Optimiser BERT avec Cloud TPU : tâches de classification de phrases et de paires de phrases (TF 2.x)

Ce tutoriel vous explique comment entraîner le modèle BERT (Bidirectional Encoder Representations from Transformers) sur Cloud TPU.

BERT est une méthode permettant de pré-entraîner des représentations du langage. Le pré-entraînement fait référence à la façon dont le modèle BERT est entraîné pour la première fois à partir d'une importante source de texte, telle que Wikipédia. Vous pouvez ensuite appliquer les résultats de l'entraînement à d'autres tâches de traitement du langage naturel, tels que des systèmes de questions-réponses et l'analyse des sentiments. BERT et Cloud TPU vous permettent d'entraîner de nombreux modèles de traitement du langage naturel en environ 30 minutes.

Pour en savoir plus sur BERT, consultez les ressources suivantes :

Objectifs

  • Créer un bucket Cloud Storage pour stocker votre ensemble de données et la sortie du modèle
  • Exécuter la tâche d'entraînement
  • Vérifier les résultats

Coûts

Ce tutoriel utilise des composants facturables de Google Cloud, dont :

  • Instance
  • Cloud TPU
  • Cloud Storage

Obtenez une estimation des coûts en fonction de votre utilisation prévue à l'aide du simulateur de coût. Les nouveaux utilisateurs de Google Cloud peuvent bénéficier d'un essai gratuit.

Avant de commencer

Cette section fournit des informations sur la configuration du bucket Cloud Storage et d'une VM Compute Engine.

  1. Ouvrez une fenêtre Cloud Shell.

    Ouvrir Cloud Shell

  2. Créez une variable pour l'ID de votre projet.

    export PROJECT_ID=project-id
    
  3. Configurez l'outil de ligne de commande gcloud pour utiliser le projet dans lequel vous souhaitez créer Cloud TPU.

    gcloud config set project ${PROJECT_ID}
    

    La première fois que vous exécutez cette commande dans une nouvelle VM Cloud Shell, une page Authorize Cloud Shell s'affiche. Cliquez sur Authorize en bas de la page pour permettre à gcloud d'effectuer des appels d'API GCP avec vos identifiants.

  4. Créez un compte de service pour le projet Cloud TPU.

    gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
    

    La commande renvoie un compte de service Cloud TPU au format suivant :

    service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
    
  5. Créez un bucket Cloud Storage à l'aide de la commande suivante :

    gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 -b on gs://bucket-name
    

    Ce bucket Cloud Storage stocke les données que vous utilisez pour entraîner votre modèle, ainsi que les résultats de l'entraînement. La commande gcloud compute tpus execution-groups utilisée dans ce tutoriel définit les autorisations par défaut pour le compte de service Cloud TPU que vous avez configuré à l'étape précédente. Si vous souhaitez utiliser des autorisations plus précises, vérifiez les autorisations de niveau d'accès.

    L'emplacement du bucket doit être situé dans la même région que votre Compute Engine (VM) et votre nœud Cloud TPU.

  6. Lancez une VM Compute Engine et Cloud TPU à l'aide de la commande gcloud compute tpus execution-groups.

    $ gcloud compute tpus execution-groups create \
     --name=bert-tutorial \
     --zone=europe-west4-a \
     --tf-version=2.5.0 \
     --machine-type=n1-standard-1 \
     --accelerator-type=v3-8
    

    Description des options de commande

    project
    ID de votre projet GCP
    name
    Nom de la ressource Cloud TPU à créer.
    zone
    Zone dans laquelle vous prévoyez de créer votre Cloud TPU.
    tf-version
    La version de Tensorflow que gcloud installe sur la VM.
    machine-type
    Type de machine de la VM Compute Engine à créer.
    accelerator-type
    Type de Cloud TPU à créer.

    Pour en savoir plus sur la commande gcloud compute tpus execution-groups, consultez la documentation de référence de gcloud.

