使用 PyTorch 训练机器学习模型
本教程介绍如何运行使用 PyTorch 机器学习框架的训练作业。本教程介绍将作业配置为使用 PyTorch 与使用 AI Platform Training 支持的其他机器学习框架的细微差异。然后向您展示如何使用示例 PyTorch 代码运行训练作业,该示例代码根据芝加哥出租车行程数据集中的数据训练模型。
本教程还介绍如何将 PyTorch 与 GPU 和超参数调节搭配使用。
PyTorch 容器
AI Platform Training 的运行时版本不包含 PyTorch 作为依赖项。要运行使用 PyTorch 的训练作业,请指定一个预构建的 PyTorch 容器供 AI Platform Training 使用。
为训练配置预构建容器时,使用的某些语法与配置自定义容器的语法相同。但是,您不必创建自己的 Docker 容器;请改为指定 AI Platform 提供的容器映像的 URI,并提供您创建的 Python 训练软件包。
AI Platform 提供以下预构建的 PyTorch 容器:
容器映像 URI | PyTorch 版本 | 支持的处理器 |
---|---|---|
gcr.io/cloud-ml-public/training/pytorch-xla.1-11 |
1.11 | CPU、TPU |
gcr.io/cloud-ml-public/training/pytorch-gpu.1-11 |
1.11 | GPU |
gcr.io/cloud-ml-public/training/pytorch-xla.1-10 |
1.10 | CPU、TPU |
gcr.io/cloud-ml-public/training/pytorch-gpu.1-10 |
1.10 | GPU |
gcr.io/cloud-ml-public/training/pytorch-xla.1-9 |
1.9 | CPU、TPU |
gcr.io/cloud-ml-public/training/pytorch-gpu.1-9 |
1.9 | GPU |
gcr.io/cloud-ml-public/training/pytorch-xla.1-7 |
1.7 | CPU、TPU |
gcr.io/cloud-ml-public/training/pytorch-gpu.1-7 |
1.7 | GPU |
gcr.io/cloud-ml-public/training/pytorch-xla.1-6 |
1.6 | CPU、TPU |
gcr.io/cloud-ml-public/training/pytorch-gpu.1-6 |
1.6 | GPU |
gcr.io/cloud-ml-public/training/pytorch-cpu.1-4 |
1.4 | CPU |
gcr.io/cloud-ml-public/training/pytorch-gpu.1-4 |
1.4 | GPU |
这些容器映像派生自 Deep Learning Containers,并包含 Deep Learning Containers 提供的依赖项。
如果您要使用预构建容器中没有的 PyTorch 版本,请按照自定义容器使用指南进行操作。
准备工作
- 登录您的 Google Cloud 账号。如果您是 Google Cloud 新手,请创建一个账号来评估我们的产品在实际场景中的表现。新客户还可获享 $300 赠金,用于运行、测试和部署工作负载。
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Enable the AI Platform Training & Prediction API.
- Install the Google Cloud CLI.
-
To initialize the gcloud CLI, run the following command:
gcloud init
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Enable the AI Platform Training & Prediction API.
- Install the Google Cloud CLI.
-
To initialize the gcloud CLI, run the following command:
gcloud init
下载示例代码
运行以下命令下载示例 PyTorch 训练应用,然后导航至训练应用所在的目录:
git clone --depth=1 \
https://github.com/GoogleCloudPlatform/ai-platform-samples.git
cd ai-platform-samples/training/pytorch/structured/python_package
(可选)检查训练代码的结构:
ls -pR
trainer/
目录包含 PyTorch 训练应用,而 setup.py
提供了打包训练应用的配置详情。
创建 Cloud Storage 存储分区
创建 Cloud Storage 存储分区以存储封装的训练代码和训练作业创建的模型工件。运行以下命令:
gcloud storage buckets create gs://BUCKET_NAME --location=us-central1
将 BUCKET_NAME 替换为您为存储分区选择的唯一名称。了解存储分区名称要求。
或者,您可以使用 Google Cloud 项目中的现有 Cloud Storage 存储分区。在本教程中,请务必使用 us-central1
区域中的存储分区。
训练 PyTorch 模型
本教程介绍了在 AI Platform Training 上训练 PyTorch 模型的几种方法:
- 在具有 CPU 处理器的虚拟机实例上
- 在具有 GPU 处理器的虚拟机上
- 使用超参数调节(在具有 CPU 处理器的虚拟机上)
现在请选择上述方法之一,然后在本教程的余下部分中根据相应标签页中的说明操作。如果您想尝试使用其他配置进行训练,则可以重复本部分。
准备创建训练作业
在创建训练作业之前,请确保您的训练代码已准备就绪,并在本地环境中指定一些配置选项。
CPU
设置创建训练作业时要使用的多个 Bash 变量:
BUCKET_NAME=BUCKET_NAME
JOB_NAME=getting_started_pytorch_cpu
JOB_DIR=gs://${BUCKET_NAME}/${JOB_NAME}/models
将 BUCKET_NAME 替换为您在上一部分中创建的 Cloud Storage 存储分区的名称。
GPU
确保 PyTorch 训练代码知道训练作业使用的虚拟机上的 GPU,以便 PyTorch 将张量和模块适当地移动到 GPU。
如果您使用提供的示例代码,则无需执行任何操作,因为示例代码包含检测运行代码的机器是否具有 GPU 的逻辑:
如果您更改了训练代码,请阅读 CUDA 语义的 PyTorch 指南,以确保使用 GPU。
设置创建训练作业时要使用的多个 Bash 变量:
BUCKET_NAME=BUCKET_NAME JOB_NAME=getting_started_pytorch_gpu JOB_DIR=gs://${BUCKET_NAME}/${JOB_NAME}/models
将 BUCKET_NAME 替换为您在上一部分中创建的 Cloud Storage 存储分区的名称。
超参数调节
本教程的示例代码调节学习速率和批次大小参数,以尽可能减少测试损失。
确保您的训练代码已准备好在 AI Platform Training 上使用超参数调节:
代码必须解析 AI Platform Training 传递的超参数标志。
示例代码在
