Se usó la API de Cloud Translation para traducir esta página.

Máscara de entrenamiento RCNN en Cloud TPU (TF 2.x)

Descripción general

En este instructivo, se muestra cómo ejecutar el modelo Mask RCNN mediante Cloud TPU con el conjunto de datos COCO.

Mask RCNN es una red neuronal profunda diseñada para abordar la detección de objetos y la segmentación de imágenes, uno de los desafíos de visión artificial más difíciles.

El modelo Mask RCNN genera cuadros de límite y máscaras de segmentación para cada uno. instancia de un objeto en la imagen. El modelo se basa en la Feature Pyramid Network (FPN) y en una red troncal ResNet50.

En este instructivo, se usa la API de Keras de TensorFlow para entrenar el modelo. La interfaz de Keras Es una API de TensorFlow de alto nivel que puede usarse para compilar y ejecutar un de aprendizaje automático en Cloud TPU. La API simplifica el proceso de desarrollo del modelo mediante el ocultamiento de la mayor parte de la implementación de bajo nivel, lo que facilita el cambio entre la TPU y otras plataformas, como GPU o CPU.

En estas instrucciones, se supone que ya estás familiarizado con el entrenamiento de un modelo Cloud TPU Si es la primera vez que usas Cloud TPU, puedes consultar la guía de inicio rápido para obtener una introducción básica.

Objetivos

Prepara el conjunto de datos COCO
Crear un bucket de Cloud Storage para almacenar el resultado de tu modelo y tu conjunto de datos
Configura recursos de TPU para el entrenamiento y la evaluación
Ejecutar el entrenamiento y la evaluación en un solo Cloud TPU o un pod de Cloud TPU

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. Es posible que los usuarios nuevos de Google Cloud califiquen para obtener una prueba gratuita.

Antes de comenzar

Antes de comenzar este instructivo, verifica que tu proyecto de Google Cloud esté configurado correctamente.

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

En esta explicación, se usan componentes facturables de Google Cloud. Consulta la página de precios de Cloud TPU para calcular los costos.

Prepara el conjunto de datos COCO

En este instructivo, se usa el conjunto de datos COCO. El conjunto de datos debe estar en formato TFRecord en un bucket de Cloud Storage para usarse en el entrenamiento.

Si ya tienes el conjunto de datos COCO preparado en un bucket de Cloud Storage que se encuentra en la zona que usarás para entrenar el modelo, puedes ir directamente a la entrenamiento en un solo dispositivo. De lo contrario, sigue estos pasos para preparar el conjunto de datos.

Abre una ventana de Cloud Shell.

Abra Cloud Shell

En Cloud Shell, configura gcloud con el ID de tu proyecto.

export PROJECT_ID=project-id
gcloud config set project ${PROJECT_ID}

En Cloud Shell, crea un bucket de Cloud Storage con el siguiente comando:
Nota: En el siguiente comando, reemplaza bucket-name por el nombre que deseas asignar a tu depósito.
```
gcloud storage buckets create gs://bucket-name --project=${PROJECT_ID} --location=us-central2
```

Crea una VM de Compute Engine para descargar y procesar previamente el conjunto de datos. Para ver más información, consulta Crea y, luego, inicia una instancia de Compute Engine.

$ gcloud compute instances create vm-name \
    --zone=us-central2-b \
    --image-family=ubuntu-2204-lts \
    --image-project=ubuntu-os-cloud \
    --machine-type=n1-standard-16 \
    --boot-disk-size=300GB

Conéctate a la VM de Compute Engine con SSH:
```
$ gcloud compute ssh vm-name --zone=us-central2-b
```
Cuando te conectes a la VM, el indicador de shell cambiará de username@projectname a username@vm-name.
Configura dos variables, una para el bucket de almacenamiento que creó anteriormente y otra para el directorio que contiene los datos de entrenamiento (DATA_DIR) en el bucket de almacenamiento
```
(vm)$ export STORAGE_BUCKET=gs://bucket-name
```
```
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
```

Instala los paquetes necesarios para procesar los datos con anterioridad.