  7. Une fois l'exécution de la commande gcloud terminée, vérifiez que l'invite de l'interface système est passée de username@projectname à username@vm-name. Cette modification indique que vous êtes maintenant connecté à votre VM Compute Engine.

    gcloud compute ssh bert-tutorial --zone=europe-west4-a
    

    À mesure que vous appliquez ces instructions, exécutez chaque commande commençant par (vm)$ dans la fenêtre de session de la VM.

  8. Créez une variable d'environnement pour le nom du TPU.

    (vm)$ export TPU_NAME=bert-tutorial
    

Préparer l'ensemble de données

  1. Depuis votre machine virtuelle (VM) Compute Engine, installez le fichier requirements.txt.

    (vm)$ sudo pip3 install -r /usr/share/models/official/requirements.txt
    
  2. Facultatif : téléchargez download_glue_data.py

    Ce tutoriel utilise l'analyse comparative GLUE (General Language Understanding Evaluation, évaluation de la compréhension générale du langage) pour évaluer et analyser les performances du modèle. Pour ce tutoriel, les données GLUE sont fournies à l'adresse gs://cloud-tpu-checkpoints/bert/classification.

    Si vous souhaitez utiliser des données GLUE brutes et créer des enregistrements TFRecord, suivez les instructions de traitement de l'ensemble de données sur GitHub.

Définir les valeurs des paramètres

Définissez plusieurs valeurs de paramètres requises lors de l'entraînement et de l'évaluation du modèle :

(vm)$ export STORAGE_BUCKET=gs://bucket-name
(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
(vm)$ export BERT_BASE_DIR=gs://cloud-tpu-checkpoints/bert/keras_bert/uncased_L-24_H-1024_A-16
(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/bert-output
(vm)$ export GLUE_DIR=gs://cloud-tpu-checkpoints/bert/classification
(vm)$ export TASK=mnli

Entraîner le modèle

Exécutez la commande suivante depuis votre VM Compute Engine :

(vm)$ python3 /usr/share/models/official/nlp/bert/run_classifier.py \
  --mode='train_and_eval' \
  --input_meta_data_path=${GLUE_DIR}/${TASK}_meta_data \
  --train_data_path=${GLUE_DIR}/${TASK}_train.tf_record \
  --eval_data_path=${GLUE_DIR}/${TASK}_eval.tf_record \
  --bert_config_file=${BERT_BASE_DIR}/bert_config.json \
  --init_checkpoint=${BERT_BASE_DIR}/bert_model.ckpt \
  --train_batch_size=32 \
  --eval_batch_size=32 \
  --learning_rate=2e-5 \
  --num_train_epochs=1 \
  --model_dir=${MODEL_DIR} \
  --distribution_strategy=tpu \
  --tpu=${TPU_NAME} \
  --steps_per_loop=500

Description des options de commande

mode
Valeurs possibles : train, eval, train_and_eval ou predict.
input_meta_data_path
Chemin d'accès à un fichier contenant des métadonnées sur l'ensemble de données à utiliser pour l'entraînement et l'évaluation.
train_data_path
Chemin d'accès Cloud Storage pour l'entrée d'entraînement. Dans cet exemple, il est défini sur l'ensemble de données fake_imagenet.
eval_data_path
Chemin d'accès Cloud Storage pour l'entrée d'évaluation. Dans cet exemple, il est défini sur l'ensemble de données fake_imagenet.
bert_config_file
Fichier de configuration BERT.
init_checkpoint
Chemin d'accès au fichier JSON contenant le point de contrôle initial du modèle BERT pré-entraîné.
train_batch_size
Taille de lot d'entraînement.
eval_batch_size
Taille de lot d'évaluation.
learning_rate
Taux d'apprentissage.
num_train_epochs
Nombre d'époques pour l'entraînement du modèle.
model_dir
Chemin d'accès à Cloud Storage où les points de contrôle et les résumés sont stockés lors de l'entraînement du modèle. Vous pouvez réutiliser un dossier existant pour charger les points de contrôle précédemment générés, et pour stocker des points de contrôle supplémentaires tant que les points de contrôle précédents ont été créés avec un Cloud TPU de la même taille et la même version de TensorFlow.
distribution_strategy
Pour entraîner le modèle ResNet sur un TPU, définissez distribution_strategy sur tpu.
tpu
Nom du Cloud TPU à utiliser pour l'entraînement.
steps_per_loop
Nombre d'étapes d'entraînement à exécuter avant d'enregistrer l'état dans le processeur. Une étape d'entraînement est le traitement d'un lot d'exemples. Cela inclut à la fois une propagation avant et une rétropropagation.

