问题标签 [google-ai-platform]

我正在尝试使用ai来自gcloud beta. 例如

然后它提示我选择一个区域：

无论我选择哪个区域，它都会要求我激活相关 API：

最后，当我说是时，它给出了致命错误：

调试

• 我可以完美地使用这个组ai-platform，比如gcloud beta ai-platform jobs list
• core.account发件人gcloud config configurations describe xxx拥有所有者权限_
• 我在云壳终端上尝试了相同的命令，结果相同

我做错了什么/错过了什么？

我们正在使用谷歌人工智能平台。我的要求之一如下

当数据科学家需要对数据集进行一些 EDA 时，他会将其发送给支持团队，支持团队会将其推送到 GCS 并在 Bigquery 上创建一个外部表，并为数据科学家创建一个笔记本实例。

我的问题是，我们是否需要为每个数据科学家创建一个单独的笔记本实例。每个实例的费用约为 100 美元/月。如果我们必须这样做，那将是一大笔钱。

是否可以在不丢失笔记本的情况下以编程方式（或自动恢复）停止和重新启动实例？

我在 Google AI Platform 上部署了一个模型，如下图所示：

这是一个使用 Keras 构建的模型，并使用save_model带有标准选项的命令保存。

当我去虚拟测试模型以查看它是否有效时，我将输入一个示例 JSON 请求，如下所示：

我正在关注此 URL 中给出的示例： https ://cloud.google.com/ai-platform/prediction/docs/online-predict?hl=en_US#formatting_your_input_for_online_prediction

当我将示例 JSON 请求输入到评估器中时，如下所示：

我收到以下错误消息：

经过一番查看，问题似乎出在 tf.Serving 上，因为 JSON 输入期望除“值”键之外的其他内容来进行预测。

我的问题是我不知道如何访问应该是什么。

我最好的尝试是在本地重新加载模型并调用该get_config()方法以查看那里是否有任何东西。

这返回了以下字典：

我希望我正在寻找的一些信息会包含在这里，并且我已经尝试过类似'functional_1'和input_1作为使用键的东西，但没有成功。

我也尝试过用于X数据集中的原始列，但没有奏效。

如何访问 tf.Serving 的元数据以了解将什么放入我的 JSON 请求中？

我的图像是 11.4 GB。我正在尝试以下命令：

它失败了：

即使我可以使用docker run. 我需要改变什么？

当我在未指定区域且详细程度设置为 DEBUG 的情况下运行时，我得到：

我正在 wordpress 中开发一个使用 Google AI 平台预测的网站。预测请求是通过 PHP 客户端库完成的。

现在我的问题是，当一个网站的多个用户同时发出预测请求时，Google 的客户端库是否能够将正确的预测返回给每个用户？

我在 AI Platform 上运行一个作业，它运行了一个多小时，没有任何进展、没有结果、没有日志（只有少数日志显示它正在运行）

这是我使用的区域、机器类型和 gpus：

人工智能平台工作

这项工作只有很少的日志

我正在训练的模型很大并且使用大量内存。这项工作只是挂在那里，没有任何进展、日志或错误。但我注意到它在 GCP 上消耗了 12.81 ML 单位。通常，如果 GPU 内存不足，它会抛出“OOM/resourceExhausted 错误”。没有日志，我不知道那里出了什么问题。

我用较小的输入尺寸运行了一项不同的工作，并在 12 分钟内成功完成：

成功的工作

此外，我在训练过程中使用 tf.MirroredStrategy 以便它可以分布在 GPU 上。

对此有什么想法吗？

从 Google AI Platform Training and Prediction 中的训练到预测阶段，都有运行时版本的概念，我对此有点困惑。启动训练时必须指定运行时版本（请参阅此处）。当您以 Tensorflow SavedModel 格式导出模型时必须指定另一个，当您创建版本化模型时必须指定另一个。

例子。我使用适用于 Python 的 Google API 客户端库提交了一个训练作业，因此我按照本指南配置了我的训练作业。当我使用tensorflow object-detection API时，我的配置文件如下所示：

接下来是我的导出配置文件：

请参阅我必须再次指定运行时版本。它是否必须与用于训练作业的运行时版本相同？对于最后一部分，在创建模型之后，我必须创建一个版本。我的配置文件：

}

再次是运行时版本。同样的问题：它必须与以前使用的相同吗？或者训练和预测的运行时间可以不同吗？

我有一些模型在 GCP 下的 AI 平台上运行，它们可以毫无问题地提供预测。现在我正在尝试使用 kubernets 管道自动化这个部署过程，以便定期更新模型版本。我尝试使用可用的示例创建一些管道，但这些都不是用于 AI 平台的。模型的训练由 AI-Platform Jobs 处理，参数如下：

• 蟒蛇：3.7
• 框架：张量流
• 框架版本：2.1
• 机器学习运行时版本：2.1

训练模型被模仿创建并保存在存储桶中。
如何使用管道自动执行此部署过程。如果这种自动化有另一种替代方法，我也想尝试一下。

我一直在尝试将 Tensorflow 模型用于 GCP 上的 AI 平台。但是当我作为 API 调用外部时，它返回一个：

googleapiclient.errors.HttpError: <HttpError 403 when requesting ***** returned "Access to model denied.">

我使用 AI 平台管理员的凭据，并且它以前适用于sklearn我使用相同代码的模型，它运行良好。知道可能导致问题的原因吗？

我正在尝试在 AI 平台上部署自定义模型。我已按照 Google 文档中提到的步骤操作：https ://cloud.google.com/ai-platform/prediction/docs/deploying-models#global-endpoint 。

保存的模型存储在 Google Cloud Storage 中，并使用 python 3.7 进行训练。

这些是用于部署的 gcloud 命令

执行这些命令后出现以下错误：

预测器代码如下：

这是设置文件

任何解决方法？