En este instructivo se muestra cómo entrenar el modelo Representaciones de codificador bidireccional de transformadores (BERT) en Cloud TPU.
BERT es un método para realizar un entrenamiento previo de representaciones lingüísticas. El entrenamiento previo se refiere a la manera en que BERT se entrena primero en una gran fuente de texto, como Wikipedia. A continuación, puedes aplicar los resultados del entrenamiento a otras tareas de procesamiento de lenguaje natural (PLN), como respuesta a preguntas y análisis de opiniones. Con BERT y Cloud TPU, puedes entrenar una variedad de modelos de PLN en alrededor de 30 minutos.
Para obtener más información sobre BERT, consulta los siguientes recursos:
- Código abierto de BERT: Entrenamiento previo de vanguardia para procesamiento de lenguaje natural
- BERT: Entrenamiento previo de transformadores bidireccionales profundos para comprensión de lenguaje
Objetivos
- Crear un bucket de Cloud Storage para almacenar el resultado de tu modelo y tu conjunto de datos
- Ejecutar el trabajo de entrenamiento
- Verificar los resultados de salida
Costos
En este documento, usarás los siguientes componentes facturables de Google Cloud:
- Compute Engine
- Cloud TPU
- Cloud Storage
Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios.
Antes de comenzar
En esta sección, se proporciona información sobre cómo configurar el bucket de Cloud Storage y una VM de Compute Engine.
Abre una ventana de Cloud Shell.
Crea una variable para el ID de tu proyecto.
export PROJECT_ID=project-id
Configura Google Cloud CLI para usar el proyecto en el que deseas crear Cloud TPU.
gcloud config set project ${PROJECT_ID}
Crea una cuenta de servicio para el proyecto de Cloud TPU.
gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
El comando muestra una cuenta de servicio de Cloud TPU con el siguiente formato:
service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
Crea un bucket de Cloud Storage con el siguiente comando:
gsutil mb -p ${PROJECT_ID} -c standard -l us-central1 gs://bucket-name
Este bucket de Cloud Storage almacena los datos que usas para entrenar tu modelo y los resultados del entrenamiento. El comando que usas a fin de crear una TPU (
gcloud compute tpus execution-groups create
para la arquitectura de nodo TPU ogcloud compute tpus tpu-vm create
para la arquitectura de VM de TPU) configura permisos predeterminados para la cuenta de servicio de Cloud TPU que configuraste en el paso anterior. Si deseas obtener permisos más detallados, revisa los permisos de nivel de acceso.La ubicación del bucket debe estar en la misma región que tu Compute Engine (VM) y tu nodo de Cloud TPU.
Inicia una VM de Compute Engine y Cloud TPU con el comando
gcloud
. El comando que uses depende de si usas una VM de TPU o un nodo TPU. Para obtener más información sobre la arquitectura de las dos VM, consulta Arquitectura del sistema. Para obtener más información sobre el comando degcloud
, consulta la Referencia de gcloud.VM de TPU
$ gcloud compute tpus tpu-vm create bert-tutorial \ --zone=us-central1-b \ --accelerator-type=v3-8 \ --version=tpu-vm-tf-2.15.0-se
Descripciones de las marcas de comandos
zone
- La zona en la que planeas crear la Cloud TPU.
accelerator-type
- El tipo de Cloud TPU que se creará.
version
- La versión de software de Cloud TPU.
Nodo TPU
$ gcloud compute tpus execution-groups create \ --name=bert-tutorial \ --zone=us-central1-b \ --tf-version=2.12.0 \ --machine-type=n1-standard-1 \ --accelerator-type=v3-8
Descripciones de las marcas de comandos
name
- Es el nombre de la Cloud TPU que se creará.
zone
- La zona en la que planeas crear la Cloud TPU.
tf-version
- La versión
ctpu
de TensorFlow se instala en la VM. machine-type
- El tipo de máquina de la VM de Compute Engine que se creará.
accelerator type
- El tipo de Cloud TPU que se creará.
