Questa pagina è stata tradotta dall'API Cloud Translation.

Conversione di un set di dati di classificazione delle immagini per l'utilizzo con Cloud TPU

Questo tutorial descrive come utilizzare il convertitore dei dati di classificazione delle immagini esempio per convertire un set di dati di classificazione delle immagini non elaborate nel formato TFRecord utilizzato per addestrare i modelli Cloud TPU.

I TFRecord rendono leggere file di grandi dimensioni da Cloud Storage è più efficiente che leggere ogni singolo file come singolo file. Puoi utilizzare TFRecord ovunque utilizzi un pipeline tf.data.Dataset.

Per ulteriori informazioni sull'utilizzo di TFRecord, consulta i seguenti documenti di TensorFlow:

Se utilizzi il framework PyTorch o JAX e non utilizzi Cloud Storage per l'archiviazione dei set di dati, potresti non trarre lo stesso vantaggio da TFRecords.

Panoramica delle conversioni

La cartella di classificazione delle immagini all'interno del repository del convertitore di dati su GitHub contiene lo script converter, image_classification_data.py e un implementazione di esempio, simple_example.py, puoi copiarla e modificarla la tua conversione dei dati.

Il Sample del convertitore di dati di classificazione delle immagini definisce due classi, ImageClassificationConfig e ImageClassificationBuilder. Questi corsi sono definito in tpu/tools/data_converter/image_classification_data.py.

ImageClassificationConfig è una classe base astratta. Sottoclassifica ImageClassificationConfig per definire la configurazione necessaria per creare un'istanza di ImageClassificationBuilder.

ImageClassificationBuilder è un generatore di set di dati TensorFlow per i set di dati di classificazione delle immagini. È una sottoclasse di tdfs.core.GeneratorBasedBuilder. Recupera esempi di dati dal set di dati e li converte in TFRecord. I TFRecord vengono scritti in un percorso specificato dal parametro data_dir al metodo __init__ di ImageClassificationBuilder.

In simple_example.py, SimpleDatasetConfig sottoclassi ImageClassificationConfig, implementando proprietà che definiscono le modalità supportate, il numero di classi di immagini e un generatore di esempi che genera un dizionario contenente i dati delle immagini e una classe di immagini per ogni esempio nel set di dati.

La funzione main() crea un set di dati di dati immagine generati casualmente e crea un'istanza di un oggetto SimpleDatasetConfig specificando il numero di classi e il percorso del set di dati su disco. Successivamente, main() crea un'istanza Oggetto ImageClassificationBuilder, che passa in SimpleDatasetConfig in esecuzione in un'istanza Compute Engine. Infine, main() chiama download_and_prepare(). Quando viene chiamato questo metodo, l'istanza ImageClassificationBuilder utilizza il generatore di esempi di dati implementato da SimpleDatasetConfig per caricare ogni esempio e salvarli in una serie di file TFRecord.

Per una spiegazione più dettagliata, consulta il notebook del convertitore di classificazione.

Modifica dell'esempio di conversione dei dati per caricare il set di dati

Per convertire il set di dati in formato TFRecord, sottoclasse Classe ImageClassificationConfig che definisce le seguenti proprietà:

num_labels: restituisce il numero di classi immagine
supported_modes: restituisce un elenco di modalità supportate dal set di dati (ad es. test, addestramento e convalida)
text_label_map: restituisce un dizionario che modella la mappatura tra una un'etichetta di classe di testo e un'etichetta di classe con numeri interi (SimpleDatasetConfig non usa questa proprietà, non richiede una mappatura)
download_path: il percorso da cui scaricare il set di dati (SimpleDatasetConfig non utilizza questa proprietà, example_generator carica i dati dal disco)

Implementa la funzione di generatore example_generator. Questo metodo deve restituire un dizionario contenente i dati dell'immagine e il nome della classe dell'immagine per ogni esempio. ImageClassificationBuilder usa la funzione example_generator() per recuperare ad esempio e li scrive su disco in formato TFRecord.

Eseguire l'esempio di conversione dei dati

Crea un bucket Cloud Storage utilizzando il seguente comando:

Nota: nel seguente comando, sostituisci bucket-name con il nome che vuoi assegnare al bucket.
```
gcloud storage buckets create gs://bucket-name --project=${PROJECT_ID} --location=us-central2
```
Avvia una Cloud TPU utilizzando il comando gcloud.
```
$ gcloud compute tpus tpu-vm create tpu-name \
    --zone=us-central2-b \
    --accelerator-type=v4-8 \
    --version=tpu-vm-tf-2.17.0-pjrt
```
Descrizioni flag di comando

zone

La zona in cui prevedi di creare la tua Cloud TPU.

accelerator-type

Il tipo di acceleratore specifica la versione e le dimensioni della Cloud TPU che vuoi creare. Per ulteriori informazioni sui tipi di acceleratori supportati per ogni versione di TPU, consulta Versioni di TPU.

version

La versione software di Cloud TPU.
Connettiti alla TPU tramite SSH:
```
$ gcloud compute tpus tpu-vm ssh tpu-name --zone=us-central2-b
```
Quando ti connetti alla TPU, il prompt della shell cambia da Da username@projectname a username@vm-name.

