本教程介绍如何使用 tf.distribute.TPUStrategy
在 Cloud TPU 上训练 Keras EfficientNet 模型。
如果您不熟悉 Cloud TPU,强烈建议您查看quickstart以了解如何创建 Cloud TPU 和 Compute Engine 虚拟机。
目标
- 创建 Cloud Storage 存储桶以保存数据集和模型输出。
- 准备与 ImageNet 数据集类似的 fake_imagenet 数据集。
- 运行训练作业。
- 验证输出结果。
费用
在本文档中,您将使用 Google Cloud 的以下收费组件:
- Compute Engine
- Cloud TPU
- Cloud Storage
您可使用价格计算器根据您的预计使用情况来估算费用。
准备工作
在开始学习本教程之前,请检查您的 Google Cloud 项目是否已正确设置。
- 登录您的 Google Cloud 账号。如果您是 Google Cloud 新手,请创建一个账号来评估我们的产品在实际场景中的表现。新客户还可获享 $300 赠金,用于运行、测试和部署工作负载。
-
在 Google Cloud Console 中的项目选择器页面上,选择或创建一个 Google Cloud 项目。
-
在 Google Cloud Console 中的项目选择器页面上,选择或创建一个 Google Cloud 项目。
本演示使用 Google Cloud 的收费组件。请查看 Cloud TPU 价格页面估算您的费用。请务必在使用完您创建的资源以后清理这些资源,以免产生不必要的费用。
Cloud TPU 单设备训练
本部分介绍如何使用单个 Cloud TPU 设备配置 Cloud TPU 资源和训练 EfficientNet 模型。
打开一个 Cloud Shell 窗口。
为项目 ID 创建一个变量。
export PROJECT_ID=project-id
配置 Google Cloud CLI 以使用要在其中创建 Cloud TPU 的项目。
gcloud config set project ${PROJECT_ID}
当您第一次在新的 Cloud Shell 虚拟机中运行此命令时,系统会显示
Authorize Cloud Shell
页面。点击页面底部的Authorize
,以允许gcloud
使用您的凭据进行 API 调用。如需详细了解
gcloud
命令,请参阅 gcloud 参考文档。为 Cloud TPU 项目创建服务账号。
服务帐号允许 Cloud TPU 服务访问其他 Google Cloud 服务。
gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
该命令将返回以下格式的 Cloud TPU 服务账号:
service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
导出 TPU 设置变量
设置要在其中训练模型并存储任何训练相关数据的区域。
$ export ZONE=europe-west4-a
使用以下命令创建 Cloud Storage 存储桶:
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 gs://bucket-name/
此 Cloud Storage 存储桶存储您用于训练模型的数据和训练结果。本教程中使用的
gcloud compute tpus execution-groups
命令会为您在上一步中设置的 Cloud TPU 服务账号设置默认权限。如果您需要更精细的权限,请查看访问级层权限。存储桶位置必须要与 Compute Engine(虚拟机)和 Cloud TPU 节点位于同一区域。
准备数据集或使用 fake_imagenet
ImageNet 是一个图片数据库。数据库中的图片被整理为一个层次结构,该层次结构中的每个节点由成百上千个图片进行描述。
本教程使用演示版的完整 ImageNet 数据集,该数据集又称为 fake_imagenetfake_imagenet。此演示版本可用于测试教程,同时降低通常与使用完整 ImageNet 数据库运行模型相关的存储和时间要求。
此 fake_imagenet 数据集位于 Cloud Storage 上的以下位置:
gs://cloud-tpu-test-datasets/fake_imagenet
此 fake_imagenet 数据集仅用于了解如何使用 Cloud TPU 并验证端到端性能。准确率数字和保存的模型并无实际意义。
如果您要使用完整的 ImageNet 数据集,请参阅下载、预处理和上传 ImageNet 数据集。
使用
gcloud
命令启动 TPU 资源。使用的命令取决于您使用的是 TPU 虚拟机还是 TPU 节点。如需详细了解这两种虚拟机架构,请参阅系统架构。TPU 虚拟机
$ gcloud compute tpus tpu-vm create efficientnet-tutorial \ --zone=${ZONE} \ --accelerator-type=v3-8 \ --version=tpu-vm-tf-2.16.1-pjrt
TPU 节点
gcloud compute tpus execution-groups create \ --name=efficientnet-tutorial \ --zone=${ZONE} \ --disk-size=300 \ --machine-type=n1-standard-16 \ --tf-version=2.12.0 \ --accelerator-type=v3-8
如需详细了解
gcloud
