Addestra un modello ML con PyTorch
Questo tutorial descrive come eseguire un job di addestramento che utilizza il framework di machine learning PyTorch. Il tutorial descrive in che modo la configurazione del job per l'utilizzo di PyTorch differisce leggermente dall'utilizzo di altri framework di ML supportati da AI Platform Training. Poi mostra come eseguire un job di addestramento utilizzando un codice PyTorch di esempio che addestra un modello in base ai dati del set di dati Chicago Taxi Trips.
Il tutorial mostra anche come utilizzare PyTorch con le GPU e con l'ottimizzazione degli iperparametri.
Container PyTorch
Le versioni di runtime di AI Platform Training non includono PyTorch come dipendenza. Per eseguire invece un job di addestramento che usa PyTorch, specifica un container PyTorch predefinito da utilizzare per AI Platform Training.
La configurazione di un container predefinito per l'addestramento utilizza parte della stessa sintassi di un container personalizzato. Tuttavia, non devi creare il tuo container Docker, ma devi specificare l'URI di un'immagine container fornita da AI Platform e fornire un pacchetto di addestramento Python creato da te.
AI Platform fornisce i seguenti container PyTorch predefiniti:
URI immagine container | Versione PyTorch | Processori supportati |
---|---|---|
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 |
1,1 | CPU, TPU |
gcr.io/cloud-ml-public/training/pytorch-gpu.1-10 |
1,1 | 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 |
Queste immagini container sono derivate da Deep Learning Containers e includono le dipendenze fornite da Deep Learning Containers.
Se vuoi utilizzare una versione di PyTorch non disponibile in uno dei container predefiniti, segui la guida all'utilizzo di un container personalizzato.
Prima di iniziare
- 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.
-
Nella pagina del selettore di progetti della console Google Cloud, seleziona o crea un progetto Google Cloud.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Attiva l'API AI Platform Training & Prediction.
- Installa Google Cloud CLI.
-
Per initialize gcloud CLI, esegui questo comando:
gcloud init
-
Nella pagina del selettore di progetti della console Google Cloud, seleziona o crea un progetto Google Cloud.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Attiva l'API AI Platform Training & Prediction.
- Installa Google Cloud CLI.
-
Per initialize gcloud CLI, esegui questo comando:
gcloud init
Download del codice campione in corso...
Esegui i comandi seguenti per scaricare l'applicazione di addestramento PyTorch di esempio e vai alla directory con l'applicazione di addestramento:
git clone --depth=1 \
https://github.com/GoogleCloudPlatform/ai-platform-samples.git
cd ai-platform-samples/training/pytorch/structured/python_package
Se vuoi, controlla la struttura del codice di addestramento:
ls -pR
La directory trainer/
contiene l'applicazione di addestramento PyTorch e setup.py
fornisce i dettagli di configurazione per pacchettizzare l'applicazione di addestramento.
Creazione di un bucket Cloud Storage
Crea un bucket Cloud Storage per archiviare il codice di addestramento pacchettizzato e gli artefatti del modello creati dal job di addestramento. Esegui questo comando:
gsutil mb -l us-central1 gs://BUCKET_NAME
Sostituisci BUCKET_NAME con un nome univoco scelto per il bucket. Scopri di più sui requisiti per i nomi dei bucket.
In alternativa, puoi utilizzare un bucket Cloud Storage esistente nel tuo progetto Google Cloud. Per questo tutorial, assicurati di utilizzare un bucket nella regione us-central1
.
Addestramento di un modello PyTorch
Questo tutorial mostra diversi modi per addestrare un modello PyTorch su AI Platform Training:
- Su un'istanza di macchina virtuale (VM) con un processore CPU
- Su una VM con un processore GPU
- Utilizzo dell'ottimizzazione degli iperparametri (su una VM con processore CPU)
Scegli subito uno di questi metodi e segui le istruzioni nelle schede corrispondenti per il resto di questo tutorial. Puoi ripetere questa sezione se vuoi provare l'addestramento con una delle altre configurazioni.
Preparazione della creazione di un job di addestramento
Prima di creare un job di addestramento, assicurati che il codice di addestramento sia pronto e specifica alcune opzioni di configurazione nel tuo ambiente locale.
CPU
Imposta diverse variabili Bash da utilizzare quando crei il job di addestramento:
BUCKET_NAME=BUCKET_NAME
JOB_NAME=getting_started_pytorch_cpu
JOB_DIR=gs://${BUCKET_NAME}/${JOB_NAME}/models
Sostituisci BUCKET_NAME con il nome del bucket Cloud Storage che hai creato in una sezione precedente.