Si no accediste de forma automática a la instancia de Compute Engine, ejecuta el siguiente comando de
ssh
para acceder. Cuando accedas a la VM, el indicador de shell cambiará deusername@projectname
ausername@vm-name
:VM de TPU
gcloud compute tpus tpu-vm ssh bert-tutorial --zone=us-central1-b
Nodo TPU
gcloud compute ssh bert-tutorial --zone=us-central1-b
Mientras sigues estas instrucciones, ejecuta cada comando que empiece con
(vm)$
en la ventana de sesión de tu VM.Crea una variable de entorno para el nombre de la TPU.
VM de TPU
(vm)$ export TPU_NAME=local
Nodo TPU
(vm)$ export TPU_NAME=bert-tutorial
Prepara el conjunto de datos
Define el bucket de almacenamiento necesario para almacenar el modelo y el conjunto de datos:
(vm)$ export STORAGE_BUCKET=gs://bucket-name
Copia el punto de control y los archivos de vocabulario previamente entrenados en tu bucket de almacenamiento:
(vm)$ curl https://storage.googleapis.com/tf_model_garden/nlp/bert/v3/uncased_L-12_H-768_A-12.tar.gz -o uncased_L-12_H-768_A-12.tar.gz (vm)$ mkdir -p uncased_L-12_H-768_A-12 (vm)$ tar -xvf uncased_L-12_H-768_A-12.tar.gz (vm)$ gsutil -m cp -R uncased_L-12_H-768_A-12 ${STORAGE_BUCKET}
Entrenar el modelo
Define varios valores de parámetros que se requieren cuando entrenas y evalúas el modelo:
(vm)$ export INIT_CHECKPOINT=${STORAGE_BUCKET}/uncased_L-12_H-768_A-12/bert_model.ckpt (vm)$ export TFDS_DIR=${STORAGE_BUCKET}/tfds (vm)$ export VOCAB_FILE=${STORAGE_BUCKET}/uncased_L-12_H-768_A-12/vocab.txt (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/bert-output (vm)$ export TASK=mnli
Instala los requisitos de TensorFlow.
El comando que uses depende de si usas una VM de TPU o un nodo TPU.
VM de TPU
(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt
Nodo TPU
(vm)$ pip3 install --user -r /usr/share/models/official/requirements.txt (vm)$ pip3 install tensorflow-datasets==4.6.0
Configura la variable de entorno
PYTHONPATH
.VM de TPU
(vm)$ export PYTHONPATH=/usr/share/tpu/models
Nodo TPU
(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
Ve al directorio en el que se almacena el modelo:
VM de TPU
(vm)$ cd /usr/share/tpu/models
Nodo TPU
(vm)$ cd /usr/share/models
Ejecuta la secuencia de comandos de entrenamiento:
(vm)$ python3 official/nlp/train.py \ --tpu=${TPU_NAME} \ --experiment=bert/sentence_prediction_text \ --mode=train_and_eval \ --model_dir=${MODEL_DIR} \ --config_file=official/nlp/configs/experiments/glue_mnli_text.yaml \ --params_override="runtime.distribution_strategy=tpu, task.init_checkpoint=${INIT_CHECKPOINT}, task.train_data.tfds_data_dir=${TFDS_DIR}, task.train_data.vocab_file=${VOCAB_FILE}, task.validation_data.tfds_data_dir=${TFDS_DIR}, task.validation_data.vocab_file=${VOCAB_FILE}, trainer.train_steps=2000"
Descripciones de las marcas de comandos
tpu
- El nombre de Cloud TPU que se usará para el entrenamiento.
mode
- Es uno de los siguientes valores:
train
,eval
,train_and_eval
opredict
. model_dir
- La ruta de Cloud Storage en la que se almacenan los puntos de control y los resúmenes durante el entrenamiento de modelos. Puedes reutilizar una carpeta existente para cargar puntos de control generados con anterioridad y almacenar puntos de control adicionales siempre que los puntos de control anteriores se hayan creado mediante un Cloud TPU del mismo tamaño y versión de TensorFlow.
