El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència
HOME Els meus cursos Finalitzats
◄ Anterior
◄

Plataforma d'IA

Següent ►
►

Introducció

La Plataforma d'IA de Google Cloud (AI Platform) és un conjunt de serveis i eines que permeten als desenvolupadors i científics de dades construir, entrenar i desplegar models d'aprenentatge automàtic (ML) a escala. Aquest mòdul proporcionarà una visió general de les capacitats de la Plataforma d'IA, així com exemples pràctics i exercicis per ajudar-te a començar.

Continguts

  1. Què és la Plataforma d'IA?
  2. Components principals de la Plataforma d'IA
  3. Entrenament de models
  4. Desplegament de models
  5. Exemple pràctic: Entrenament i desplegament d'un model
  6. Exercicis pràctics
  7. Conclusió

Què és la Plataforma d'IA?

La Plataforma d'IA de Google Cloud és una solució completa per al desenvolupament de models d'aprenentatge automàtic. Ofereix eines per a cada pas del cicle de vida del ML, des de la preparació de dades fins al desplegament i monitoratge de models.

Característiques clau:

  • Entrenament gestionat: Permet entrenar models a gran escala utilitzant la infraestructura de Google.
  • Desplegament de models: Facilita el desplegament de models per a la inferència en temps real o per lots.
  • Integració amb altres serveis de GCP: Com BigQuery, Cloud Storage, i Dataflow.

Components principals de la Plataforma d'IA

  1. AI Platform Notebooks

  • Entorns de desenvolupament integrats (IDE) basats en Jupyter Notebooks.
  • Preconfigurats amb biblioteques populars de ML com TensorFlow, Keras, i PyTorch.

  1. AI Platform Training

  • Servei gestionat per entrenar models de ML a gran escala.
  • Suporta entrenament distribuït i acceleració amb GPU/TPU.

  1. AI Platform Prediction

  • Servei per desplegar models entrenats i fer prediccions en temps real o per lots.
  • Escalabilitat automàtica per gestionar diferents volums de sol·licituds.

  1. AI Platform Pipelines

  • Eina per crear, gestionar i monitorar fluxos de treball de ML.
  • Basat en Kubeflow Pipelines.

Entrenament de models

Passos per entrenar un model a la Plataforma d'IA:

  1. Preparació de dades: Emmagatzema les dades d'entrenament a Google Cloud Storage.
  2. Definició del model: Escriu el codi del model utilitzant TensorFlow, Keras, o una altra biblioteca de ML.
  3. Configuració de l'entrenament: Defineix els paràmetres d'entrenament, com el tipus de màquina i el nombre d'epochs.
  4. Llançament de la feina d'entrenament: Utilitza AI Platform Training per iniciar l'entrenament.

Exemple de codi per entrenar un model:

import tensorflow as tf
from tensorflow import keras

# Defineix el model
model = keras.Sequential([
    keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    keras.layers.Dense(10, activation='softmax')
])

# Compila el model
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# Carrega les dades d'entrenament
(train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0

# Entrena el model
model.fit(train_images, train_labels, epochs=5)

# Guarda el model
model.save('gs://bucket_name/model')

Desplegament de models

Passos per desplegar un model a la Plataforma d'IA:

  1. Emmagatzematge del model: Guarda el model entrenat a Google Cloud Storage.
  2. Creació d'una versió del model: Utilitza AI Platform Prediction per crear una versió del model.
  3. Desplegament del model: Desplega la versió del model per fer prediccions.

Exemple de codi per desplegar un model:

# Defineix variables
MODEL_NAME="mnist_model"
MODEL_VERSION="v1"
MODEL_PATH="gs://bucket_name/model"

# Crea el model a AI Platform
gcloud ai-platform models create $MODEL_NAME --regions us-central1

# Crea una versió del model
gcloud ai-platform versions create $MODEL_VERSION \
  --model $MODEL_NAME \
  --origin $MODEL_PATH \
  --runtime-version 2.1 \
  --python-version 3.7

Exemple pràctic: Entrenament i desplegament d'un model

Objectiu:

Entrenar un model de classificació d'imatges utilitzant el conjunt de dades MNIST i desplegar-lo per fer prediccions en temps real.

Passos:

  1. Preparació de dades: Carrega i preprocesa les dades MNIST.
  2. Entrenament del model: Defineix i entrena un model de xarxa neuronal.
  3. Desplegament del model: Guarda el model a Google Cloud Storage i desplega'l utilitzant AI Platform Prediction.

Codi complet:

import tensorflow as tf
from tensorflow import keras

# Defineix el model
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

# Compila el model
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# Carrega les dades d'entrenament
(train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0

# Entrena el model
model.fit(train_images, train_labels, epochs=5)

# Guarda el model
model.save('gs://bucket_name/model')

# Desplega el model (executa aquest codi a la terminal)
# gcloud ai-platform models create mnist_model --regions us-central1
# gcloud ai-platform versions create v1 --model mnist_model --origin gs://bucket_name/model --runtime-version 2.1 --python-version 3.7

Exercicis pràctics

Exercici 1: Entrenament d'un model de regressió

  • Utilitza un conjunt de dades de regressió (per exemple, el conjunt de dades de preus de cases).
  • Defineix i entrena un model de regressió utilitzant TensorFlow.
  • Guarda el model a Google Cloud Storage.

Exercici 2: Desplegament d'un model de regressió

  • Desplega el model de regressió entrenat utilitzant AI Platform Prediction.
  • Fes prediccions utilitzant el model desplegat.

Solucions

Exercici 1: Entrenament d'un model de regressió

import tensorflow as tf
from tensorflow import keras
import numpy as np

# Genera dades de mostra
x = np.random.rand(1000, 1)
y = 3 * x + np.random.randn(1000, 1) * 0.1

# Defineix el model
model = keras.Sequential([
    keras.layers.Dense(1, input_shape=(1,))
])

# Compila el model
model.compile(optimizer='adam', loss='mean_squared_error')

# Entrena el model
model.fit(x, y, epochs=10)

# Guarda el model
model.save('gs://bucket_name/regression_model')

Exercici 2: Desplegament d'un model de regressió

# Defineix variables
MODEL_NAME="regression_model"
MODEL_VERSION="v1"
MODEL_PATH="gs://bucket_name/regression_model"

# Crea el model a AI Platform
gcloud ai-platform models create $MODEL_NAME --regions us-central1

# Crea una versió del model
gcloud ai-platform versions create $MODEL_VERSION \
  --model $MODEL_NAME \
  --origin $MODEL_PATH \
  --runtime-version 2.1 \
  --python-version 3.7

Conclusió

En aquest mòdul, hem explorat la Plataforma d'IA de Google Cloud, incloent-hi els seus components principals, com entrenar i desplegar models, i hem treballat amb exemples pràctics. Ara tens les eines necessàries per començar a construir i desplegar els teus propis models d'aprenentatge automàtic a Google Cloud. En el següent mòdul, explorarem AutoML, una eina que facilita la creació de models de ML sense necessitat de coneixements avançats en programació.

◄ Anterior
◄
Següent ►
►
El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència
© Copyright 2024. Tots els drets reservats