run do job de treinamento para executar o script. Neste tópico, você cria o script de treinamento e especifica argumentos de comando para ele.
Criar um script de treinamento
Nesta seção, você criará um script de treinamento. Esse script é um novo arquivo no ambiente do notebook chamado task.py. Mais adiante neste tutorial, você vai transmitir esse script para o construtor aiplatform.CustomTrainingJob. Quando o script é executado, ele faz o seguinte:
Carrega os dados no conjunto de dados do BigQuery que você criou.
Usa a API TensorFlow Keras para criar, compilar e treinar seu modelo.
Especifica o número de épocas e o tamanho do lote a ser usado quando o método
Model.fitdo Keras é invocado.Especifica onde salvar os artefatos de modelo usando a variável de ambiente
AIP_MODEL_DIR.AIP_MODEL_DIRé definido pela Vertex AI e contém o URI de um diretório para salvar artefatos de modelo. Para mais informações, consulte Variáveis de ambiente para diretórios especiais do Cloud Storage.Exporta um
SavedModeldo TensorFlow para o diretório do modelo. Para mais informações, consulte Como usar o formatoSavedModelno site do TensorFlow.
Para criar o script de treinamento, execute o seguinte código no seu notebook:
%%writefile task.py import argparse import numpy as np import os import pandas as pd import tensorflow as tf from google.cloud import bigquery from google.cloud import storage # Read environmental variables training_data_uri = os.getenv("AIP_TRAINING_DATA_URI") validation_data_uri = os.getenv("AIP_VALIDATION_DATA_URI") test_data_uri = os.getenv("AIP_TEST_DATA_URI") # Read args parser = argparse.ArgumentParser() parser.add_argument('--label_column', required=True, type=str) parser.add_argument('--epochs', default=10, type=int) parser.add_argument('--batch_size', default=10, type=int) args = parser.parse_args() # Set up training variables LABEL_COLUMN = args.label_column # See https://cloud.google.com/vertex-ai/docs/workbench/managed/executor#explicit-project-selection for issues regarding permissions. PROJECT_NUMBER = os.environ["CLOUD_ML_PROJECT_ID"] bq_client = bigquery.Client(project=PROJECT_NUMBER) # Download a table def download_table(bq_table_uri: str): # Remove bq:// prefix if present prefix = "bq://" if bq_table_uri.startswith(prefix): bq_table_uri = bq_table_uri[len(prefix) :] # Download the BigQuery table as a dataframe # This requires the "BigQuery Read Session User" role on the custom training service account. table = bq_client.get_table(bq_table_uri) return bq_client.list_rows(table).to_dataframe() # Download dataset splits df_train = download_table(training_data_uri) df_validation = download_table(validation_data_uri) df_test = download_table(test_data_uri) def convert_dataframe_to_dataset( df_train: pd.DataFrame, df_validation: pd.DataFrame, ): df_train_x, df_train_y = df_train, df_train.pop(LABEL_COLUMN) df_validation_x, df_validation_y = df_validation, df_validation.pop(LABEL_COLUMN) y_train = tf.convert_to_tensor(np.asarray(df_train_y).astype("float32")) y_validation = tf.convert_to_tensor(np.asarray(df_validation_y).astype("float32")) # Convert to numpy representation x_train = tf.convert_to_tensor(np.asarray(df_train_x).astype("float32")) x_test = tf.convert_to_tensor(np.asarray(df_validation_x).astype("float32")) # Convert to one-hot representation num_species = len(df_train_y.unique()) y_train = tf.keras.utils.to_categorical(y_train, num_classes=num_species) y_validation = tf.keras.utils.to_categorical(y_validation, num_classes=num_species) dataset_train = tf.data.Dataset.from_tensor_slices((x_train, y_train)) dataset_validation = tf.data.Dataset.from_tensor_slices((x_test, y_validation)) return (dataset_train, dataset_validation) # Create datasets dataset_train, dataset_validation = convert_dataframe_to_dataset(df_train, df_validation) # Shuffle train set dataset_train = dataset_train.shuffle(len(df_train)) def create_model(num_features): # Create model Dense = tf.keras.layers.Dense model = tf.keras.Sequential( [ Dense( 100, activation=tf.nn.relu, kernel_initializer="uniform", input_dim=num_features, ), Dense(75, activation=tf.nn.relu), Dense(50, activation=tf.nn.relu), Dense(25, activation=tf.nn.relu), Dense(3, activation=tf.nn.softmax), ] ) # Compile Keras model optimizer = tf.keras.optimizers.RMSprop(lr=0.001) model.compile( loss="categorical_crossentropy", metrics=["accuracy"], optimizer=optimizer ) return model # Create the model model = create_model(num_features=dataset_train._flat_shapes[0].dims[0].value) # Set up datasets dataset_train = dataset_train.batch(args.batch_size) dataset_validation = dataset_validation.batch(args.batch_size) # Train the model model.fit(dataset_train, epochs=args.epochs, validation_data=dataset_validation) tf.saved_model.save(model, os.getenv("AIP_MODEL_DIR")) Depois que você criar o script, ele vai aparecer na pasta raiz do notebook: 
Defina argumentos para seu script de treinamento
Transmita os seguintes argumentos de linha de comando para seu script de treinamento:
label_column: identifica a coluna nos dados que contém o que você quer prever. Nesse caso, essa coluna éspecies. Você definiu isso em uma variável chamadaLABEL_COLUMNao processar seus dados. Para mais informações, consulte Fazer o download, pré-processamento e divisão dos dados.epochs: esse é o número de épocas usadas ao treinar o modelo. Uma época é uma iteração dos dados ao treinar o modelo. Neste tutorial, usamos 20 épocas.batch_size: é o número de amostras processadas antes da atualização do modelo. Este tutorial usa um tamanho de lote de 10.
Para definir os argumentos que são transmitidos para seu script, execute o seguinte código:
JOB_NAME = "custom_job_unique" EPOCHS = 20 BATCH_SIZE = 10 CMDARGS = [ "--label_column=" + LABEL_COLUMN, "--epochs=" + str(EPOCHS), "--batch_size=" + str(BATCH_SIZE), ]