Réglages précis BERT avec Cloud TPU: tâches de classification de phrases et de paire 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 les composants facturables suivants de Google Cloud :

  • Compute Engine
  • 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'interface de ligne de commande Google Cloud pour utiliser le projet dans lequel vous souhaitez créer Cloud TPU.

    gcloud config set project ${PROJECT_ID}
    
  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 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 configure les autorisations par défaut du 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. La commande à utiliser varie selon que vous utilisez une VM TPU ou un nœud TPU. Pour en savoir plus sur les deux architectures de VM, consultez la page Architecture du système. Pour en savoir plus sur la commande gcloud, consultez la documentation de référence de gcloud.

    VM TPU

    $ gcloud alpha compute tpus tpu-vm create bert-tutorial \
    --zone=europe-west4-a \
    --accelerator-type=v3-8 \
    --version=tpu-vm-tf-2.8.0

    Description des options de commande

    zone
    La zone dans laquelle vous prévoyez de créer votre Cloud TPU.
    accelerator-type
    Type du Cloud TPU à créer.
    version
    Version du logiciel Cloud TPU.

    Nœud TPU

    $ gcloud compute tpus execution-groups create \
      --name=bert-tutorial \
      --zone=europe-west4-a \
      --tf-version=2.8.0 \
      --machine-type=n1-standard-1 \
      --accelerator-type=v3-8 

    Description des options de commande

    name
    Nom du Cloud TPU à créer.
    zone
    La zone dans laquelle vous prévoyez de créer votre Cloud TPU.
    tf-version
    Version de TensorFlow ctpu installée sur la VM.
    machine-type
    Type de machine de la VM Compute Engine à créer.
    accelerator type
    Type du Cloud TPU à créer.
  7. Si vous n'êtes pas automatiquement connecté à l'instance Compute Engine, connectez-vous en exécutant la commande ssh suivante. Lorsque vous êtes connecté à la VM, votre invite d'interface système passe de username@vm-name à username@projectname :

    VM TPU

    gcloud alpha compute tpus tpu-vm ssh bert-tutorial --zone=europe-west4-a
    

    Nœud TPU

    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 TPU

    (vm)$ export TPU_NAME=local
    

    Nœud TPU

    (vm)$ export TPU_NAME=bert-tutorial
    

Préparer l'ensemble de données

  1. Installez la configuration requise pour TensorFlow.

    La commande à utiliser varie selon que vous utilisez une VM TPU ou un nœud TPU.

    VM TPU

    (vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt
    

    Nœud TPU

    (vm)$ pip3 install --user -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.

Entraîner le modèle

  1. 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 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
    
  2. Définir la variable d'environnement PYTHONPATH

    VM TPU

    (vm)$ export PYTHONPATH="/usr/share/tpu/models:${PYTHONPATH}"
    

    Nœud TPU

    (vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
    
  3. Accédez au répertoire où le modèle est stocké :

    VM TPU

    (vm)$ cd /usr/share/tpu/models/official/nlp/bert
    

    Nœud TPU

    (vm)$ cd /usr/share/models/official/nlp/bert
    
  4. Exécutez le script d'entraînement :

    (vm)$ python3 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 du lot d'entraînement.
    eval_batch_size
    Taille du lot d'évaluation.
    learning_rate
    Le taux d'apprentissage.
    num_train_epochs
    Nombre d'époques d'entraînement du modèle.
    model_dir
    Chemin d'accès 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 générés précédemment et stocker des points de contrôle supplémentaires si les points de contrôle précédents ont été créés à l'aide d'un Cloud TPU de la même taille et de la même version 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 correspond au traitement d'un lot d'exemples. Cela inclut à la fois une propagation avant et une rétropropagation.

    L'entraînement dure environ 30 minutes sur un TPU v3-8. Une fois l'opération terminée, le script d'entraînement doit afficher les résultats suivants :

    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_train_epochs=3.

Effectuer un nettoyage

  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. Supprimez vos ressources Cloud TPU et Compute Engine. La commande à utiliser pour supprimer vos ressources varie selon que vous utilisez des VM TPU ou des nœuds TPU. Pour en savoir plus, consultez la page Architecture du système.

    VM TPU

    $ gcloud alpha compute tpus tpu-vm delete bert-tutorial \
    --zone=europe-west4-a
    

    Nœud TPU

    $ gcloud compute tpus execution-groups delete bert-tutorial \
    --zone=europe-west4-a
    
  3. Vérifiez que les ressources ont été supprimées en exécutant la commande gcloud compute tpus execution-groups list. La suppression peut prendre plusieurs minutes. La sortie de la commande suivante ne doit inclure aucune des ressources créées dans ce tutoriel :

    VM TPU

    $ gcloud alpha compute tpus tpu-vm list --zone=europe-west4-a

    Nœud TPU

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

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

Étapes suivantes

Les tutoriels TensorFlow Cloud TPU permettent généralement d'entraîner le modèle à l'aide d'un exemple d'ensemble de données. Les résultats de cet entraînement ne sont pas utilisables pour l'inférence. Pour utiliser un modèle d'inférence, vous pouvez entraîner les données à partir d'un ensemble de données public ou de votre propre ensemble de données. Les modèles TensorFlow entraînés sur des Cloud TPU nécessitent généralement 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 page TFRecord et tf.Example.

Réglages d'hyperparamètres

Pour améliorer les performances du modèle sur 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 aux modèles 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 votre modèle entraîné, vous pouvez l'utiliser pour l'inférence (également appelée prédiction). AI Platform est une solution 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.