(vm)$ sudo apt-get update && \
  sudo apt-get install python3-pip && \
  sudo apt-get install -y python3-tk && \
  pip3 install --user Cython matplotlib opencv-python-headless pyyaml Pillow numpy absl-py tensorflow && \
  pip3 install --user "git+https://github.com/cocodataset/cocoapi#egg=pycocotools&subdirectory=PythonAPI"

Ejecuta la secuencia de comandos download_and_preprocess_coco.sh para convertir el conjunto de datos COCO en un conjunto de archivos TFRecord (*.tfrecord) que el entrenamiento espera la aplicación.
```
(vm)$ git clone https://github.com/tensorflow/tpu.git
(vm)$ sudo bash tpu/tools/datasets/download_and_preprocess_coco.sh ./data/dir/coco
```
Esto instala las bibliotecas necesarias y ejecuta la secuencia de comandos de procesamiento previo. Como resultado, se muestran archivos *.tfrecord en tu directorio de datos local. La secuencia de comandos de conversión y descarga de COCO tarda aproximadamente una hora en completarse.
Copia los datos en tu bucket de Cloud Storage.

Después de convertir los datos al formato TFRecord, cópialos desde el almacenamiento local a tu bucket de Cloud Storage con gcloud CLI. También debes copiar los archivos de anotaciones. Estos archivos ayudan a validar el rendimiento del modelo.
```
(vm)$ gcloud storage cp ./data/dir/coco/*.tfrecord ${DATA_DIR}
(vm)$ gcloud storage cp ./data/dir/coco/raw-data/annotations/*.json ${DATA_DIR}
```
Desconéctate de la VM de Compute Engine:
```
(vm)$ exit
```
El mensaje ahora debería mostrar username@projectname, que indica que estás en Cloud Shell.

Borra tu VM de Compute Engine:

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

Entrenamiento de dispositivo único de Cloud TPU

Abre una ventana de Cloud Shell.

Abrir Cloud Shell
Crea una variable de entorno para el ID de tu proyecto.
```
export PROJECT_ID=project-id
```
Configura Google Cloud CLI para usar el proyecto en el que deseas crear la Cloud TPU.
```
gcloud config set project ${PROJECT_ID}
```
La primera vez que ejecutes este comando en una VM de Cloud Shell nueva, se mostrará la página Authorize Cloud Shell. Haz clic en Authorize en la parte inferior de la página para permitir que gcloud realice llamadas a la API de Google Cloud con tus credenciales.

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

Exporta variables de configuración de TPU

Exporta tu ID del proyecto, el nombre que deseas usar para tus recursos TPU. y la zona donde entrenarás el modelo y almacenar cualquier dato relacionado con el entrenamiento.
```
$ export TPU_NAME=mask-rcnn-tutorial
$ export ZONE=europe-west4-a
```
Iniciar una VM de Compute Engine y Cloud TPU
```
$ gcloud compute tpus tpu-vm create mask-rcnn-tutorial \
   --zone=${ZONE} \
   --accelerator-type=v3-8 \
   --version=tpu-vm-tf-2.17.0-pjrt
  
```
Descripciones de las marcas de comandos

zone

Es la zona en la que deseas crear la Cloud TPU.

accelerator-type

El tipo de acelerador especifica la versión y el tamaño de la Cloud TPU que deseas crear. Para obtener más información sobre los tipos de aceleradores compatibles con cada versión de TPU, consulta Versiones de TPU.

version

La versión de software de Cloud TPU.

Nota: La primera vez que creas una VM de TPU en un proyecto, tarda varios minutos en realizar tareas de inicio, como la propagación de claves SSH y la activación de la API.

Para obtener más información sobre el comando de gcloud, consulta la Referencia de gcloud.
Conectarse a la instancia de Compute Engine mediante SSH Cuando estés conectado a la VM, el símbolo del sistema de shell cambia de username@projectname a username@vm-name:
```
gcloud compute tpus tpu-vm ssh mask-rcnn-tutorial --zone=${ZONE}
```
Punto clave: A partir de este punto, el prefijo (vm) $ significa que debes ejecutar el comando en la instancia de VM de Compute Engine.

Instala los requisitos de TensorFlow.

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

Configura la variable de nombre de Cloud TPU.
```
(vm)$ export TPU_NAME=local
```
Configura las siguientes variables de entorno y reemplaza bucket-name por el nombre del bucket de Cloud Storage que almacena el conjunto de datos COCO:
```
(vm)$ export STORAGE_BUCKET=gs://bucket-name
```

Agrega variables de entorno para los directorios de datos y modelos.