命令,请参阅 gcloud 参考文档。如果您未自动登录 Compute Engine 实例,请通过运行以下
ssh
命令进行登录。登录虚拟机后,shell 提示符会从username@projectname
更改为username@vm-name
:TPU 虚拟机
gcloud compute tpus tpu-vm ssh efficientnet-tutorial --zone=${ZONE}
TPU 节点
gcloud compute ssh efficientnet-tutorial --zone=${ZONE}
设置 Cloud TPU 名称变量。
TPU 虚拟机
(vm)$ export TPU_NAME=local
TPU 节点
(vm)$ export TPU_NAME=efficientnet-tutorial
设置 Cloud Storage 存储桶变量
将 bucket-name 替换为您的 Cloud Storage 存储桶的名称:
(vm)$ export STORAGE_BUCKET=gs://bucket-name
(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/efficientnet-2x (vm)$ export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet
训练应用预期能够访问您在 Cloud Storage 中的训练数据。在训练期间,训练应用还会使用您的 Cloud Storage 存储桶来存储检查点。
创建 TPU 时,如果将
--version
参数设置为以-pjrt
结尾的版本,请设置以下环境变量以启用 PJRT 运行时:(vm)$ export NEXT_PLUGGABLE_DEVICE_USE_C_API=true (vm)$ export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
安装 TensorFlow 要求。
使用的命令取决于您使用的是 TPU 虚拟机还是 TPU 节点。
TPU 虚拟机
(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt
TPU 节点
(vm)$ pip3 install --user -r /usr/share/models/official/requirements.txt
EfficientNet 训练脚本需要额外的软件包(仅限 TPU 虚拟机)。请立即安装:
TPU 虚拟机
(vm)$ sudo pip3 install tensorflow-addons (vm)$ sudo pip3 install tensorflow-model-optimization>=0.1.3
设置一些所需的环境变量:
TPU 虚拟机
(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/tpu/models"
TPU 节点
(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
EfficientNet 模型已预安装在您的 Compute Engine 虚拟机上。
切换至存储模型的目录。
TPU 虚拟机
(vm)$ cd /usr/share/tpu/models/official/legacy/image_classification
TPU 节点
(vm)$ cd /usr/share/models/official/legacy/image_classification
训练模型。 使用一个 false_imagenet 数据集并用一个周期训练 EfficientNet。
(vm)$ python3 classifier_trainer.py \ --mode=train_and_eval \ --model_type=efficientnet \ --dataset=imagenet \ --tpu=${TPU_NAME} \ --data_dir=${DATA_DIR} \ --model_dir=${MODEL_DIR} \ --config_file=configs/examples/efficientnet/imagenet/efficientnet-b0-tpu.yaml \ --params_override="train.epochs=1, train_dataset.builder=records, validation_dataset.builder=records"
命令标志说明
mode
train
、eval
或train_and_eval
中的一个。model_type
- 模型的类型。例如
efficientnet
。 dataset
- 数据集的名称。例如
imagenet
。 tpu
- 运行训练或评估的 Cloud TPU 的名称。
data_dir
- 用于指定训练输入的 Cloud Storage 路径。在此示例中,该路径设置为 fake_imagenet 数据集。
model_dir
- 在模型训练期间存储检查点和总结的 Cloud Storage 路径。您可以重复使用现有的文件夹来加载之前生成的检查点和存储其他检查点,只要先前的检查点是使用相同大小的 Cloud TPU 和相同 Tensorflow 版本创建的即可。
config_file
- 包含预训练 EfficientNet 模型的 json 文件的路径。此文件包含模型架构。
params_override
- 一个 JSON 字符串,会替换默认脚本参数。如需详细了解脚本参数,请参阅