La secuencia de comandos entrena para 2,000 pasos y, luego, ejecuta 307 pasos de evaluación. En una TPU v3-8, después de unos 5 minutos, la secuencia de comandos de entrenamiento debería completarse y mostrar resultados similares a los siguientes:
I0719 00:47:52.683979 140297079573568 controller.py:457] train | step: 2000 | steps/sec: 26.3 | output: {'cls_accuracy': 0.7249375, 'learning_rate': 1.4670059e-05, 'training_loss': 0.6740678} train | step: 2000 | steps/sec: 26.3 | output: {'cls_accuracy': 0.7249375, 'learning_rate': 1.4670059e-05, 'training_loss': 0.6740678} I0719 00:47:53.184051 140297079573568 controller.py:277] eval | step: 2000 | running 307 steps of evaluation... eval | step: 2000 | running 307 steps of evaluation...
Limpia
Desconéctate de la instancia de Compute Engine, si aún no lo hiciste:
(vm)$ exit
El mensaje ahora debería mostrar
username@projectname
, que indica que estás en Cloud Shell.Borra tus recursos de Cloud TPU y Compute Engine. El comando que uses para borrar tus recursos depende de si usas VM o nodos TPU. Para obtener más información, consulta Arquitectura del sistema.
VM de TPU
$ gcloud compute tpus tpu-vm delete bert-tutorial \ --zone=us-central1-b
Nodo TPU
$ gcloud compute tpus execution-groups delete bert-tutorial \ --zone=us-central1-b
Ejecuta
gcloud compute tpus execution-groups list
para verificar que los recursos se hayan borrado. La eliminación puede tardar varios minutos. El resultado del siguiente comando no debe incluir ninguno de los recursos creados en este instructivo:VM de TPU
$ gcloud compute tpus tpu-vm list --zone=us-central1-b
Nodo TPU
$ gcloud compute tpus execution-groups list --zone=us-central1-b
Borra el bucket de Cloud Storage con
gsutil
como se muestra a continuación. Reemplaza bucket-name por el nombre de tu bucket de Cloud Storage.$ gsutil rm -r gs://bucket-name
¿Qué sigue?
Los instructivos de TensorFlow Cloud TPU suelen entrenar el modelo con un conjunto de datos de muestra. Los resultados de este entrenamiento no se pueden usar para la inferencia. Para usar un modelo en la inferencia, puedes entrenar los datos en un conjunto de datos disponible públicamente o en tu propio conjunto de datos. Por lo general, los modelos de TensorFlow entrenados en Cloud TPU requieren que los conjuntos de datos tengan el formato TFRecord.
Puedes usar la muestra de la herramienta de conversión de conjuntos de datos para convertir un conjunto de datos de clasificación de imágenes en formato TFRecord. Si no usas un modelo de clasificación de imágenes, deberás convertir tú mismo el conjunto de datos en formato TFRecord. Para obtener más información, consulta TFRecord y tf.Example.
Ajuste de hiperparámetros
Para mejorar el rendimiento del modelo con tu conjunto de datos, puedes ajustar los hiperparámetros del modelo. Puedes encontrar información sobre hiperparámetros comunes para todos los modelos compatibles con TPU en GitHub. La información sobre los hiperparámetros específicos del modelo se puede encontrar en el código fuente para cada modelo. Para obtener más información sobre el ajuste de hiperparámetros, consulta Descripción general del ajuste de hiperparámetros, Usa el servicio de ajuste de hiperparámetros y Ajusta los hiperparámetros.
Inferencia
Una vez que entrenaste tu modelo, puedes usarlo para la inferencia (también llamada predicción). AI Platform es una solución basada en la nube que sirve para desarrollar, entrenar e implementar modelos de aprendizaje automático. Una vez que se implementa un modelo, puedes usar el servicio de AI Platform Prediction.
- Explora las herramientas de TPU en TensorBoard.