(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/mask-rcnn

Agrega algunas variables de entorno obligatorias adicionales:

(vm)$ export RESNET_CHECKPOINT=gs://cloud-tpu-checkpoints/retinanet/resnet50-checkpoint-2018-02-07
(vm)$ export TRAIN_FILE_PATTERN=${DATA_DIR}/train-*
(vm)$ export EVAL_FILE_PATTERN=${DATA_DIR}/val-*
(vm)$ export VAL_JSON_FILE=${DATA_DIR}/instances_val2017.json

Establece la variable de entorno PYTHONPATH:

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

Cuando creas tu TPU, si estableces el parámetro --version en una versión que termina en -pjrt, establece las siguientes variables de entorno para habilitar el entorno de ejecución de PJRT:
```
  (vm)$ export NEXT_PLUGGABLE_DEVICE_USE_C_API=true
  (vm)$ export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
```
Ve al directorio en el que se almacena el modelo:
```
(vm)$ cd /usr/share/tpu/models/official/vision
```

La siguiente secuencia de comandos ejecuta un entrenamiento de muestra que se entrena en 10 pasos de entrenamiento y 10 pasos de evaluación. Tardarás aproximadamente 6 minutos en completarse en una TPU v3-8. El tren hacia la convergencia requiere unos 22,500 pasos, y unos 6 horas en una TPU v3-8.

Ejecuta el siguiente comando para entrenar el modelo Mask-RCNN:

(vm)$ python3 train.py \
  --tpu=${TPU_NAME} \
  --experiment=maskrcnn_resnetfpn_coco \
  --mode=train_and_eval \
  --config_file=configs/experiments/maskrcnn/r50fpn_640_coco_scratch_tpu4x4.yaml \
  --model_dir=${MODEL_DIR} \
  --params_override="task.train_data.input_path=${TRAIN_FILE_PATTERN},task.validation_data.input_path=${EVAL_FILE_PATTERN},task.annotation_file=${VAL_JSON_FILE},runtime.distribution_strategy=tpu,trainer.train_steps=10,trainer.validation_steps=10,task.train_data.global_batch_size=8,task.validation_data.global_batch_size=8"

Descripciones de las marcas de comandos

strategy_type: La estrategia de distribución.
tpu: El nombre de tu TPU.
model_dir: Especifica el directorio en el que se almacenan los puntos de control y los resúmenes durante el entrenamiento de modelos. Si la carpeta no existe, el programa crea uno. Cuando se usa una Cloud TPU, model_dir Debe ser una ruta de acceso de Cloud Storage (“gs://...”). Puedes reutilizar un carpeta existente para cargar los datos de los puntos de control actuales y almacenar puntos de control adicionales siempre que los puntos de control anteriores hayan sido creado con TPU del mismo tamaño y con la versión de TensorFlow.

Cuando finalice el entrenamiento, aparecerá un mensaje similar al siguiente:

{'frcnn_box_loss': 0.033865165,
 'frcnn_cls_loss': 1.2535654,
 'learning_rate': 0.008266499,
 'mask_loss': 1.2039567,
 'model_loss': 2.821458,
 'rpn_box_loss': 0.034982488,
 'rpn_score_loss': 0.2950886,
 'total_loss': 4.340171,
 'training_loss': 4.340171}
train | step:     10 | steps/sec:    0.1 | output:
{'frcnn_box_loss': 0.033865165,
 'frcnn_cls_loss': 1.2535654,
 'learning_rate': 0.008266499,
 'mask_loss': 1.2039567,
 'model_loss': 2.821458,
 'rpn_box_loss': 0.034982488,
 'rpn_score_loss': 0.2950886,
 'total_loss': 4.340171,
 'training_loss': 4.340171}

A continuación, se muestra el resultado de los pasos de evaluación.

Completaste el entrenamiento y la evaluación de un solo dispositivo. Usa el a continuación para borrar los recursos actuales de TPU de un solo dispositivo.

Desconéctate de la instancia de Compute Engine:
```
(vm)$ exit
```
El mensaje ahora debería mostrar username@projectname, que indica que estás en Cloud Shell.
Borra el recurso TPU.
```
$ gcloud compute tpus tpu-vm delete mask-rcnn-tutorial \
    --zone=europe-west4-a
```
Descripciones de las marcas de comandos

zone

La zona donde residía tu Cloud TPU.

En este punto, puedes finalizar este instructivo y realizar una limpieza o puedes continuar y explorar la ejecución del modelo en los Pods de Cloud TPU.

Escala tu modelo con pods de Cloud TPU

Es posible que entrenar tu modelo en pods de Cloud TPU requiera algunos cambios en tu secuencia de comandos de entrenamiento. Para obtener más información, consulta Entrenamiento en pods de TPU.

Entrenamiento de Pods de TPU

Abre una ventana de Cloud Shell.