/usr/share/models/official/legacy/detection/main.py
。
EfficientNet 1 周期的训练将在 40 分钟内在 v3-8 Cloud TPU 节点上完成。训练脚本完成后,将显示如下所示的输出:
Run stats: { 'accuracy_top_1': 0.0010172526817768812, 'eval_loss': 7.104171276092529, 'loss': 7.113735675811768, 'training_accuracy_top_1': 0.0009773431811481714, 'step_timestamp_log': [ 'BatchTimestamp<batch_index: 0, timestamp: 1604960724.2224622>', 'BatchTimestamp<batch_index: 1251, timestamp: 1604961281.3745298>' ], 'train_finish_time': 1604961342.6359076, 'avg_exp_per_second': 2071.493269569079 }
要训练 EfficientNet 针对 ImageNet 数据集收 ,请运行 90 个周期,如以下脚本所示。训练和评估是一起完成的。 每个周期都有 1251 个步骤,总计 112590 个训练步骤和 48 个评估步骤。
(vm)$ python3 classifier_trainer.py \ --mode=train_and_eval \ --model_type=efficientnet \ --dataset=imagenet \ --tpu=${TPU_NAME} \ --data_dir=${DATA_DIR} \ --model_dir=${MODEL_DIR} \ --config_file=configs/examples/efficientnet/imagenet/efficientnet-b0-tpu.yaml \ --params_override="train_dataset.builder=records, validation_dataset.builder=records"
命令标志说明
mode
train
、eval
或train_and_eval
中的一个。model_type
- 模型的类型。例如,
efficientnet
等。 dataset
- 数据集的名称。例如
imagenet
。 tpu
- 要运行训练或评估的 Cloud TPU 的名称。
data_dir
- 用于指定训练输入的 Cloud Storage 路径。在此示例中,该路径设置为 fake_imagenet 数据集。
model_dir
- 在模型训练期间存储检查点和总结的 Cloud Storage 路径。您可以重复使用现有的文件夹来加载之前生成的检查点和存储其他检查点,只要先前的检查点是使用相同大小的 Cloud TPU 和相同 Tensorflow 版本创建的即可。
config_file
- 包含预训练 EfficientNet 模型的 JSON 文件的路径。此文件包含模型架构。
params_override
- 一个 JSON 字符串,会替换默认脚本参数。如需详细了解脚本参数,请参阅
/usr/share/models/official/legacy/detection/main.py
。
由于训练是利用 fake_imagenet 数据集完成的,因此输出结果不会反映实际输出,实际输出在利用实际数据集执行训练时才会出现。
您现已完成单设备培训。请按照以下步骤删除当前的单设备 TPU 资源。
与 Compute Engine 实例断开连接:
(vm)$ exit
您的提示符现在应为
username@projectname
,表明您位于 Cloud Shell 中。删除 TPU 资源。
此时,您可以结束本教程并清理,也可以继续并探索在 Cloud TPU Pod 上运行模型。
使用 Cloud TPU Pod 扩缩模型
在 Cloud TPU Pod 上训练模型可能需要对训练脚本进行一些更改。如需了解详情,请参阅在 TPU Pod 上训练。
Cloud TPU Pod 训练
本部分介绍如何为 Pod 训练设置 Cloud Storage 存储桶和 Cloud TPU 资源。
打开一个 Cloud Shell 窗口。
为项目 ID 创建一个变量。
export PROJECT_ID=project-id
配置 Google Cloud CLI 以使用要在其中创建 Cloud TPU 的项目。
gcloud config set project ${PROJECT_ID}
当您第一次在新的 Cloud Shell 虚拟机中运行此命令时,系统会显示
Authorize Cloud Shell
页面。点击页面底部的Authorize
以允许gcloud
使用您的凭据进行 Google Cloud API 调用。为 Cloud TPU 项目创建服务账号。
服务帐号允许 Cloud TPU 服务访问其他 Google Cloud 服务。
gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
该命令将返回以下格式的 Cloud TPU 服务账号:
service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
使用以下命令创建 Cloud Storage 存储桶,或使用您之前为项目创建的存储桶:
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 gs://bucket-name
