Addestra un modello ML con container personalizzati
AI Platform Training supporta l'addestramento in container personalizzati, i propri container Docker con framework o algoritmi ML preinstallati su AI Platform Training. Questo tutorial fornisce un'introduzione procedura dettagliata che mostra come addestrare un modello PyTorch su AI Platform Training con un container personalizzato.
Panoramica
Questa guida introduttiva illustra il processo di addestramento di container su AI Platform Training, usando un modello di base che classifica cifre scritte a mano libera basate sul set di dati MNIST.
Questa guida illustra i seguenti passaggi:
- Configurazione del progetto e dell'ambiente locale
- Crea un container personalizzato
- Scrivi un Dockerfile
- crea e testa la tua immagine Docker in locale
- esegui il push dell'immagine in Container Registry
- Invia un job di addestramento container personalizzato
- Invia un job di ottimizzazione degli iperparametri
- Utilizzo di GPU con un container personalizzato
Prima di iniziare
Per questa guida introduttiva, utilizza qualsiasi ambiente in cui Google Cloud CLI sia installato.(Facoltativo) Rivedi informazioni concettuali sull'addestramento con container personalizzati.
Completa i seguenti passaggi per configurare un account Google Cloud, abilitare le API richieste e installare e attivare Cloud SDK.
- Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API AI Platform Training & Prediction, Compute Engine and Container Registry.
- Install the Google Cloud CLI.
-
To initialize the gcloud CLI, run the following command:
gcloud init
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API AI Platform Training & Prediction, Compute Engine and Container Registry.
- Install the Google Cloud CLI.
-
To initialize the gcloud CLI, run the following command:
gcloud init
- Installa Docker.
Se utilizzi un sistema operativo basato su Linux, come Ubuntu o Debian, aggiungi il tuo nome utente gruppo
docker
in modo da poter eseguire Docker senza utilizzaresudo
:sudo usermod -a -G docker ${USER}
Dopo aver aggiunto il tuo account al gruppo
docker
, potresti dover riavviare il sistema. - Apri Docker. Per assicurarti che Docker sia in esecuzione, esegui questo comando Docker,
che restituisce la data e l'ora correnti:
docker run busybox date
- Usa
gcloud
come assistente per le credenziali per Docker:gcloud auth configure-docker
-
Facoltativo: se vuoi eseguire il container utilizzando la GPU in locale,
installazione
nvidia-docker
Configura il tuo bucket Cloud Storage
Questa sezione mostra come creare un nuovo bucket. Puoi utilizzare un modello esistente ma deve trovarsi nella stessa regione in cui prevedi di eseguire AI Platform di lavoro. Inoltre, se non fa parte del progetto che utilizzi per eseguire AI Platform Training, devi esplicitamente concedere agli account di servizio AI Platform Training.
-
Specifica un nome per il nuovo bucket. Il nome deve essere univoco in tutti in Cloud Storage.
BUCKET_NAME="YOUR_BUCKET_NAME"
Ad esempio, utilizza il nome del progetto aggiungendo
-aiplatform
:PROJECT_ID=$(gcloud config list project --format "value(core.project)") BUCKET_NAME=${PROJECT_ID}-aiplatform
-
Controlla il nome del bucket che hai creato.
echo $BUCKET_NAME
-
Seleziona una regione per il bucket e imposta una variabile di ambiente
REGION
.Utilizza la stessa regione in cui prevedi di eseguire AI Platform Training di lavoro. Scopri le regioni in cui è disponibile per e i servizi di AI Platform Training.
Ad esempio, il seguente codice crea
REGION
e lo imposta suus-central1
:REGION=us-central1
-
Crea il nuovo bucket:
gcloud storage buckets create gs://$BUCKET_NAME --location=$REGION
Scarica il codice per questo tutorial
Inserisci il comando seguente per scaricare AI Platform Training file ZIP di esempio:
wget https://github.com/GoogleCloudPlatform/cloudml-samples/archive/master.zip
Decomprimi il file per estrarre la directory
cloudml-samples-master
.unzip master.zip
Vai alla sezione
cloudml-samples-master > pytorch > containers > quickstart > mnist
. I comandi in questa procedura dettagliata devono essere eseguiti dalmnist
.cd cloudml-samples-master/pytorch/containers/quickstart/mnist
Creazione di un container personalizzato
Per creare un container personalizzato, la prima cosa da fare è definisci un Dockerfile da installare le dipendenze necessarie per il job di addestramento. Quindi, crei e testerai l'immagine Docker in locale per verificarla prima di utilizzarla con AI Platform Training.