GPU
Assicurati che il codice di addestramento PyTorch sia a conoscenza della GPU sulla VM utilizzata dal job di addestramento, in modo che PyTorch trasferisca correttamente i tensori e i moduli sulla GPU.
Se utilizzi il codice campione fornito, non devi fare nulla, perché il codice campione contiene una logica per rilevare se la macchina che esegue il codice ha una GPU:
Se modifichi il codice di addestramento, leggi la guida di PyTorch alla semantica CUDA per assicurarti che venga utilizzata la GPU.
Imposta diverse variabili Bash da utilizzare quando crei il job di addestramento:
BUCKET_NAME=BUCKET_NAME JOB_NAME=getting_started_pytorch_gpu JOB_DIR=gs://${BUCKET_NAME}/${JOB_NAME}/models
Sostituisci BUCKET_NAME con il nome del bucket Cloud Storage che hai creato in una sezione precedente.
Ottimizzazione degli iperparametri
Il codice campione per questo tutorial ottimizza i parametri del tasso di apprendimento e delle dimensioni del batch al fine di ridurre al minimo la perdita di test.
Assicurati che il tuo codice di addestramento sia pronto per l'ottimizzazione degli iperparametri in AI Platform Training:
Il codice deve analizzare i flag degli iperparametri che gli vengono trasmessi da AI Platform Training.
Il codice campione gestisce questa operazione in
task.py
, quindi non devi fare nulla, a meno che non modifichi il codice.Il codice deve utilizzare la libreria
cloudml-hypertune
per segnalare la metrica di ottimizzazione degli iperparametri ad AI Platform Training.Il codice campione gestisce questa operazione in
experiment.py
, quindi non devi fare nulla, a meno che non modifichi il codice.
Esegui questo comando per creare un file
config.yaml
che specifichi le opzioni di ottimizzazione degli iperparametri:cat > config.yaml <<END trainingInput: hyperparameters: goal: MINIMIZE hyperparameterMetricTag: test_loss maxTrials: 2 maxParallelTrials: 2 enableTrialEarlyStopping: True params: - parameterName: learning-rate type: DOUBLE minValue: 0.0001 maxValue: 1 scaleType: UNIT_LOG_SCALE - parameterName: batch-size type: INTEGER minValue: 1 maxValue: 256 scaleType: UNIT_LINEAR_SCALE END
Queste opzioni ottimizzano gli iperparametri
--learning-rate
e--batch-size
per ridurre al minimo la perdita di modelli.Imposta diverse variabili Bash da utilizzare quando crei il job di addestramento:
BUCKET_NAME=BUCKET_NAME JOB_NAME=getting_started_pytorch_hptuning JOB_DIR=gs://${BUCKET_NAME}/${JOB_NAME}/models
Sostituisci BUCKET_NAME con il nome del bucket Cloud Storage che hai creato in una sezione precedente.
Queste variabili Bash hanno i seguenti scopi:
JOB_NAME
è un identificatore del job di AI Platform Training. Deve essere univoco tra i job di AI Platform Training nel progetto Google Cloud.JOB_DIR
viene utilizzato da AI Platform Training per determinare dove esattamente caricare l'applicazione di addestramento. L'applicazione di addestramento utilizza ancheJOB_DIR
per determinare dove esportare gli artefatti del modello al termine dell'addestramento.
Creazione di un job di addestramento
Esegui questo comando per creare un job di addestramento:
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
Ottimizzazione degli iperparametri
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
Leggi la guida ai job di addestramento per saperne di più sui flag di configurazione e su come utilizzarli per personalizzare l'addestramento.
Il comando restituisce un messaggio simile al seguente:
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
Puoi monitorare lo stato del job con il seguente comando:
gcloud ai-platform jobs describe ${JOB_NAME}
Puoi creare un flusso dei log di addestramento del job con il seguente comando:
gcloud ai-platform jobs stream-logs ${JOB_NAME}
Al termine del job di addestramento, il modello ML addestrato viene salvato in un file denominato
model.pth
in una directory con timestamp all'interno della directory JOB_DIR
Cloud Storage specificata.
Passaggi successivi
- Scopri come eseguire l'addestramento PyTorch distribuito su un cluster con più nodi.
- Scopri come utilizzare una TPU per l'addestramento con PyTorch su AI Platform Training.
- Scopri come personalizzare la configurazione del job di addestramento.
- Se vuoi utilizzare una versione di PyTorch non disponibile in un container predefinito, scopri come utilizzare un container personalizzato.
- Scopri di più sull'utilizzo di PyTorch nella documentazione di PyTorch.