প্রোটোটাইপ থেকে প্রোডাকশন: ভার্টেক্স এআই-এর সাথে কাস্টম মডেলের প্রশিক্ষণ

১. সংক্ষিপ্ত বিবরণ

এই ল্যাবে, আপনি Vertex AI ব্যবহার করে একটি কাস্টম ট্রেনিং জব চালাবেন।

এই ল্যাবটি ‘প্রোটোটাইপ টু প্রোডাকশন’ ভিডিও সিরিজের একটি অংশ। আপনি ‘ফ্লাওয়ার্স’ ডেটাসেট ব্যবহার করে একটি ইমেজ ক্লাসিফিকেশন মডেল তৈরি করবেন। আরও জানতে আপনি সংযুক্ত ভিডিওটি দেখতে পারেন:

.

আপনি যা শিখবেন

আপনি শিখবেন কীভাবে:

• একটি ভার্টেক্স এআই ওয়ার্কবেঞ্চ পরিচালিত নোটবুক তৈরি করুন
• Vertex AI UI থেকে একটি কাস্টম ট্রেনিং জব কনফিগার ও চালু করুন।
• Vertex AI Python SDK ব্যবহার করে একটি কাস্টম ট্রেনিং জব কনফিগার ও চালু করুন।

গুগল ক্লাউডে এই ল্যাবটি চালানোর মোট খরচ প্রায় ১ ডলার ।

২. ভার্টেক্স এআই-এর পরিচিতি

এই ল্যাবটি গুগল ক্লাউডে উপলব্ধ সর্বাধুনিক এআই প্রোডাক্টটি ব্যবহার করে। ভার্টেক্স এআই গুগল ক্লাউডের এমএল অফারিংগুলোকে একটি নির্বিঘ্ন ডেভেলপমেন্ট অভিজ্ঞতায় একীভূত করে। পূর্বে, অটোএমএল (AutoML) দিয়ে প্রশিক্ষিত মডেল এবং কাস্টম মডেলগুলো আলাদা সার্ভিসের মাধ্যমে অ্যাক্সেস করা যেত। নতুন অফারিংটি অন্যান্য নতুন প্রোডাক্টের সাথে উভয়কে একটি একক এপিআই-তে একত্রিত করেছে। আপনি আপনার বিদ্যমান প্রোজেক্টগুলোও ভার্টেক্স এআই-তে মাইগ্রেট করতে পারেন।

ভার্টেক্স এআই-এর এন্ড-টু-এন্ড এমএল ওয়ার্কফ্লো সমর্থন করার জন্য বিভিন্ন পণ্য রয়েছে। এই ল্যাবটি নিচে উল্লেখিত পণ্যগুলোর উপর আলোকপাত করবে: ট্রেনিং এবং ওয়ার্কবেঞ্চ।

৩. আপনার পরিবেশ প্রস্তুত করুন

এই কোডল্যাবটি চালানোর জন্য আপনার বিলিং চালু করা একটি গুগল ক্লাউড প্ল্যাটফর্ম প্রজেক্ট প্রয়োজন হবে। প্রজেক্ট তৈরি করতে, এখানের নির্দেশাবলী অনুসরণ করুন।

ধাপ ১: কম্পিউট ইঞ্জিন এপিআই সক্রিয় করুন

Compute Engine- এ যান এবং যদি এটি আগে থেকে চালু না থাকে, তাহলে Enable নির্বাচন করুন।

ধাপ ২: আর্টিফ্যাক্ট রেজিস্ট্রি এপিআই সক্রিয় করুন

আর্টিফ্যাক্ট রেজিস্ট্রি- তে যান এবং যদি আগে থেকে সক্রিয় করা না থাকে, তবে সেটি নির্বাচন করুন। আপনার কাস্টম ট্রেনিং জবের জন্য একটি কন্টেইনার তৈরি করতে আপনি এটি ব্যবহার করবেন।

ধাপ ৩: Vertex AI API সক্রিয় করুন

আপনার ক্লাউড কনসোলের Vertex AI বিভাগে যান এবং Enable Vertex AI API-তে ক্লিক করুন।

ধাপ ৪: একটি Vertex AI Workbench ইনস্ট্যান্স তৈরি করুন

আপনার ক্লাউড কনসোলের Vertex AI সেকশন থেকে Workbench-এ ক্লিক করুন:

নোটবুকস এপিআই (Notebooks API) সক্রিয় করুন, যদি আগে থেকে সক্রিয় করা না থাকে।

একবার চালু হয়ে গেলে, ম্যানেজড নোটবুকস-এ ক্লিক করুন:

তারপর নতুন নোটবুক নির্বাচন করুন।

আপনার নোটবুকের একটি নাম দিন এবং 'Permission'-এর অধীনে 'Service account' নির্বাচন করুন।

উন্নত সেটিংস নির্বাচন করুন।

সিকিউরিটি-এর অধীনে, 'Enable terminal' নির্বাচন করুন, যদি এটি আগে থেকে সক্রিয় করা না থাকে।

আপনি অন্যান্য সমস্ত উন্নত সেটিংস অপরিবর্তিত রাখতে পারেন।

এরপর, Create-এ ক্লিক করুন। ইনস্ট্যান্সটি প্রোভিশন হতে কয়েক মিনিট সময় লাগবে।

ইনস্ট্যান্সটি তৈরি হয়ে গেলে, ওপেন জুপিটারল্যাব (OPEN JUPYTERLAB ) নির্বাচন করুন।

৪. প্রশিক্ষণ অ্যাপ্লিকেশন কোডকে কন্টেইনারাইজ করুন

আপনার ট্রেনিং অ্যাপ্লিকেশন কোড একটি ডকার কন্টেইনারে রেখে এবং সেই কন্টেইনারটিকে গুগল আর্টিফ্যাক্ট রেজিস্ট্রি- তে পুশ করার মাধ্যমে আপনি ভার্টেক্স এআই-এর কাছে এই ট্রেনিং জবটি জমা দেবেন। এই পদ্ধতি ব্যবহার করে, আপনি যেকোনো ফ্রেমওয়ার্ক দিয়ে তৈরি একটি মডেলকে ট্রেইন করতে পারবেন।

শুরু করতে, লঞ্চার মেনু থেকে আপনার নোটবুক ইনস্ট্যান্সে একটি টার্মিনাল উইন্ডো খুলুন:

ধাপ ১: একটি ক্লাউড স্টোরেজ বাকেট তৈরি করুন

এই ট্রেনিং জবে, আপনাকে প্রশিক্ষিত TensorFlow মডেলটি একটি ক্লাউড স্টোরেজ বাকেটে এক্সপোর্ট করতে হবে। এছাড়াও, ট্রেনিংয়ের জন্য প্রয়োজনীয় ডেটা একটি ক্লাউড স্টোরেজ বাকেটে সংরক্ষণ করতে হবে।

আপনার প্রোজেক্টের জন্য একটি এনভ ভ্যারিয়েবল নির্ধারণ করতে, আপনার টার্মিনাল থেকে নিম্নলিখিত কমান্ডটি চালান এবং অবশ্যই your-cloud-project এর জায়গায় আপনার প্রোজেক্টের আইডি বসাবেন:

আপনার টার্মিনালে gcloud config list --format 'value(core.project)' কমান্ডটি চালিয়ে আপনি আপনার প্রজেক্ট আইডি পেতে পারেন।

PROJECT_ID='your-cloud-project'

এরপরে, আপনার প্রোজেক্টে একটি নতুন বাকেট তৈরি করতে টার্মিনালে নিম্নলিখিত কমান্ডটি চালান।

BUCKET="gs://${PROJECT_ID}-bucket"
gsutil mb -l us-central1 $BUCKET

ধাপ ২: ডেটা ক্লাউড স্টোরেজ বাকেটে কপি করুন

আমাদের ফুলের ডেটাসেটটি ক্লাউড স্টোরেজে আনতে হবে। প্রদর্শনের উদ্দেশ্যে, আপনি প্রথমে ডেটাসেটটি এই ওয়ার্কবেঞ্চ ইনস্ট্যান্সে ডাউনলোড করবেন এবং তারপর এটি একটি বাকেটে কপি করবেন।

ডেটা ডাউনলোড এবং আনটার করুন।

wget https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz
tar xvzf flower_photos.tgz