Scrivi un Dockerfile
Il Dockerfile di esempio fornito in questo tutorial esegue le seguenti operazioni passaggi:
- Utilizza un'immagine di base Python 2.7 con dipendenze Python integrate.
- Installa dipendenze aggiuntive, tra cui PyTorch,
gcloud CLI e
cloudml-hypertune
per dell'ottimizzazione degli iperparametri. - Copia il codice per l'applicazione di addestramento nel container.
- Configura il punto di ingresso per AI Platform Training per eseguire l'addestramento del codice all'avvio del container.
Il Dockerfile potrebbe includere logica aggiuntiva, a seconda delle esigenze. Scopri di più sulla scrittura di Dockerfile.
crea e testa la tua immagine Docker in locale
Crea l'URI immagine corretto utilizzando le variabili di ambiente e crea il Docker. La bandiera
-t
assegna un nome e tagga l'immagine con le tue scelte perIMAGE_REPO_NAME
eIMAGE_TAG
. Puoi scegliere un nome e un tag diversi per l'immagine.export PROJECT_ID=$(gcloud config list project --format "value(core.project)") export IMAGE_REPO_NAME=mnist_pytorch_custom_container export IMAGE_TAG=mnist_pytorch_cpu export IMAGE_URI=gcr.io/$PROJECT_ID/$IMAGE_REPO_NAME:$IMAGE_TAG docker build -f Dockerfile -t $IMAGE_URI ./
Verifica l'immagine eseguendola localmente in un nuovo container. Tieni presente che Il flag
--epochs
viene passato allo script di addestramento.docker run $IMAGE_URI --epochs 1
esegui il push dell'immagine in Container Registry
Se l'esecuzione locale funziona, puoi eseguire il push dell'immagine Docker a Container Registry nel tuo progetto.
Innanzitutto, esegui gcloud auth configure-docker
se non l'hai ancora fatto.
docker push $IMAGE_URI
Invia e monitora il job
Definisci le variabili di ambiente per la richiesta del job.
MODEL_DIR
nomina una nuova directory con timestamp all'interno di Cloud Storage in cui è archiviato il file del modello salvato al termine dell'addestramento.REGION
specifica un regione valida per l'addestramento di AI Platform Training.
export MODEL_DIR=pytorch_model_$(date +%Y%m%d_%H%M%S) export REGION=us-central1 export JOB_NAME=custom_container_job_$(date +%Y%m%d_%H%M%S)
Invia il job di addestramento ad AI Platform Training utilizzando gcloud CLI. Passa l'URI all'immagine Docker utilizzando il flag
--master-image-uri
:gcloud ai-platform jobs submit training $JOB_NAME \ --region $REGION \ --master-image-uri $IMAGE_URI \ -- \ --model-dir=gs://$BUCKET_NAME/$MODEL_DIR \ --epochs=10
Dopo aver inviato il job, puoi monitorare lo stato del job e trasmettere i log:
gcloud ai-platform jobs describe $JOB_NAME gcloud ai-platform jobs stream-logs $JOB_NAME
Invia un job di ottimizzazione degli iperparametri
Ci sono alcune modifiche da apportare per un job di ottimizzazione degli iperparametri. Prendi nota di queste aree nel codice campione:
- Il Dockerfile di esempio include
cloudml-hypertune
pacchetto in ordine per installarlo nel container personalizzato. - Il codice campione (
mnist.py
):- Utilizza
cloudml-hypertune
per segnalare i risultati di ogni prova richiamando la relativa funzione helper,report_hyperparameter_tuning_metric
Il codice campione riporta i risultati dell'ottimizzazione degli iperparametri dopo la valutazione a meno che il job non venga inviato come job di ottimizzazione degli iperparametri. - Aggiunge gli argomenti della riga di comando per ogni iperparametro e gestisce il
l'analisi dell'argomento con
argparse
.
- Utilizza
- La richiesta di lavoro include
HyperparameterSpec
in l'oggettoTrainingInput
. In questo caso, ottimizziamo--lr
e--momentum
per ridurre al minimo la perdita del modello.
