(source : GCP qwiklabs)

 

버킷생성 

 

1. 버킷 생성 : Navigation menu> Storage > [Create a standard bucket]

 

 

2. Babyweight 데이터세트를 스토리지 버킷에 복사

- Cloud Shell에서, 아래 명령어를 실행하여 사전 처리된 데이터세트를 내 버킷에 복사

- <BUCKET> 부분을 위에서 생성한 버킷 이름으로 변경

gsutil cp gs://cloud-training-demos/babyweight/preproc/* gs://<BUCKET>/babyweight/preproc/

 

(결과화면)

 

 

TensorBoard 설정 + AI Platform Notebooks 생성

 

3.  Cloud Shell에서, TensorBoard를 지원하는 Cloud AI Platform Notebook 인스턴스를 생성

export IMAGE_FAMILY="tf-1-14-cpu" 
export ZONE="us-west1-b" 
export INSTANCE_NAME="tf-tensorboard-1" 
export INSTANCE_TYPE="n1-standard-4" 
gcloud compute instances create "${INSTANCE_NAME}" \ 
     --zone="${ZONE}" \ 
     --image-family="${IMAGE_FAMILY}" \ 
     --image-project=deeplearning-platform-release \ 
     --machine-type="${INSTANCE_TYPE}" \ 
     --boot-disk-size=200GB \ 
     --scopes=https://www.googleapis.com/auth/cloud-platform \ 
     --metadata="proxy-mode=project_editors"

 

 

4. Navigation Menu > AI Platform > Notebooks 클릭

 

 

5. 인스턴스 생성 확인 : REFRESH 버튼 클릭 

(인스턴스 생성까지 2~3분 정도 소요될 수 있음)

 

 

6. 주피터 노트북 열기 : 생성된 인스턴스에서 OPEN JUPYTERLAB 클릭

 

(결과화면) JupyterLab Window가 새창으로 열림

 

 

AI Platform Notebooks 인스턴스에 학습 Repo 복사

 

 

 

7. 학습 Repo 복사 : JupyterLab에서 Terminal 아이콘을 클릭한 후, 아래 명령어 실행하여 git에서 training-data-analyst 클론

git clone https://github.com/GoogleCloudPlatform/training-data-analyst

 

(결과화면)

 

 

학습(training) 예측(prediction) 모델 실행하기

 

8. 아래 경로로 이동하여 노트북 실행

- training-data-analyst > blogs > babyweight > train_deploy.ipynb 실행

- Python 커널을 Python3로 변경 (default : Python 2)

train_deploy.html
0.44MB

 

- 노트북 코드를 따라 아래 내용을 단계별로 실습할 수 있음 (Shift + Enger)

   1) Dataflow를 사용하여 머신러닝을 위한 Babyweight 데이터 세트 생성

   2) Estimator API를 사용하여 모델 구축

   3) Cloud ML Engine에서 머신러닝 모델 학습 (Training)

   4) 학습된 모델 배포 (Deploying)

   5) 모델을 활용하여 예측 (Predicting)

 

 

9. 텐서보드(TensorBoard)에서 작업결과 확인하기

- File > New Luancher > Tensorboard 클릭

- SCALARS

 

- GRAPHS

 

- DISTRIBUTIONS

 

- HISTOGRAMS

 

- PROJECTOR

+ Recent posts