前半記事「Google AI Platform - Cloud ML Engineを初心者が動かして理解(前編)」では、print文だけのプログラムを動かしました。今回の記事はTensorFlowで簡単な機械学習をします。
公式チュートリアル実行に関しては、記事「Google Cloud ML EngineでTensorFlow機械学習訓練実行」を参照ください。
ファイルの読み書きをしたい場合には、記事「Google AI Platform - Cloud ML EngineとファイルI/O」を参照ください。

環境

前半記事と同じです。

種類	バージョン	内容
OS	Ubuntu18.04.01 LTS	仮想で動かしています
Google Cloud SDK	250.0.0

前提

前半記事と同じです。

GCPのアカウントを持っていること
GCPでプロジェクトを作成済でAPI有効化であること(今回は"aip-test02"というIDで作成しています)
Google Cloud SDKがインストールされていること

手順

基本的にジョブ実行時のパラメータ以外は前半記事と同じです。今度はTensorFlowを動かすので、python-versionとruntime-versionを指定します。
※「注意すべきパラメータ」参照。

gcloud ai-platform jobs submit training $JOB_NAME \
     --job-dir $OUTPUT_PATH \
     --module-name trainer.task \
     --package-path trainer/ \
     --python-version 3.5 \
     --runtime-version 1.13 \

実行プログラム

プログラム全体はGitHubに置いています。
推奨プロジェクト構成に準じたディレクトリ構成にしています。ディレクトリ"trainer"に訓練時に必要となる4つのpythonプログラムを入れています("__init__.py"の中身は空です)。
今回のプログラム解説については、別記事「【Keras入門(1)】単純なディープラーニングモデル定義」を参照ください。

.
└── trainer
    ├── __init__.py
    ├── model.py
    ├── task.py
    └── util.py

task.py

メインとなるプログラム"task.py"です。"util.load_data"から訓練データ、"model.create_keras_model"からモデルを受け取りfit関数で実行しています。後で気づいたのですが、fit関数でverbose=2に指定した方がログが見やすくなります。

import tensorflow as tf
from . import model
from . import util


def train_and_evaluate():

    train_x, train_y = util.load_data()


    # Create the Keras Model
    keras_model = model.create_keras_model()

    keras_model.fit(train_x, train_y, epochs=300, validation_split=0.2)


if __name__ == '__main__':
    tf.logging.set_verbosity("INFO")
    train_and_evaluate()

util.py

訓練データを乱数で生成しています。通常はここで、Google Storageからデータを読み込んで編集します。

import numpy as np

NUM_TRAIN = 128


def load_data():
    data = np.random.rand(NUM_TRAIN, 2)

    labels = (np.sum(data, axis=1) > 1.0) * 1
    labels = labels.reshape(NUM_TRAIN, 1)

    return data, labels

model.py

TensorFlowに統合されたKerasを使ってモデルを定義しています。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense


def create_keras_model():
    # Sequentialモデル使用(Sequentialモデルはレイヤを順に重ねたモデル)
    model = Sequential()

    # 結合層(2層->4層)
    model.add(Dense(4, input_dim=2, activation="tanh"))

    # 結合層(4層->1層)：入力次元を省略すると自動的に前の層の出力次元数を引き継ぐ
    model.add(Dense(1, activation="sigmoid"))

    # モデルをコンパイル
    model.compile(loss="binary_crossentropy", optimizer="sgd", metrics=["accuracy"])

    model.summary()

    return model