديلة لإرسال مهمة التدريب باستخدام واجهة برمجة التطبيقات Vertex Python API.
يمكنك الرجوع إلى مثيل دفتر الملاحظات وإنشاء ورقة ملاحظات TensorFlow 2 من "مشغّل التطبيقات":
استورِد حزمة تطوير برامج Vertex AI.
from google.cloud import aiplatform
لإطلاق وظيفة تدريب العمال المتعددين، تحتاج أولاً إلى تحديد مواصفات مجموعة العمال. يُرجى العِلم أنّ استخدام وحدات معالجة الرسومات في المواصفات هو إجراء اختياري تمامًا ويمكنك إزالة السمتَين accelerator_type وaccelerator_count إذا كنت تريد استخدام وحدة معالجة مركزية فقط كما هو موضّح في القسم السابق.
# The spec of the worker pools including machine type and Docker image
# Be sure to replace {YOUR-PROJECT-ID} with your project ID.
worker_pool_specs=[
{
"replica_count": 1,
"machine_spec": {
"machine_type": "n1-standard-8", "accelerator_type": "NVIDIA_TESLA_V100", "accelerator_count": 1
},
"container_spec": {"image_uri": "gcr.io/{YOUR-PROJECT-ID}/multiworker:cassava"}
},
{
"replica_count": 1,
"machine_spec": {
"machine_type": "n1-standard-8", "accelerator_type": "NVIDIA_TESLA_V100", "accelerator_count": 1
},
"container_spec": {"image_uri": "gcr.io/{YOUR-PROJECT-ID}/multiworker:cassava"}
}
]
بعد ذلك، أنشئ CustomJob وشغِّله. عليك استبدال "{YOUR_BUCKET}" بحزمة في مشروعك من أجل التقسيم المرحلي. يمكنك استخدام الحزمة نفسها التي أنشأتها سابقًا.
# Replace YOUR_BUCKET
my_multiworker_job = aiplatform.CustomJob(display_name='multiworker-cassava-sdk',
worker_pool_specs=worker_pool_specs,
staging_bucket='gs://{YOUR_BUCKET}')
my_multiworker_job.run()
في قسم "التدريب" في وحدة التحكّم ضمن علامة التبويب المهام المخصّصة، ستظهر لك مهمة التدريب:
8. تنظيف
لأنّنا ضبطنا ورقة الملاحظات على انتهاء مهلة الحاسب بعد 60 دقيقة من عدم النشاط، لا داعي للقلق بشأن إيقاف تشغيل المثيل. إذا أردت إيقاف المثيل يدويًا، انقر على زر "إيقاف" في قسم Vertex AI Workbench من وحدة التحكّم. إذا كنت ترغب في حذف الدفتر بالكامل، فانقر فوق الزر "Delete" (حذف).
لحذف "حزمة التخزين"، باستخدام قائمة التنقّل في Cloud Console، انتقِل إلى "مساحة التخزين" واختَر الحزمة وانقر على "حذف":