task.py
中处理此任务,因此除非您更改代码,否则无需执行任何操作。代码必须使用
cloudml-hypertune
库向 AI Platform Training 报告其超参数调节指标。示例代码在
experiment.py
中处理此任务,因此除非您更改代码,否则无需执行任何操作。
运行以下命令创建一个
config.yaml
文件,该文件指定超参数调节选项:cat > config.yaml <<END trainingInput: hyperparameters: goal: MINIMIZE hyperparameterMetricTag: test_loss maxTrials: 2 maxParallelTrials: 2 enableTrialEarlyStopping: True params: - parameterName: learning-rate type: DOUBLE minValue: 0.0001 maxValue: 1 scaleType: UNIT_LOG_SCALE - parameterName: batch-size type: INTEGER minValue: 1 maxValue: 256 scaleType: UNIT_LINEAR_SCALE END
这些选项调节
--learning-rate
和--batch-size
超参数,以尽可能减少模型损失。设置创建训练作业时要使用的多个 Bash 变量:
BUCKET_NAME=BUCKET_NAME JOB_NAME=getting_started_pytorch_hptuning JOB_DIR=gs://${BUCKET_NAME}/${JOB_NAME}/models
将 BUCKET_NAME 替换为您在上一部分中创建的 Cloud Storage 存储分区的名称。
这些 Bash 变量具有以下用途:
JOB_NAME
是您的 AI Platform Training 作业的标识符。它在您的 Google Cloud 项目中的 AI Platform Training 作业中必须具有唯一性。- AI Platform Training 使用
JOB_DIR
来确定上传训练应用的准确位置。完成训练后,训练应用还会使用JOB_DIR
确定导出模型工件的位置。
创建训练作业
运行以下命令以创建训练作业:
CPU
gcloud ai-platform jobs submit training ${JOB_NAME} \
--region=us-central1 \
--master-image-uri=gcr.io/cloud-ml-public/training/pytorch-xla.1-10 \
--scale-tier=BASIC \
--job-dir=${JOB_DIR} \
--package-path=./trainer \
--module-name=trainer.task \
-- \
--train-files=gs://cloud-samples-data/ai-platform/chicago_taxi/training/small/taxi_trips_train.csv \
--eval-files=gs://cloud-samples-data/ai-platform/chicago_taxi/training/small/taxi_trips_eval.csv \
--num-epochs=10 \
--batch-size=100 \
--learning-rate=0.001
GPU
gcloud ai-platform jobs submit training ${JOB_NAME} \
--region=us-central1 \
--master-image-uri=gcr.io/cloud-ml-public/training/pytorch-gpu.1-10 \
--scale-tier=CUSTOM \
--master-machine-type=n1-standard-8 \
--master-accelerator=type=nvidia-tesla-p100,count=1 \
--job-dir=${JOB_DIR} \
--package-path=./trainer \
--module-name=trainer.task \
-- \
--train-files=gs://cloud-samples-data/ai-platform/chicago_taxi/training/small/taxi_trips_train.csv \
--eval-files=gs://cloud-samples-data/ai-platform/chicago_taxi/training/small/taxi_trips_eval.csv \
--num-epochs=10 \
--batch-size=100 \
--learning-rate=0.001
超参数调节
gcloud ai-platform jobs submit training ${JOB_NAME} \
--region=us-central1 \
--master-image-uri=gcr.io/cloud-ml-public/training/pytorch-xla.1-10 \
--scale-tier=BASIC \
--job-dir=${JOB_DIR} \
--package-path=./trainer \
--module-name=trainer.task \
--config=config.yaml \
-- \
--train-files=gs://cloud-samples-data/ai-platform/chicago_taxi/training/small/taxi_trips_train.csv \
--eval-files=gs://cloud-samples-data/ai-platform/chicago_taxi/training/small/taxi_trips_eval.csv \
--num-epochs=10
阅读训练作业指南,了解配置标志以及如何使用它们来自定义训练。
该命令会返回类似于如下所示的消息:
Job [JOB_NAME] submitted successfully.
Your job is still active. You may view the status of your job with the command
$ gcloud ai-platform jobs describe JOB_NAME
or continue streaming the logs with the command
$ gcloud ai-platform jobs stream-logs JOB_NAME
jobId: JOB_NAME
state: QUEUED
您可以使用以下命令监控作业状态:
gcloud ai-platform jobs describe ${JOB_NAME}
您可以使用以下命令流式传输作业的训练日志:
gcloud ai-platform jobs stream-logs ${JOB_NAME}
训练作业完成后,它会将经过训练的机器学习模型保存到名为 model.pth
文件中,该文件位于您指定的 JOB_DIR
Cloud Storage 目录中的一个带时间戳的目录下。
后续步骤
- 了解如何在多节点集群上执行分布式 PyTorch 训练。
- 了解如何使用 TPU 以在 AI Platform Training 上使用 PyTorch 进行训练。
- 了解如何自定义训练作业的配置。
- 如果您要使用预构建容器中没有的 PyTorch 版本,请了解如何使用自定义容器。
- 如需详细了解如何使用 PyTorch,请参阅 PyTorch 文档。