menu
arrow_back

AI Platform: Qwik Start

—/100

Checkpoints

arrow_forward

Set up a Google Cloud Storage bucket

Upload the data files to your Cloud Storage bucket

Run a single-instance trainer in the cloud

Create a Cloud ML Engine model

Create a version v1 of your model

AI Platform: Qwik Start

1 Stunde 1 Guthabenpunkt

GSP076

Google Cloud-Labs zum selbstbestimmten Lernen

Übersicht

In diesem Lab zeigen wir Ihnen, wie Sie Modelle mithilfe von TensorFlow 2.x lokal und auf AI Platform trainieren. Außerdem erfahren Sie, wie Sie Ihr Modell nach erfolgtem Training auf AI Platform bereitstellen. Das fertige Modell soll die Einkommenskategorie einer Person auf Basis des Datasets der Einkommenserhebung in den USA vorhersagen.

In den folgenden Kapiteln erhalten Sie eine umfassende Einführung in die Themen Training und Vorhersage auf AI Platform. Anhand eines Datasets der Einkommenserhebung sehen wir uns an, wie Sie

  • eine TensorFlow 2.x-Trainingsanwendung erstellen und lokal validieren,
  • einen Trainingsjob in einer einzelnen Worker-Instanz in der Cloud ausführen,
  • ein Modell für Vorhersagen erstellen und
  • eine Onlinevorhersage anfordern und das Ergebnis ansehen.

Umfang

Im Beispiel wird ein Wide-and-Deep-Modell für die Vorhersage der Einkommenskategorie auf Basis des Datasets der Einkommenserhebung in den USA erstellt. Die zwei Einkommenskategorien (auch bekannt als Labels) sind:

  • >50K – mehr als 50.000 $
  • <=50K – weniger als oder gleich 50.000 $

Wide-and-Deep-Modelle nutzen neuronale Deep-Learning-Netzwerke (Deep Neural Networks, DNN) zum Lernen übergeordneter Abstraktionen komplexer Features oder Interaktionen zwischen solchen Features. Diese Modelle kombinieren dann die Ausgaben des DNN mit einer linearen Regression, die auf Basis einfacherer Features ausgeführt wird. Dies sorgt für einen Kompromiss zwischen Leistung und Geschwindigkeit, der bei vielen Problemen mit strukturierten Daten einen effektiven Ansatz darstellt.

Im Beispiel wird das Modell mithilfe der vorhandenen Klasse DNNCombinedLinearClassifier definiert. Ebenso werden die Datentransformationen definiert, die für das Dataset der Einkommenserhebung spezifisch sind. Diese (möglicherweise) transformierten Features werden dann entweder dem DNN oder dem linearen Teil des Modells zugewiesen.

Wenn Sie sich in Qwiklabs anmelden, erhalten Sie Zugriff auf den Rest des Labs – und mehr!

  • Sie erhalten vorübergehenden Zugriff auf Google Cloud Console.
  • Mehr als 200 Labs für Einsteiger und Experten.
  • In kurze Sinneinheiten eingeteilt, damit Sie in Ihrem eigenen Tempo lernen können.
Beitreten, um dieses Lab zu starten