此 Cloud Storage 存储桶存储您用于训练模型的数据和训练结果。本教程中使用的
gcloud
命令会为您在上一步中设置的 Cloud TPU 服务账号设置默认权限。如果您需要更精细的权限,请查看访问级层权限。存储桶位置必须与 TPU 虚拟机位于同一区域。
导出 TPU 设置变量
设置要在其中训练模型并存储任何训练相关数据的区域。
$ export ZONE=europe-west4-a
准备数据集或使用 fake_imagenet
ImageNet 是一个图片数据库。数据库中的图片被整理为一个层次结构,该层次结构中的每个节点由成百上千个图片进行描述。
默认的 Pod 训练访问完整的 ImageNet 数据集演示版本,称为 fake_imagenetfake_imagenet。此演示版本可让您测试 Pod 训练,同时减少通常用完整的 ImageNet 数据库训练模型所占用的存储空间和时间要求。
此 fake_imagenet 数据集仅用于了解如何使用 Cloud TPU 并验证端到端性能。准确率数字和保存的模型并无实际意义。
如果您要使用完整的 ImageNet 数据集,请参阅下载、预处理和上传 ImageNet 数据集。
使用
gcloud
命令启动 Cloud TPU 资源。使用的命令取决于您使用的是 TPU 虚拟机还是 TPU 节点。如需详细了解这两种虚拟机架构,请参阅系统架构。如需详细了解
gcloud
命令,请参阅 gcloud 参考文档。本教程指定 v3-32 Pod。如需了解其他 Pod 选项,请参阅 TPU 版本。TPU 虚拟机
$ gcloud compute tpus tpu-vm create efficientnet-tutorial \ --zone=${ZONE} \ --accelerator-type=v3-32 \ --version=tpu-vm-tf-2.16.1-pod-pjrt
TPU 节点
(vm)$ gcloud compute tpus execution-groups create --name=efficientnet-tutorial \ --accelerator-type=v3-32 \ --zone=${ZONE} \ --tf-version=2.12.0
如果您未自动登录 Compute Engine 实例,请通过运行以下
ssh
命令进行登录。登录虚拟机后,shell 提示符会从username@projectname
更改为username@vm-name
:TPU 虚拟机
$ gcloud compute tpus tpu-vm ssh efficientnet-tutorial --zone=${ZONE}
TPU 节点
$ gcloud compute ssh efficientnet-tutorial --zone=${ZONE}
在您继续按照这些说明操作时,请在虚拟机会话窗口中运行以
(vm)$
开头的每个命令。导出 TPU 设置变量:
(vm)$ export STORAGE_BUCKET=gs://bucket-name
(vm)$ export TPU_NAME=efficientnet-tutorial (vm)$ export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/efficientnet-2x-pod
训练应用预期能够访问您在 Cloud Storage 中的训练数据。在训练期间,训练应用还会使用您的 Cloud Storage 存储桶来存储检查点。
安装 TensorFlow 要求。
TPU 虚拟机
(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt
TPU 节点
(vm)$ pip3 install -r /usr/share/models/official/requirements.txt
设置一些所需的环境变量:
TPU 虚拟机
(vm)$ export PYTHONPATH="/usr/share/tpu/models:${PYTHONPATH}" (vm)$ export TPU_LOAD_LIBRARY=0
TPU 节点
(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
EfficientNet 模型已预安装在您的 Compute Engine 虚拟机上。
切换至存储模型的目录。
TPU 虚拟机
(vm)$ cd /usr/share/tpu/models/official/legacy/image_classification/
TPU 节点
(vm)$ cd /usr/share/models/official/legacy/image_classification/
训练模型。
(vm)$ python3 classifier_trainer.py \ --mode=train_and_eval \ --model_type=efficientnet \ --dataset=imagenet \ --tpu=${TPU_NAME} \ --data_dir=${DATA_DIR} \ --model_dir=${MODEL_DIR} \ --config_file=configs/examples/efficientnet/imagenet/efficientnet-b0-tpu.yaml \ --params_override="train.epochs=1, train_dataset.builder=records, validation_dataset.builder=records"
命令标志说明