Abrir 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}
```
La primera vez que ejecutes este comando en una VM de Cloud Shell nueva, se mostrará la página Authorize Cloud Shell. Haz clic en Authorize en la parte inferior de la página para permitir que gcloud realice llamadas a la API de Google Cloud con tus credenciales.
Crea una cuenta de servicio para el proyecto de Cloud TPU.

Las cuentas de servicio permiten que el servicio de Cloud TPU acceda a otros servicios de Google Cloud.
```
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
```
Si preparaste el conjunto de datos COCO y lo trasladaste a tu almacenamiento puedes volver a usarlo para el entrenamiento de Pods. Si aún no te has preparado el conjunto de datos COCO, prepáralo ahora y regresa aquí para configurarlo durante la capacitación.
Inicia un pod de Cloud TPU

En este instructivo, se especifica un Pod v3-32. Para conocer otras opciones de Pod, consulta Versiones de TPU.

Nota: Si no hay suficiente capacidad disponible en la actualidad para crear el pod de TPU, puedes poner la solicitud en cola con recursos en cola. Los recursos en cola te permiten recibir capacidad una vez que esté disponible. Para solicitar tus recursos de Cloud TPU como recursos en cola, usa el gcloud compute tpus queued-resources create en su lugar. Para obtener más información, consulta Administra recursos en cola.
```
$ gcloud compute tpus tpu-vm create mask-rcnn-tutorial \
  --zone=${ZONE} \
  --accelerator-type=v3-32 \
  --version=tpu-vm-tf-2.17.0-pod-pjrt
```
Descripciones de las marcas de comandos

zone

Es la zona en la que deseas crear la Cloud TPU.

accelerator-type

El tipo de acelerador especifica la versión y el tamaño de la Cloud TPU que deseas crear. Para obtener más información sobre los tipos de aceleradores compatibles con cada versión de TPU, consulta Versiones de TPU.

version

La versión de software de Cloud TPU.

Nota: La primera vez que ejecutas gcloud en un proyecto, tarda unos 5 minutos en realizar las tareas de inicio, como la propagación de llaves SSH y la activación de la API.
Nota: La primera vez que ejecutas gcloud en un proyecto, tarda unos 5 minutos en realizar las tareas de inicio, como la propagación de llaves SSH y la activación de la API.
Conectarse a la instancia de Compute Engine mediante SSH Cuando te conectes a la VM, el indicador de shell cambiará de username@projectname a username@vm-name:
```
gcloud compute tpus tpu-vm ssh mask-rcnn-tutorial --zone=${ZONE}
```
Punto clave: A partir de este momento, el prefijo (vm) $ significa que deberías ejecuta el comando en la instancia de VM de Compute Engine.

Instala los requisitos de TensorFlow.

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

La secuencia de comandos de entrenamiento requiere un paquete adicional. Instálalo ahora:
```
(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3
```
Configura la variable de nombre de Cloud TPU.
```
(vm)$ export TPU_NAME=mask-rcnn-tutorial
```
Configura las variables de entorno siguientes y reemplaza bucket-name por el nombre del depósito de Cloud Storage:
```
(vm)$ export STORAGE_BUCKET=gs://bucket-name
```

Agrega algunas variables de entorno obligatorias adicionales:

(vm)$ export RESNET_CHECKPOINT=gs://cloud-tpu-checkpoints/retinanet/resnet50-checkpoint-2018-02-07
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
(vm)$ export TRAIN_FILE_PATTERN=${DATA_DIR}/train-*
(vm)$ export EVAL_FILE_PATTERN=${DATA_DIR}/val-*
(vm)$ export VAL_JSON_FILE=${DATA_DIR}/instances_val2017.json
(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/mask-rcnn-pod

Establece la variable de entorno PYTHONPATH:

(vm)$ export PYTHONPATH="/usr/share/tpu/models:${PYTHONPATH}"
(vm)$ export TPU_LOAD_LIBRARY=0

Ve al directorio en el que se almacena el modelo:

(vm)$ cd /usr/share/tpu/models/official/vision

(vm)$ cd /usr/share/models/official/legacy/detection

Entrena el modelo:

Este procedimiento entrena el modelo en el conjunto de datos de COCO durante 10 pasos de entrenamiento. Este entrenamiento tarda alrededor de 10 minutos en una Cloud TPU v3-32.

Nota: Una vez que comience el entrenamiento, puedes verificar que se esté ejecutando supervisando la actividad de la TPU en la consola de Cloud TPU. En Compute Engine -> TPUs, haz clic en la entrada de la TPU. Aparecerá una página con tu configuración de TPU. más información y un vínculo a MONITORING. Haz clic en SUPERVISIÓN para ver la actividad actual de la TPU.
