此页面由 Cloud Translation API 翻译。

在 Cloud TPU 上训练 Mask RCNN (TF 2.x)

概览

本教程演示了如何使用 Cloud TPU 运行 Mask RCNN 模型 COCO 数据集。

Mask RCNN 是一种深度神经网络，旨在解决物体检测和图像分割，这是更困难的计算机视觉挑战之一。

Mask RCNN 模型会为图像中对象的每个实例生成边界框和细分掩码。该模型基于特征金字塔网络 (FPN) 和 ResNet50 骨干网络。

本教程使用 Tensorflow Keras API 训练模型。Keras API 是一种高级 TensorFlow API，可用于在 Cloud TPU 上构建和运行机器学习模型。此 API 可通过隐藏大部分低级实现来简化模型开发流程，从而让您更轻松地在 TPU 和其他平台（例如 GPU 或 CPU）之间切换。

这些说明假定您已经熟悉 Cloud TPU。如果您刚开始接触 Cloud TPU，请参阅快速入门，了解基本介绍。

目标

准备 COCO 数据集
创建 Cloud Storage 存储分区以保存数据集和模型输出
设置 TPU 资源以进行训练和评估
在单个 Cloud TPU 或 Cloud TPU Pod 上运行训练和评估

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。 Google Cloud 新用户可能有资格申请免费试用。

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。

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

Go to project selector

确保您的 Google Cloud 项目已启用结算功能。

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

Go to project selector

确保您的 Google Cloud 项目已启用结算功能。

本演示使用 Google Cloud 的收费组件。查看 Cloud TPU 价格页面估算所需费用

准备 COCO 数据集

本教程使用 COCO 数据集。数据集需要采用 TFRecord 格式用于训练的 Cloud Storage 存储桶中。

如果您已在 Cloud Storage 存储桶上准备好 COCO 数据集，该存储桶位于您将用于训练模型的可用区中，则可以直接进行单设备训练。否则，请按照以下步骤准备该数据集。

打开一个 Cloud Shell 窗口。

打开 Cloud Shell

在 Cloud Shell 中，为您的项目配置 gcloud ID。

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

在 Cloud Shell 中，使用以下命令创建 Cloud Storage 存储桶：

注意：在以下命令中，将 bucket-name 替换为您要分配给存储分区的名称。
```
gcloud storage buckets create gs://bucket-name --project=${PROJECT_ID} --location=us-central2
```

创建一个 Compute Engine 虚拟机，以下载并预处理数据集。有关请参阅创建并启动 Compute Engine 实例。

$ 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

使用 SSH 连接到 Compute Engine 虚拟机：
```
$ gcloud compute ssh vm-name --zone=us-central2-b
```
连接到虚拟机时，Shell 提示符会从 username@projectname 至 username@vm-name。
设置两个变量，一个用于另一个是之前创建的目录存储桶上的训练数据 (DATA_DIR)。
```
(vm)$ export STORAGE_BUCKET=gs://bucket-name
```
```
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
```

安装预处理数据所需的软件包。

(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"

运行 download_and_preprocess_coco.sh 脚本以进行转换将 COCO 数据集转换为一组 TFRecord 文件 (*.tfrecord)，符合预期。
```
(vm)$ git clone https://github.com/tensorflow/tpu.git
(vm)$ sudo bash tpu/tools/datasets/download_and_preprocess_coco.sh ./data/dir/coco
```
这会安装所需的库，然后运行预处理脚本。它会在您的本地数据目录中输出 *.tfrecord 文件。 COCO 下载和转换脚本大约需要 1 小时才能完成。
将数据复制到 Cloud Storage 存储桶。

将数据转换为 TFRecord 格式后，使用 gcloud CLI 将数据从本地存储空间复制到 Cloud Storage 存储桶。您还必须复制注释文件。这些文件有助于验证模型的性能
```
(vm)$ gcloud storage cp ./data/dir/coco/*.tfrecord ${DATA_DIR}
(vm)$ gcloud storage cp ./data/dir/coco/raw-data/annotations/*.json ${DATA_DIR}
```
与 Compute Engine 虚拟机断开连接：
```
(vm)$ exit
```
您的提示符现在应为 username@projectname，表明您位于 Cloud Shell 中。