mode
- 设置为
train_and_eval
时,此脚本会训练和评估模型。设置为export_only
时,此脚本会导出已保存的模型。 model_type
- 模型的类型。例如,
efficientnet
等。 dataset
- 数据集的名称。例如
imagenet
。 tpu
- 使用 TPU_NAME 变量中指定的名称。
data_dir
- 用于指定训练输入的 Cloud Storage 路径。在此示例中,该路径设置为 fake_imagenet 数据集。
model_dir
- 在模型训练期间存储检查点和总结的 Cloud Storage 路径。您可以重复使用现有的文件夹来加载之前生成的检查点和存储其他检查点,只要先前的检查点是使用相同大小的 Cloud TPU 和相同 Tensorflow 版本创建的即可。
config_file
- 包含预训练 EfficientNet 模型的 json 文件的路径。此文件包含模型架构。
params_override
- 一个 JSON 字符串,会替换默认脚本参数。如需详细了解脚本参数,请参阅
/usr/share/models/official/legacy/detection/main.py
。
该程序将基于 fake_imagenet 数据集对模型进行 1 个周期的训练(共 312 个训练步骤和 12 个评估步骤)。此训练在 v3-32 Cloud TPU 上大约需要 2 分钟。训练和评估完成后,系统将显示类似如下内容的消息:
Run stats: { 'accuracy_top_1': 0.0009969075908884406, 'eval_loss': 7.105168342590332, 'loss': 7.114983081817627, 'training_accuracy_top_1': 0.0010031675919890404, 'step_timestamp_log': [ 'BatchTimestamp<batch_index: 0, timestamp: 1605041621.4997303>', 'BatchTimestamp<batch_index: 312, timestamp: 1605041970.8633356>' ], 'train_finish_time': 1605042032.2274444, 'avg_exp_per_second': 3111.5120716536226 }
清理
为避免因本教程中使用的资源导致您的 Google Cloud 账号产生费用,请删除包含这些资源的项目,或者保留项目但删除各个资源。
断开与 Compute Engine 实例的连接(如果您尚未这样做):
(vm)$ exit
您的提示符现在应为
username@projectname
,表明您位于 Cloud Shell 中。删除您的 Cloud TPU 和 Compute Engine 资源。
TPU 虚拟机
$ gcloud compute tpus tpu-vm delete efficientnet-tutorial \ --zone=${ZONE}
TPU 节点
$ gcloud compute tpus execution-groups delete efficientnet-tutorial \ --zone=${ZONE}
通过运行
gcloud compute tpus execution-groups list
验证资源是否已删除。删除操作可能需要几分钟时间才能完成。以下命令的输出不应包含本教程中创建的任何 TPU 资源:$ gcloud compute tpus execution-groups list --zone=${ZONE}
使用
gsutil
删除 Cloud Storage 存储桶,如下所示。将 bucket-name 替换为您的 Cloud Storage 存储桶的名称。$ gsutil rm -r gs://bucket-name
后续步骤
TensorFlow Cloud TPU 教程通常使用示例数据集来训练模型。此训练的结果无法用于推理。如需使用模型进行推理,您可以在公开数据集或您自己的数据集上训练模型。在 Cloud TPU 上训练的 TensorFlow 模型通常需要数据集采用 TFRecord 格式。
您可以使用数据集转换工具示例将图片分类数据集转换为 TFRecord 格式。如果您使用的不是图片分类模型,则必须自行将数据集转换为 TFRecord 格式。如需了解详情,请参阅 TFRecord 和 tf.Example。
超参数调优
如需使用数据集提高模型的性能,您可以调整模型的超参数。您可以在 GitHub 上找到所有 TPU 支持模型通用的超参数信息。您可以在每个模型的源代码中找到有关模型特有超参数的信息。如需详细了解超参数调节,请参阅超参数调节概览和调节超参数。
推理
训练完模型后,您可以使用它进行推理(也称为预测)。您可以使用 Cloud TPU 推理转换器工具准备和优化 TensorFlow 模型,以在 Cloud TPU v5e 上进行推断。如需详细了解 Cloud TPU v5e 上的推断,请参阅 Cloud TPU v5e 推断简介。
遵循数据集转换教程,了解如何使用自己的数据替代 fake_imagenet 或 ImageNet 数据集来进行训练和评估。该教程介绍了如何使用图片分类数据转换器示例脚本,将用于图片分类的原始数据集转换为 Cloud TPU Tensorflow 模型可用的 TFRecord。
运行 Cloud TPU colab,演示如何使用您自己的图片数据运行图片分类模型。
浏览其他 Cloud TPU 教程。
学习 TensorBoard 中 TPU 监控工具的使用方法。