动手实验室 — PMLE Google Cloud Professional Machine Learning Engineer

概述

先决条件

步骤

1. 1.Provider、项目服务、命名

   启用 Vertex AI、Cloud Notebooks（用于 Workbench）和 Cloud Storage API。

   复制

   terraform {
     required_version = ">= 1.5"
   
     required_providers {
       google = { source = "hashicorp/google", version = "~> 6.0" }
     }
   }
   
   provider "google" {
     project = "your-project-id" # REPLACE
     region  = "us-central1"
   }
   
   locals {
     labels = {
       project    = "certlabpro-pmle"
       managed_by = "terraform"
     }
   }
   
   resource "google_project_service" "aiplatform" {
     service            = "aiplatform.googleapis.com"
     disable_on_destroy = false
   }
   
   resource "google_project_service" "notebooks" {
     service            = "notebooks.googleapis.com"
     disable_on_destroy = false
   }
   
   resource "google_project_service" "storage" {
     service            = "storage.googleapis.com"
     disable_on_destroy = false
   }

2. 2.为 ML 制品和训练数据预置一个 Cloud Storage 存储桶

   配置服务：

   • Cloud Storage

   PMLE 推荐的存储桶布局：每个 ML 项目一个区域存储桶，其中包含 data/raw/、data/processed/、models/ 和 pipelines/ 子文件夹。我们预置一个存储桶，其命名约定遵循 <project-name>-ml-<region>-<random>。标准存储类别用于热训练数据访问；生命周期规则规定 90 天后转为 Nearline 存储类别。

   复制

   resource "random_id" "suffix" {
     byte_length = 4
   }
   
   resource "google_storage_bucket" "ml" {
     name                        = "certlabpro-pmle-ml-${random_id.suffix.hex}"
     location                    = "us-central1"
     uniform_bucket_level_access = true
     force_destroy               = true # lab-only
   
     versioning {
       enabled = true # PMLE-recommended for model artifacts
     }
   
     lifecycle_rule {
       condition {
         age = 90
       }
       action {
         type          = "SetStorageClass"
         storage_class = "NEARLINE"
       }
     }
   
     labels = local.labels
   
     depends_on = [google_project_service.storage]
   }

3. 3.为实验预置一个 Vertex AI Workbench 实例

   配置服务：

   • Vertex AI Workbench

   Vertex AI Workbench 是 PMLE 规范的实验环境——在 GCE VM 上运行的托管 Jupyter，预加载了 PyTorch、TensorFlow、scikit-learn 和 Vertex AI SDK。我们预置一个 e2-standard-4 实例；对于实际训练工作负载，可升级到 GPU 实例类型（n1-standard-8 + nvidia-tesla-t4）。

   不使用时，请通过 Workbench 控制台停止实例，否则每月将产生约 100 美元的费用。

   复制

   resource "google_workbench_instance" "main" {
     name     = "certlabpro-pmle-workbench"
     location = "us-central1-a"
   
     gce_setup {
       machine_type = "e2-standard-4"
   
       boot_disk {
         disk_size_gb = 150
         disk_type    = "PD_STANDARD"
       }
   
       data_disks {
         disk_size_gb = 100
         disk_type    = "PD_STANDARD"
       }
     }
   
     labels = local.labels
   
     depends_on = [google_project_service.notebooks]
   }

4. 4.预置一个 Vertex AI Endpoint 作为预测服务界面

   配置服务：

   • Vertex AI

   Vertex AI Endpoints 是 PMLE 的部署原语——每个提供服务的模型都位于一个端点之后。其流程为：(1) 训练模型（通过 Workbench / Vertex AI Training / AutoML），(2) 将其上传到 Vertex AI Model Registry (gcloud ai models upload)，(3) 将模型部署到端点。PMLE 考试将这种 模型 → 端点 → 流量拆分 模式作为标准的服务模式进行考察。

   我们预置了一个没有部署模型的端点——在附加模型之前是免费的。通过以下方式部署模型：

   gcloud ai models deploy MODEL_ID \
     --endpoint certlabpro-pmle-endpoint \
     --machine-type n1-standard-2 \
     --region us-central1
   

   有了这四个模块（provider+API、制品存储桶、Workbench 环境、Endpoint 服务界面），PMLE 服务基础架构就完整了。真实的 PMLE 工作流会在此基础上叠加 Vertex AI Pipelines (Kubeflow)、Vertex AI Experiments、Vertex AI Model Monitoring、Vertex AI Feature Store 和 Vertex AI Vizier。

   复制

   resource "google_vertex_ai_endpoint" "main" {
     name         = "certlabpro-pmle-endpoint"
     display_name = "PMLE lab endpoint"
     location     = "us-central1"
   
     labels = local.labels
   
     depends_on = [google_project_service.aiplatform]
   }

清理