删除您的 Compute Engine 虚拟机：

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

Cloud TPU 单设备训练

打开一个 Cloud Shell 窗口。

打开 Cloud Shell
为项目 ID 创建一个环境变量。
```
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。点击底部的 Authorize 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。

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

导出您的项目 ID（您要用于 TPU 资源的名称），以及您要训练的可用区模型并存储任何与训练相关的数据。
```
$ export TPU_NAME=mask-rcnn-tutorial
$ export ZONE=europe-west4-a
```
启动 Compute Engine 虚拟机和 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
  
```
命令标志说明

zone

拟在其中创建 Cloud TPU 的区域。

accelerator-type

加速器类型指定要创建的 Cloud TPU 的版本和大小。如需详细了解每个 TPU 版本支持的加速器类型，请参阅 TPU 版本。

version

Cloud TPU 软件版本。

注意：第一次在项目上创建 TPU 虚拟机时，大约需要几分钟来执行一些启动任务，例如 SSH 密钥传播和 API 启动。

如需详细了解 gcloud 命令，请参阅 gcloud 参考文档。
使用 SSH 连接到 Compute Engine 实例。连接到网络后您的 Shell 提示符会从 username@projectname 更改为 username@vm-name:
```
gcloud compute tpus tpu-vm ssh mask-rcnn-tutorial --zone=${ZONE}
```
要点：从现在开始，前缀 (vm) $ 表示您应该运行对 Compute Engine 虚拟机实例执行操作。

安装 TensorFlow 要求。

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

设置 Cloud TPU 名称变量。
```
(vm)$ export TPU_NAME=local
```
设置以下环境变量，并将 bucket-name 替换为存储 COCO 数据集的 Cloud Storage 存储桶的名称：
```
(vm)$ export STORAGE_BUCKET=gs://bucket-name
```

为数据和模型目录添加环境变量。

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

添加其他一些必需的环境变量：

(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

设置 PYTHONPATH 环境变量：

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

创建 TPU 时，如果您将 --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
```

切换至存储模型的目录。

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

以下脚本运行一个示例训练，其中将训练 10 个步骤，评估 10 个步骤。在 v3-8 TPU 上完成大约需要 6 分钟。在 v3-8 TPU 上，训练到收敛需要大约 22500 个步骤和大约 6 小时。

运行以下命令以训练 Mask-RCNN 模型：

(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"

命令标志说明

strategy_type: 分布策略。
tpu: TPU 的名称。
model_dir: 指定存储检查点和摘要的目录模型训练期间的预测。如果指定的文件夹不存在，此程序会自行创建。使用 Cloud TPU 时，model_dir 必须是 Cloud Storage 路径 (`gs://...`)。您可以重复使用现有的文件夹来加载当前检查点数据和存储其他检查点，只要先前的检查点是使用相同大小的 TPU 和相同 TensorFlow 版本创建的即可。

训练完成后，系统将显示如下所示的消息：

{'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}

随后是评估步骤的输出。

您现已完成单设备训练和评估。使用删除当前的单设备 TPU 资源的步骤。

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。

$ gcloud compute tpus tpu-vm delete mask-rcnn-tutorial \
    --zone=europe-west4-a

命令标志说明

zone: 您的 Cloud TPU 所在的可用区。

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进行一些更改添加到训练脚本中。如需了解相关信息，请参阅在 TPU Pod 上训练。

TPU Pod 训练

打开一个 Cloud Shell 窗口。

打开 Cloud Shell
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项目的项目 Cloud TPU。
```
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。