Crea un file
config.yaml
per definire la specifica del tuo iperparametro. RidefinisciMODEL_DIR
eJOB_NAME
. DefinisciREGION
se non l'hai ancora fatto:export MODEL_DIR=pytorch_hptuning_model_$(date +%Y%m%d_%H%M%S) export REGION=us-central1 export JOB_NAME=custom_container_job_hptuning_$(date +%Y%m%d_%H%M%S) # Creates a YAML file with job request. cat > config.yaml <<EOF trainingInput: hyperparameters: goal: MINIMIZE hyperparameterMetricTag: "my_loss" maxTrials: 20 maxParallelTrials: 5 enableTrialEarlyStopping: True params: - parameterName: lr type: DOUBLE minValue: 0.0001 maxValue: 0.1 - parameterName: momentum type: DOUBLE minValue: 0.2 maxValue: 0.8 EOF
Invia il job di ottimizzazione degli iperparametri ad AI Platform Training:
gcloud ai-platform jobs submit training $JOB_NAME \ --scale-tier BASIC \ --region $REGION \ --master-image-uri $IMAGE_URI \ --config config.yaml \ -- \ --epochs=5 \ --model-dir="gs://$BUCKET_NAME/$MODEL_DIR"
Utilizzo di GPU con container personalizzati
Per inviare un job di container personalizzato utilizzando GPU, devi creare un Docker diverso rispetto a quella usata in precedenza. Abbiamo fornito un Dockerfile di esempio da utilizzare con GPU che soddisfano i requisiti seguenti:
- Preinstalla il toolkit CUDA e il cuDNN nel tuo container. L'utilizzo del nvidia/cuda come immagine di base è consigliata per la gestione di questo problema, poiché ha il toolkit CUDA e cuDNN preinstallati, e ti aiuta a impostare correttamente le variabili di ambiente correlate.
- Installa dipendenze aggiuntive, come
wget
,curl
,pip
e altre richiesta dalla tua applicazione di addestramento.
Crea e testa l'immagine Docker GPU in locale
Crea una nuova immagine per il tuo job di addestramento GPU utilizzando il Dockerfile GPU. A evitare di eseguire l'override dell'immagine CPU, devi ridefinire
IMAGE_REPO_NAME
eIMAGE_TAG
con nomi diversi da quelli usati in precedenza nel tutorial.export PROJECT_ID=$(gcloud config list project --format "value(core.project)") export IMAGE_REPO_NAME=mnist_pytorch_gpu_container export IMAGE_TAG=mnist_pytorch_gpu export IMAGE_URI=gcr.io/$PROJECT_ID/$IMAGE_REPO_NAME:$IMAGE_TAG docker build -f Dockerfile-gpu -t $IMAGE_URI ./
Se sulla macchina sono disponibili GPU e hai installato
nvidia-docker
, verifica l'immagine eseguendola in locale:docker run --runtime=nvidia $IMAGE_URI --epochs 1
Eseguire il push dell'immagine Docker in Container Registry. Innanzitutto, esegui
gcloud auth configure-docker
, se non l'hai ancora fatto.docker push $IMAGE_URI
Invia il job
Questo esempio utilizza il livello di scalabilità GPU di base per inviare la richiesta del job di addestramento. Vedi altre opzioni per le macchine per l'addestramento con le GPU.
Ridefinisci
MODEL_DIR
eJOB_NAME
. DefinisciREGION
se non lo hai già fatto Fatto:export MODEL_DIR=pytorch_model_gpu_$(date +%Y%m%d_%H%M%S) export REGION=us-central1 export JOB_NAME=custom_container_job_gpu_$(date +%Y%m%d_%H%M%S)
Invia il job di addestramento ad AI Platform Training utilizzando gcloud CLI. Passa l'URI all'immagine Docker utilizzando il flag
--master-image-uri
.gcloud ai-platform jobs submit training $JOB_NAME \ --scale-tier BASIC_GPU \ --region $REGION \ --master-image-uri $IMAGE_URI \ -- \ --epochs=5 \ --model-dir=gs://$BUCKET_NAME/$MODEL_DIR
Passaggi successivi
- Scopri di più su i concetti relativi all'utilizzo dei container.
- Informazioni su addestramento distribuito con container personalizzati.