L'entraînement dure environ 8 minutes sur un TPU v3-8. Une fois le script d'entraînement terminé, des résultats semblables aux lignes suivantes doivent s'afficher:

12271/12271 [==============================]
  - 756s 62ms/step
  - loss: 0.4864
  - accuracy: 0.8055
  - val_loss: 0.3832
  - val_accuracy: 0.8546

Pour améliorer la précision, définissez --num_tain_epochs=3. L'entraînement du script prend environ une heure.

Nettoyer

  1. Déconnectez-vous de l'instance Compute Engine, si vous ne l'avez pas déjà fait :

    (vm)$ exit
    

    Votre invite devrait maintenant être username@projectname, indiquant que vous êtes dans Cloud Shell.

  2. Dans Cloud Shell, exécutez la commande gcloud compute tpus execution-groups ci-dessous pour supprimer votre VM Compute Engine et le Cloud TPU. Utilisez les valeurs d'indicateur --name et --zone que vous avez utilisées lors de la création de la VM et du TPU.

    $ gcloud compute tpus execution-groups delete bert-tutorial \
      --zone=europe-west4-a
    
  3. Vérifiez que les ressources ont été supprimées en exécutant gcloud compute tpus execution-groups list. La suppression peut prendre plusieurs minutes. Si vous obtenez une réponse semblable à celle présentée ci-dessous, vos instances ont bien été supprimées:

    $ gcloud compute tpus execution-groups list \
      --zone=europe-west4-a
    
       NAME             STATUS
    
  4. Supprimez votre bucket Cloud Storage à l'aide de gsutil, comme illustré ci-dessous. Remplacez bucket-name par le nom de votre bucket Cloud Storage.

    $ gsutil rm -r gs://bucket-name
    

Étape suivante

Dans ce tutoriel, vous avez entraîné le modèle BERT à l'aide d'un exemple d'ensemble de données. Les résultats de cet entraînement ne sont pas utilisables pour l'inférence dans la plupart des cas. Afin d'utiliser un modèle pour l'inférence, vous pouvez entraîner les données sur un ensemble de données accessible au public ou sur votre propre ensemble de données. Les modèles entraînés sur des appareils Cloud TPU nécessitent des ensembles de données au format TFRecord.

Vous pouvez utiliser l'exemple d'outil de conversion d'ensemble de données pour convertir un ensemble de données de classification d'images au format TFRecord. Si vous n'utilisez pas de modèle de classification d'images, vous devez convertir vous-même votre ensemble de données au format TFRecord. Pour en savoir plus, consultez la section TFRecord et tf.Example.

Réglages d'hyperparamètres

Pour améliorer les performances du modèle avec votre ensemble de données, vous pouvez régler ses hyperparamètres. Vous trouverez des informations sur les hyperparamètres communs à tous les modèles compatibles avec des TPU sur GitHub. Des informations sur les hyperparamètres spécifiques au modèle sont disponibles dans le code source de chaque modèle. Pour en savoir plus sur ces réglages, consultez les pages Présentation des réglages d'hyperparamètres, Utiliser le service de réglage d'hyperparamètres et Régler les hyperparamètres.

Inférence

Une fois que vous avez entraîné votre modèle, vous pouvez l'utiliser pour l'inférence (également appelée prédiction). AI Platform est une solution basée sur le cloud permettant de développer, d'entraîner et de déployer des modèles de machine learning. Une fois un modèle déployé, vous pouvez utiliser le service AI Platform Prediction.