通过服务账号，Cloud TPU 服务可以访问其他 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
```
如果您之前已准备的 COCO 数据集并将其移至存储桶，则可以再次使用它来进行 Pod 训练。如果您尚未准备好 COCO 数据集，请立即准备并返回此处设置训练。
启动 Cloud TPU Pod

本教程指定 v3-32 Pod。如需了解其他 Pod 选项，请参阅 TPU 版本。

注意：如果当前可用容量不足以创建 TPU Pod，您可以使用已加入队列的资源将请求加入队列。加入队列的资源让您可以在资源用尽后可用。如需请求将 Cloud TPU 资源作为排队的资源，请使用 gcloud compute tpus queued-resources create 命令。如需了解详情，请参阅管理已加入队列的资源。
```
$ gcloud compute tpus tpu-vm create mask-rcnn-tutorial \
  --zone=${ZONE} \
  --accelerator-type=v3-32 \
  --version=tpu-vm-tf-2.17.0-pod-pjrt
```
命令标志说明

zone

拟在其中创建 Cloud TPU 的区域。

accelerator-type

加速器类型指定要创建的 Cloud TPU 的版本和大小。如需详细了解每个 TPU 版本支持的加速器类型，请参阅 TPU 版本。

version

Cloud TPU 软件版本。

注意：第一次在项目上运行 gcloud 时，大约需要 5 分钟来执行一些启动任务，例如 SSH 密钥传播和 API 启动。
注意：第一次在项目上运行 gcloud 时，大约需要 5 分钟来执行一些启动任务，例如 SSH 密钥传播和 API 启动。
使用 SSH 连接到 Compute Engine 实例。连接到虚拟机后，shell 提示符会从 username@projectname 更改为 username@vm-name：
```
gcloud compute tpus tpu-vm ssh mask-rcnn-tutorial --zone=${ZONE}
```
要点：从现在起，前缀 (vm) $ 表示您应在 Compute Engine 虚拟机实例上运行该命令。

安装 TensorFlow 要求。

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

训练脚本需要额外的软件包。立即安装：

(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3

设置 Cloud TPU 名称变量。

(vm)$ export TPU_NAME=mask-rcnn-tutorial

设置以下环境变量，将 bucket-name 替换为 Cloud Storage 存储分区的名称：
```
(vm)$ export STORAGE_BUCKET=gs://bucket-name
```

添加其他一些必需的环境变量：

(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

设置 PYTHONPATH 环境变量：

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

切换至存储模型的目录。

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

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

训练模型：

此过程基于 COCO 数据集训练模型，完成 10 个训练步骤。此培训大约需要 10 分钟部署在 v3-32 Cloud TPU 上。

注意：训练开始后，您可以通过在 Cloud TPU 控制台中监控 TPU 活动来验证训练是否正在运行。在 Compute Engine ->TPU，点击 TPU 条目。这将打开一个页面，其中包含您的 TPU 配置详细信息和指向监控的链接。点击监控可查看当前的 TPU 活动。
```
(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"
```
命令标志说明

tpu

TPU 的名称。

model_dir

用于指定在模型训练期间存储检查点和摘要的目录。如果指定的文件夹不存在，此程序会自行创建相应文件夹。使用 Cloud TPU 时，model_dir 必须是 Cloud Storage 路径 (gs://...)。您可以重复使用现有的文件夹来加载当前检查点数据和存储其他检查点，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。

params_override

一个替换默认脚本参数的 JSON 字符串。

训练完成后，系统将显示如下所示的消息：

 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}

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。

运行训练后，删除 TPU 虚拟机并移除存储桶。

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。您的提示现在应为 username@projectname，表明您正位于 Cloud Shell。

删除您的 Cloud TPU 和 Compute Engine 资源。

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

通过运行 gcloud compute tpus tpu-vm 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 tpu-vm list --zone=${ZONE}
```
如下所示运行 gcloud CLI，将 bucket-name 替换为您为本教程创建的 Cloud Storage 存储桶的名称：
```
$ gcloud storage rm gs://bucket-name --recursive
```

后续步骤

TensorFlow Cloud TPU 教程通常使用示例数据集来训练模型。此训练的结果不能用于推理。接收者使用模型进行推理，可以在公开可用的或您自己的数据集。在 Cloud TPU 上训练的 TensorFlow 模型通常需要将数据集 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，您需要将数据集转换为 TFRecord 格式。如需了解详情，请参阅 TFRecord 和 tf.Example。

超参数调节

要使用数据集提升模型的性能，您可以调整模型的超参数。您可以在 GitHub 上寻找所有 TPU 支持模型通用的超参数的相关信息。您可以在每个模型的源代码中寻找模型专用超参数的相关信息。如需详细了解超参数调优，请参阅概览超参数调优和 Tune 超参数。

推断

训练模型后，您可以使用该模型进行推理（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，以便在 Cloud TPU v5e 上进行推理。有关如需了解如何在 Cloud TPU v5e 上进行推理，请参阅 Cloud TPU v5e 推理简介。

探索 TensorBoard 中的 TPU 工具。