তারপর এটি আপনার সদ্য তৈরি করা বাকেটটিতে কপি করুন। আমরা -r যোগ করি কারণ আমরা পুরো ডিরেক্টরিটি কপি করতে চাই, এবং -m যোগ করি একটি মাল্টি-প্রসেসিং কপি করার জন্য, যা কাজটিকে দ্রুততর করবে।

gsutil -m cp -r flower_photos $BUCKET

ধাপ ৩: প্রশিক্ষণ কোড লিখুন

flowers নামে একটি নতুন ডিরেক্টরি তৈরি করুন এবং cd কমান্ড ব্যবহার করে তার ভেতরে প্রবেশ করুন:

mkdir flowers
cd flowers

ট্রেনিং কোডের জন্য একটি ডিরেক্টরি এবং কোড যোগ করার জন্য একটি পাইথন ফাইল তৈরি করতে নিম্নলিখিত কমান্ডটি চালান।

mkdir trainer
touch trainer/task.py

আপনার flowers/ ডিরেক্টরিতে এখন নিম্নলিখিত বিষয়গুলো থাকা উচিত:

+ trainer/
    + task.py

আপনার প্রশিক্ষণ অ্যাপ্লিকেশন কোড কীভাবে গঠন করবেন সে সম্পর্কে আরও বিস্তারিত জানতে, ডক্স দেখুন।

এরপর, আপনার তৈরি করা task.py ফাইলটি খুলুন এবং নিচের কোডটি কপি করুন।

আপনাকে {your-gcs-bucket} এর জায়গায় আপনার এইমাত্র তৈরি করা ক্লাউড স্টোরেজ বাকেটের নামটি বসাতে হবে।

ক্লাউড স্টোরেজ FUSE টুলের মাধ্যমে, Vertex AI Training-এর ট্রেনিং জবগুলো লোকাল ফাইল সিস্টেমে ফাইল হিসেবে ক্লাউড স্টোরেজের ডেটা অ্যাক্সেস করতে পারে। যখন আপনি একটি কাস্টম ট্রেনিং জব শুরু করেন, তখন জবটি /gcs নামের একটি ডিরেক্টরি দেখতে পায়, যার মধ্যে আপনার সমস্ত ক্লাউড স্টোরেজ বাকেটগুলো সাবডিরেক্টরি হিসেবে থাকে। এই কারণেই ট্রেনিং কোডের ডেটা পাথগুলো /gcs দিয়ে শুরু হয়।

import tensorflow as tf
import numpy as np
import os

## Replace {your-gcs-bucket} !!
BUCKET_ROOT='/gcs/{your-gcs-bucket}'

# Define variables
NUM_CLASSES = 5
EPOCHS=10
BATCH_SIZE = 32

IMG_HEIGHT = 180
IMG_WIDTH = 180

DATA_DIR = f'{BUCKET_ROOT}/flower_photos'

def create_datasets(data_dir, batch_size):
  '''Creates train and validation datasets.'''
  
  train_dataset = tf.keras.utils.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="training",
    seed=123,
    image_size=(IMG_HEIGHT, IMG_WIDTH),
    batch_size=batch_size)

  validation_dataset = tf.keras.utils.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="validation",
    seed=123,
    image_size=(IMG_HEIGHT, IMG_WIDTH),
    batch_size=batch_size)

  train_dataset = train_dataset.cache().shuffle(1000).prefetch(buffer_size=tf.data.AUTOTUNE)
  validation_dataset = validation_dataset.cache().prefetch(buffer_size=tf.data.AUTOTUNE)

  return train_dataset, validation_dataset


def create_model():
  '''Creates model.'''

  model = tf.keras.Sequential([
    tf.keras.layers.Resizing(IMG_HEIGHT, IMG_WIDTH),
    tf.keras.layers.Rescaling(1./255, input_shape=(IMG_HEIGHT, IMG_WIDTH, 3)),
    tf.keras.layers.Conv2D(16, 3, padding='same', activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2D(32, 3, padding='same', activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2D(64, 3, padding='same', activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(NUM_CLASSES, activation='softmax')
  ])
  return model

# CREATE DATASETS
train_dataset, validation_dataset = create_datasets(DATA_DIR, BATCH_SIZE)

# CREATE/COMPILE MODEL
model = create_model()
model.compile(optimizer=tf.keras.optimizers.Adam(),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(),
              metrics=['accuracy'])