```
(vm)$ python3 train.py \
  --tpu=${TPU_NAME} \
  --experiment=maskrcnn_resnetfpn_coco \
  --mode=train_and_eval \
  --config_file=configs/experiments/maskrcnn/r50fpn_640_coco_scratch_tpu4x4.yaml \
  --model_dir=${MODEL_DIR} \
  --params_override="task.train_data.input_path=${TRAIN_FILE_PATTERN},task.validation_data.input_path=${EVAL_FILE_PATTERN},task.annotation_file=${VAL_JSON_FILE},runtime.distribution_strategy=tpu,trainer.train_steps=10,trainer.validation_steps=10,task.train_data.global_batch_size=256,task.validation_data.global_batch_size=256"
```
Descripciones de las marcas de comandos

tpu

El nombre de tu TPU.

model_dir

especifica el directorio en el que se almacenan los puntos de control y los resúmenes durante el entrenamiento de modelos. Si no hay una carpeta, el programa crea una. Cuando se usa una Cloud TPU, el model_dir debe ser una ruta de Cloud Storage (gs://...). Puedes reutilizar una carpeta existente para cargar datos de puntos de control actuales y almacenar puntos de control adicionales siempre que los puntos de control anteriores se hayan creado con una Cloud TPU del mismo tamaño y la misma versión de TensorFlow.

params_override

Una string JSON que anula parámetros de secuencia de comandos predeterminados.

Cuando se complete el entrenamiento, aparecerá un mensaje similar al siguiente:

 I0706 19:47:16.108213 139955064548416 controller.py:457] train | step: 10 | steps/sec:    0.1 | output:
    {'frcnn_box_loss': 0.05632668,
     'frcnn_cls_loss': 1.3012192,
     'learning_rate': 0.008266499,
     'mask_loss': 1.2371812,
     'model_loss': 2.9746659,
     'rpn_box_loss': 0.08227444,
     'rpn_score_loss': 0.2976642,
     'total_loss': 4.493513,
     'training_loss': 4.493513}
train | step:     10 | steps/sec:    0.1 | output:
    {'frcnn_box_loss': 0.05632668,
     'frcnn_cls_loss': 1.3012192,
     'learning_rate': 0.008266499,
     'mask_loss': 1.2371812,
     'model_loss': 2.9746659,
     'rpn_box_loss': 0.08227444,
     'rpn_score_loss': 0.2976642,
     'total_loss': 4.493513,
     'training_loss': 4.493513}

Limpia

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.

Después de ejecutar el entrenamiento, borra la VM de TPU y quita el bucket de almacenamiento.

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. El mensaje ahora debería mostrar username@projectname, que indica que estás en Cloud Shell.

Borra tus recursos de Cloud TPU y Compute Engine.

$ gcloud compute tpus tpu-vm delete mask-rcnn-tutorial \
--zone=${ZONE}

Ejecuta gcloud compute tpus tpu-vm list para verificar que los recursos se hayan borrado. La eliminación puede tardar varios minutos. El resultado del siguiente comando no debería incluir ninguno de los recursos TPU creados en este instructivo:
```
$ gcloud compute tpus tpu-vm list --zone=${ZONE}
```
Ejecuta gcloud CLI como se muestra y reemplaza bucket-name por el nombre del bucket de Cloud Storage que creaste para este instructivo:
```
$ gcloud storage rm gs://bucket-name --recursive
```

¿Qué sigue?

Los instructivos de TensorFlow Cloud TPU suelen entrenar el modelo con un conjunto de datos de muestra. Los resultados de esta capacitación no se pueden usar para la inferencia. Para usar un modelo de inferencia, puedes entrenar los datos en un conjunto de datos disponible públicamente o en tu propio conjunto de datos. Modelos de TensorFlow entrenados con Cloud TPU generalmente requieren que los conjuntos de datos estén 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 los hiperparámetros comunes a todos Los modelos compatibles con TPU en GitHub: La información sobre los hiperparámetros específicos del modelo se puede encontrar en el código fuente de cada modelo. Para obtener más información sobre el ajuste de hiperparámetros, consulta Descripción general del ajuste de hiperparámetros y Ajusta los hiperparámetros.

Inferencia

Una vez que hayas entrenado tu modelo, puedes usarlo para inferencias (también denominado predicciones). Puedes usar el conversor de inferencia de Cloud TPU de desarrollo de software para preparar y optimizar un Modelo de TensorFlow para inferencias en Cloud TPU v5e. Para obtener más información sobre la inferencia en Cloud TPU v5e, consulta la Introducción a la inferencia de Cloud TPU v5e.

Explora las herramientas de TPU en TensorBoard.