Installa i pacchetti richiesti.

(vm)$ pip3 install opencv-python-headless pillow

Crea le seguenti variabili di ambiente utilizzate dallo script.

(vm)$ export STORAGE_BUCKET=gs://bucket-name
(vm)$ export CONVERTED_DIR=$HOME/tfrecords
(vm)$ export GENERATED_DATA=$HOME/data
(vm)$ export GCS_CONVERTED=$STORAGE_BUCKET/data_converter/image_classification/tfrecords
(vm)$ export GCS_RAW=$STORAGE_BUCKET/image_classification/raw
(vm)$ export PYTHONPATH="$PYTHONPATH:/usr/share/tpu/models"

Passa alla directory data_converter.

(vm)$ cd /usr/share/tpu/tools/data_converter

Eseguire il convertitore di dati su un set di dati falso

Lo script simple_example.py si trova nella cartella image_classification dell'esempio del convertitore di dati. L'esecuzione dello script con i seguenti parametri genera un insieme di immagini false e le converte in TFRecord.

(vm)$ python3 image_classification/simple_example.py \
  --num_classes=1000 \
  --data_path=$GENERATED_DATA \
  --generate=True \
  --num_examples_per_class_low=10 \
  --num_examples_per_class_high=11 \
  --save_dir=$CONVERTED_DIR

Eseguire il convertitore di dati su uno dei nostri set di dati non elaborati

Crea una variabile di ambiente per la località dei dati non elaborati.

(vm)$ export GCS_RAW=gs://cloud-tpu-test-datasets/data_converter/raw_image_classification

Esegui lo script simple_example.py.

(vm)$ python3 image_classification/simple_example.py \
--num_classes=1000 \
--data_path=$GCS_RAW \
--generate=False \
--save_dir=$CONVERTED_DIR

Lo script simple_example.py accetta i seguenti parametri:

num_classes si riferisce al numero di classi nel set di dati. Qui utilizziamo 1000 per adattarci al formato ImageNet.
generate determina se generare o meno i dati non elaborati.
data_path si riferisce al percorso in cui vengono generati i dati se generate=True o il percorso in cui sono archiviati i dati non elaborati, se generate=False.
num_examples_per_class_low e num_examples_per_class_high determinano come molti esempi per classe da generare. Lo script genera un numero random di esempi in questo intervallo.
save_dir si riferisce alla posizione in cui vengono salvati i TFRecord salvati. Per addestrare un modello su Cloud TPU, i dati devono essere archiviati in Cloud Storage. Può essere su Cloud Storage o sulla VM.

Rinomina e sposta i TFRecord in Cloud Storage

Il seguente esempio utilizza i dati convertiti con il modello ResNet.

Rinomina i TFRecord nello stesso formato dei TFRecord di ImageNet:

(vm)$ cd $CONVERTED_DIR/image_classification_builder/Simple/0.1.0/
(vm)$ sudo apt install rename

(vm)$ rename -v 's/image_classification_builder-(\w+)\.tfrecord/$1/g' *

Copia i TFRecord in Cloud Storage:

(vm)$ gcloud storage cp train* $GCS_CONVERTED
(vm)$ gcloud storage cp validation* $GCS_CONVERTED

Esegui la pulizia

Se non l'hai già fatto, scollega la Cloud TPU:
```
(vm)$ exit
```
Il tuo prompt dovrebbe ora essere user@projectname, a indicare che ti trovi in Cloud Shell.

In Cloud Shell, esegui gcloud per eliminare la risorsa VM.

$ gcloud compute tpus tpu-vm delete tpu-name \
  --zone=us-central2-b

Verifica che la VM sia stata eliminata eseguendo gcloud compute tpus tpu-vm list. La l'eliminazione potrebbe richiedere diversi minuti. Una risposta simile alla seguente indica che le istanze sono state eliminate correttamente.
```
$ gcloud compute tpus tpu-vm list --zone=us-central2-b
```
```
Listed 0 items.
```
Esegui gcloud CLI come mostrato, sostituendo bucket-name con il nome del bucket Cloud Storage che hai creato per questo tutorial:
```
$ gcloud storage rm gs://bucket-name --recursive
```