# TRAIN MODEL
history = model.fit(
  train_dataset,
  validation_data=validation_dataset,
  epochs=EPOCHS
)

# SAVE MODEL
model.save(f'{BUCKET_ROOT}/model_output')

ধাপ ৪: একটি ডকারফাইল তৈরি করুন

আপনার কোডকে কন্টেইনারাইজ করতে, আপনাকে একটি ডকারফাইল তৈরি করতে হবে। ডকারফাইলটিতে ইমেজটি চালানোর জন্য প্রয়োজনীয় সমস্ত কমান্ড অন্তর্ভুক্ত করতে হবে। এটি সমস্ত প্রয়োজনীয় লাইব্রেরি ইনস্টল করবে এবং ট্রেনিং কোডের জন্য এন্ট্রি পয়েন্ট সেট আপ করবে।

আপনার টার্মিনাল থেকে, flowers ডিরেক্টরির রুটে একটি খালি Dockerfile তৈরি করুন:

touch Dockerfile

আপনার flowers/ ডিরেক্টরিতে এখন নিম্নলিখিত বিষয়গুলো থাকা উচিত:

+ Dockerfile
+ trainer/
    + task.py

Dockerfile-টি খুলুন এবং এর মধ্যে নিম্নলিখিত বিষয়গুলো কপি করুন:

FROM gcr.io/deeplearning-platform-release/tf2-gpu.2-8

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"]

চলুন এই ফাইলের কমান্ডগুলো পর্যালোচনা করা যাক।

FROM কমান্ডটি বেস ইমেজ নির্দিষ্ট করে, যা হলো সেই প্যারেন্ট ইমেজ যার উপর ভিত্তি করে আপনার তৈরি করা ইমেজটি নির্মিত হবে। বেস ইমেজ হিসেবে, আপনি Deep Learning Container TensorFlow Enterprise 2.8 GPU Docker ইমেজটি ব্যবহার করবেন। গুগল ক্লাউডের Deep Learning Container-গুলোতে অনেক প্রচলিত এমএল (ML) এবং ডেটা সায়েন্স ফ্রেমওয়ার্ক আগে থেকেই ইনস্টল করা থাকে।

WORKDIR কমান্ডটি ইমেজের সেই ডিরেক্টরি নির্দিষ্ট করে যেখানে পরবর্তী নির্দেশাবলী চালানো হবে।

COPY কমান্ডটি ট্রেইনার কোডকে ডকার ইমেজে কপি করে। উল্লেখ্য যে, এই উদাহরণে আমাদের ট্রেইনার ডিরেক্টরিতে শুধুমাত্র একটি পাইথন ফাইল আছে, কিন্তু আরও বাস্তবসম্মত উদাহরণের জন্য আপনার সম্ভবত অতিরিক্ত ফাইল থাকবে। যেমন, একটি ফাইলের নাম data.py , যা ডেটা প্রিপ্রসেসিংয়ের কাজ করে, এবং আরেকটি ফাইলের নাম model.py , যেখানে শুধু মডেলের কোড থাকে, ইত্যাদি। আরও জটিল ট্রেনিং কোডের জন্য, পাইথন প্রজেক্ট প্যাকেজিং বিষয়ে পাইথনের ডকুমেন্টেশন দেখুন।

আপনি যদি কোনো অতিরিক্ত লাইব্রেরি যোগ করতে চান, তাহলে RUN কমান্ড ব্যবহার করে pip install করতে পারেন (যেমন: RUN pip install -r requirements.txt )। কিন্তু আমাদের এই উদাহরণের জন্য অতিরিক্ত কিছুর প্রয়োজন নেই।

সবশেষে, ENTRYPOINT কমান্ডটি ট্রেইনারকে চালু করার জন্য এন্ট্রি পয়েন্ট সেট করে। আমাদের ট্রেনিং জব শুরু করার সময় এটিই রান করবে। আমাদের ক্ষেত্রে, এটি হলো task.py ফাইলটি এক্সিকিউট করা।

ভার্টেক্স এআই ট্রেনিংয়ের জন্য ডকারফাইল লেখা সম্পর্কে আপনি এখানে আরও জানতে পারবেন।

ধাপ ৪: কন্টেইনারটি তৈরি করুন

আপনার ওয়ার্কবেঞ্চ নোটবুকের টার্মিনাল থেকে, আপনার প্রোজেক্টের জন্য একটি এনভ ভ্যারিয়েবল নির্ধারণ করতে নিম্নলিখিত কমান্ডটি চালান, এবং অবশ্যই your-cloud-project এর জায়গায় আপনার প্রোজেক্টের আইডি বসাবেন:

আপনার টার্মিনালে gcloud config list --format 'value(core.project)' কমান্ডটি চালিয়ে আপনি আপনার প্রজেক্ট আইডি পেতে পারেন।

PROJECT_ID='your-cloud-project'

আর্টিফ্যাক্ট রেজিস্ট্রিতে একটি রিপো তৈরি করুন

REPO_NAME='flower-app'

gcloud artifacts repositories create $REPO_NAME --repository-format=docker \
--location=us-central1 --description="Docker repository"

গুগল আর্টিফ্যাক্ট রেজিস্ট্রি-তে আপনার কন্টেইনার ইমেজের URI দিয়ে একটি ভেরিয়েবল নির্ধারণ করুন:

IMAGE_URI=us-central1-docker.pkg.dev/$PROJECT_ID/$REPO_NAME/flower_image:latest

ডকার কনফিগার করুন

gcloud auth configure-docker \
    us-central1-docker.pkg.dev

এরপর, আপনার flower ডিরেক্টরির রুট থেকে নিম্নলিখিত কমান্ডটি চালিয়ে কন্টেইনারটি বিল্ড করুন:

docker build ./ -t $IMAGE_URI

সবশেষে, এটিকে আর্টিফ্যাক্ট রেজিস্ট্রি-তে পুশ করুন:

docker push $IMAGE_URI

কন্টেইনারটি আর্টিফ্যাক্ট রেজিস্ট্রি-তে পুশ করা হয়ে গেলে, আপনি এখন ট্রেনিং জবটি শুরু করার জন্য প্রস্তুত।

৫. ভার্টেক্স এআই-তে একটি কাস্টম ট্রেনিং জব চালান।

এই ল্যাবটি গুগল আর্টিফ্যাক্ট রেজিস্ট্রি-তে একটি কাস্টম কন্টেইনারের মাধ্যমে কাস্টম ট্রেনিং ব্যবহার করে, কিন্তু আপনি প্রি-বিল্ট কন্টেইনারগুলো ব্যবহার করেও একটি ট্রেনিং জব চালাতে পারেন।

শুরু করতে, আপনার ক্লাউড কনসোলের Vertex বিভাগের Training সেকশনে যান:

ধাপ ১: প্রশিক্ষণ কাজটি কনফিগার করুন

আপনার প্রশিক্ষণ কাজের জন্য প্যারামিটারগুলো প্রবেশ করাতে 'তৈরি করুন'- এ ক্লিক করুন।

• ডেটাসেট-এর অধীনে, কোনো পরিচালিত ডেটাসেট নয় নির্বাচন করুন।
• তারপর আপনার প্রশিক্ষণ পদ্ধতি হিসেবে কাস্টম প্রশিক্ষণ (উন্নত) নির্বাচন করুন এবং চালিয়ে যান-এ ক্লিক করুন।
• 'Train new model' নির্বাচন করুন, তারপর 'Model name'- এর জন্য flowers-model (অথবা আপনার মডেলের জন্য পছন্দের নাম) লিখুন।
• চালিয়ে যান ক্লিক করুন

কন্টেইনার সেটিংস ধাপে, কাস্টম কন্টেইনার নির্বাচন করুন:

প্রথম বক্সে ( কন্টেইনার ইমেজ ), পূর্ববর্তী বিভাগ থেকে আপনার IMAGE_URI ভেরিয়েবলের মান লিখুন। এটি হবে: us-central1-docker.pkg.dev/{PROJECT_ID}/flower-app/flower_image:latest , যেখানে আপনার নিজের প্রজেক্ট আইডি থাকবে। বাকি ফিল্ডগুলো খালি রেখে ' Continue' ক্লিক করুন।

আবার 'Continue' ক্লিক করে হাইপারপ্যারামিটার ধাপটি এড়িয়ে যান।

ধাপ ২: কম্পিউট ক্লাস্টার কনফিগার করুন

ওয়ার্কার পুল 0 নিম্নলিখিতভাবে কনফিগার করুন:

আপনি আপাতত ধাপ ৬ বাদ দেবেন এবং এই সিরিজের পরবর্তী ল্যাবে প্রেডিকশন কন্টেইনারটি কনফিগার করবেন।

প্রশিক্ষণ কাজটি শুরু করতে START TRAINING-এ ক্লিক করুন। আপনার কনসোলের Training বিভাগের TRAINING PIPELINES ট্যাবের অধীনে আপনি আপনার সদ্য চালু করা কাজটি দেখতে পাবেন:

প্রশিক্ষণের কাজটি সম্পন্ন করতে প্রায় ১০ মিনিট সময় লাগবে।

🎉 অভিনন্দন! 🎉

আপনি শিখেছেন কীভাবে ভার্টেক্স এআই ব্যবহার করে:

• একটি কাস্টম কন্টেইনারে থাকা ট্রেনিং কোডের জন্য একটি কাস্টম ট্রেনিং জব চালু করুন। এই উদাহরণে আপনি একটি TensorFlow মডেল ব্যবহার করেছেন, কিন্তু আপনি কাস্টম বা বিল্ট-ইন কন্টেইনার ব্যবহার করে যেকোনো ফ্রেমওয়ার্ক দিয়ে তৈরি মডেলকে ট্রেইন করতে পারেন।

Vertex-এর বিভিন্ন অংশ সম্পর্কে আরও জানতে ডকুমেন্টেশন দেখুন।

৬. [ঐচ্ছিক] Vertex AI পাইথন SDK ব্যবহার করুন

পূর্ববর্তী অংশে দেখানো হয়েছে কীভাবে UI-এর মাধ্যমে ট্রেনিং জবটি চালু করতে হয়। এই অংশে, আপনি Vertex AI Python SDK ব্যবহার করে ট্রেনিং জবটি জমা দেওয়ার একটি বিকল্প উপায় দেখতে পাবেন।

আপনার নোটবুক ইনস্ট্যান্সে ফিরে যান এবং লঞ্চার থেকে একটি TensorFlow 2 নোটবুক তৈরি করুন:

Vertex AI SDK ইম্পোর্ট করুন।

from google.cloud import aiplatform

এরপর একটি CustomContainerTrainingJob তৈরি করুন। আপনাকে container_uri তে থাকা {PROJECT_ID} এর জায়গায় আপনার প্রোজেক্টের নাম বসাতে হবে এবং staging_bucket এ থাকা {BUCKET} এর জায়গায় আপনার আগে তৈরি করা বাকেটটির নাম বসাতে হবে।

my_job = aiplatform.CustomContainerTrainingJob(display_name='flower-sdk-job',
                                               container_uri='us-central1-docker.pkg.dev/{PROJECT_ID}/flower-app/flower_image:latest',
                                               staging_bucket='gs://{BUCKET}')

তারপর, কাজটি চালান।

my_job.run(replica_count=1,
           machine_type='n1-standard-8',
           accelerator_type='NVIDIA_TESLA_V100',
           accelerator_count=1)

প্রদর্শনের উদ্দেশ্যে, এই কাজটি পূর্ববর্তী অংশের তুলনায় একটি বড় মেশিনে চালানোর জন্য কনফিগার করা হয়েছে। এছাড়াও, আমরা একটি GPU ব্যবহার করছি। আপনি যদি machine-type , accelerator_type , বা accelerator_count নির্দিষ্ট না করেন, তাহলে কাজটি ডিফল্টরূপে একটি n1-standard-4 মেশিনে চলবে।

আপনার কনসোলের ট্রেনিং সেকশনের কাস্টম জবস ট্যাবের অধীনে আপনার ট্রেনিং জবটি দেখতে পাবেন।

৭. পরিচ্ছন্নতা

যেহেতু Vertex AI Workbench দ্বারা পরিচালিত নোটবুকগুলিতে একটি আইডল শাটডাউন বৈশিষ্ট্য রয়েছে, তাই আমাদের ইনস্ট্যান্সটি বন্ধ করা নিয়ে চিন্তা করার দরকার নেই। আপনি যদি ইনস্ট্যান্সটি ম্যানুয়ালি বন্ধ করতে চান, তাহলে কনসোলের Vertex AI Workbench বিভাগে থাকা স্টপ বোতামে ক্লিক করুন। আপনি যদি নোটবুকটি সম্পূর্ণরূপে মুছে ফেলতে চান, তাহলে ডিলিট বোতামে ক্লিক করুন।

স্টোরেজ বাকেটটি ডিলিট করতে, আপনার ক্লাউড কনসোলের নেভিগেশন মেনু ব্যবহার করে স্টোরেজ-এ যান, আপনার বাকেটটি সিলেক্ট করুন এবং ডিলিট-এ ক্লিক করুন: