Übersicht
In dieser Anleitung wird gezeigt, wie Sie das Modell Mask RCNN mit Cloud TPU ausführen. mit dem COCO-Dataset.
Mask RCNN ist ein neuronales Deep-Learning-Netzwerk, das für die Objekterkennung und die Bildsegmentierung, eine der schwierigeren Herausforderungen beim maschinellen Sehen.
Das Modell "Mask RCNN" generiert Begrenzungsrahmen und Segmentierungsmasken für jedes Instanz eines Objekts im Bild. Das Modell basiert auf dem Feature Pyramid Network (FPN) und ein ResNet50-Backbonenetzwerk.
In dieser Anleitung wird die Tensorflow Keras API zum Trainieren des Modells verwendet. Die Keras Die API ist eine übergeordnete TensorFlow-API, die zum Erstellen und Ausführen einer ML-Modell auf Cloud TPU. Die API vereinfacht die Modellentwicklung indem ein Großteil der Low-Level-Implementierung ausgeblendet wird. zwischen TPU und anderen Plattformen wie GPU oder CPU wechseln können.
In dieser Anleitung wird davon ausgegangen, dass Sie bereits mit dem Trainieren eines Modells Cloud TPU Wenn Sie mit Cloud TPU noch nicht vertraut sind, können Sie Folgendes tun: finden Sie in der Kurzanleitung.
Lernziele
- COCO-Dataset vorbereiten
- Cloud Storage-Bucket zum Speichern der Dataset- und Modellausgabe erstellen
- TPU-Ressourcen für Training und Evaluierung einrichten
- Training und Bewertung auf einer einzelnen Cloud TPU oder einem Cloud TPU Pod ausführen
Kosten
In diesem Dokument verwenden Sie die folgenden kostenpflichtigen Komponenten von Google Cloud:
- Compute Engine
- Cloud TPU
- Cloud Storage
Mit dem Preisrechner können Sie eine Kostenschätzung für Ihre voraussichtliche Nutzung vornehmen.
Hinweise
Bevor Sie mit dieser Anleitung beginnen, prüfen Sie, ob Ihr Google Cloud-Projekt ordnungsgemäß eingerichtet ist.
- Melden Sie sich bei Ihrem Google Cloud-Konto an. Wenn Sie mit Google Cloud noch nicht vertraut sind, erstellen Sie ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
In dieser Anleitung werden kostenpflichtige Komponenten der Google Cloud verwendet. Rufen Sie die Seite mit den Cloud TPU-Preisen auf, um Ihre Kosten abzuschätzen.
COCO-Dataset vorbereiten
In dieser Anleitung wird das COCO-Dataset verwendet. Das Dataset muss im TFRecord-Format vorliegen in einem Cloud Storage-Bucket, der für das Training verwendet werden soll.
Wenn Sie das COCO-Dataset bereits in einem Cloud Storage-Bucket vorbereitet haben, befindet sich in der Zone, die Sie für die Sie das Modell trainieren, können Sie direkt zum Einzelgerät-Training gehen. Andernfalls können Sie das Dataset mit den folgenden Schritten vorbereiten.
Öffnen Sie ein Cloud Shell-Fenster.
Konfigurieren Sie
gcloudin Cloud Shell mit Ihrem Projekt. ID.export PROJECT_ID=project-id gcloud config set project ${PROJECT_ID}
Erstellen Sie in Ihrer Cloud Shell mit folgendem Befehl einen Cloud Storage-Bucket:
gcloud storage buckets create gs://bucket-name --project=${PROJECT_ID} --location=us-central2
Erstellen Sie eine Compute Engine-VM, um das Dataset herunterzuladen und vorzuverarbeiten. Weitere Informationen finden Sie unter Erstellen und starten Sie eine Compute Engine-Instanz.
$ 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
Stellen Sie über SSH eine Verbindung zur Compute Engine-VM her:
$ gcloud compute ssh vm-name --zone=us-central2-b
Wenn Sie eine Verbindung zur VM herstellen, ändert sich die Shell-Eingabeaufforderung von
username@projectnameinusername@vm-name.Richten Sie zwei Variablen ein, eine für den Storage-Bucket, den Sie erstellen. und eine für das Verzeichnis, das Die Trainingsdaten (
DATA_DIR) im Storage-Bucket(vm)$ export STORAGE_BUCKET=gs://bucket-name
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
Installieren Sie die Pakete, die für die Vorverarbeitung der Daten erforderlich sind.
(vm)$ 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"
Zum Umwandeln das Skript
download_and_preprocess_coco.shausführen COCO-Dataset in eine Reihe von TFRecord-Dateien (*.tfrecord) aufteilt, die die Anwendung erwartet.(vm)$ git clone https://github.com/tensorflow/tpu.git (vm)$ sudo bash tpu/tools/datasets/download_and_preprocess_coco.sh ./data/dir/coco
Dadurch werden die erforderlichen Bibliotheken installiert und das Skript für die Vorverarbeitung ausgeführt. Er gibt
*.tfrecord-Dateien in Ihr lokales Datenverzeichnis aus. Der COCO-Download und das Ausführen des Konvertierungsskripts dauern etwa eine Stunde.Kopieren Sie die Daten in Ihren Cloud Storage-Bucket.
Nachdem Sie die Daten in das TFRecord-Format konvertiert haben, kopieren Sie sie aus dem lokalen Speicher mit der gcloud CLI in Ihren Cloud Storage-Bucket. Du musst kopieren auch die Anmerkungsdateien. Diese Dateien helfen bei der Validierung der die Leistung.
(vm)$ gcloud storage cp ./data/dir/coco/*.tfrecord ${DATA_DIR} (vm)$ gcloud storage cp ./data/dir/coco/raw-data/annotations/*.json ${DATA_DIR}
Trennen Sie die Verbindung zur Compute Engine-VM:
(vm)$ exit
Die Eingabeaufforderung sollte nun
username@projectnamelauten und angeben, dass Sie sich in Cloud Shell befinden.Löschen Sie Ihre Compute Engine-VM:
$ gcloud compute instances delete vm-name \ --zone=us-central2-b
Cloud TPU-Training mit Einzelgerät
Öffnen Sie ein Cloud Shell-Fenster.
Erstellen Sie eine Umgebungsvariable für die Projekt-ID.
export PROJECT_ID=project-id
Konfigurieren Sie die Google Cloud CLI für die Verwendung des Projekts, in dem Sie die Cloud TPU
gcloud config set project ${PROJECT_ID}
Wenn Sie diesen Befehl zum ersten Mal in einer neuen Cloud Shell-VM ausführen, wird die Seite
Authorize Cloud Shellangezeigt. Klicken Sie unten aufAuthorize. der Seite, damitgcloudGoogle Cloud API-Aufrufe mit Ihren Anmeldedaten ausführen kann.Erstellen Sie ein Dienstkonto für das Cloud TPU-Projekt.
gcloud beta services identity create --service tpu.googleapis.com --project ${PROJECT_ID}
Der Befehl gibt ein Cloud TPU-Dienstkonto im folgenden Format zurück:
service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
Exportieren Sie TPU-Einrichtungsvariablen.
Exportieren Sie die Projekt-ID, den Namen, den Sie für Ihre TPU-Ressourcen verwenden möchten, und die Zone, in der Sie trainieren werden und speichern alle Trainingsdaten.
$ export TPU_NAME=mask-rcnn-tutorial $ export ZONE=europe-west4-a
Starten Sie eine Compute Engine-VM und eine Cloud TPU.
$ gcloud compute tpus tpu-vm create mask-rcnn-tutorial \ --zone=${ZONE} \ --accelerator-type=v3-8 \ --version=tpu-vm-tf-2.17.0-pjrt
Beschreibung der Befehls-Flags
zone- Die Zone, in der Sie die Cloud TPU erstellen möchten.
accelerator-type- Der Beschleunigertyp gibt die Version und Größe der Cloud TPU an, die Sie erstellen möchten. Weitere Informationen zu unterstützten Beschleunigertypen für jede TPU-Version finden Sie unter TPU-Versionen.
version- Die Softwareversion von Cloud TPU.
Weitere Informationen zum Befehl
gcloudfinden Sie in der gcloud-Referenz.Stellen Sie über SSH eine Verbindung zur Compute Engine-Instanz her. Wenn Sie verbunden sind an die VM ändert sich Ihre Shell-Eingabeaufforderung von
username@projectnameinusername@vm-name:gcloud compute tpus tpu-vm ssh mask-rcnn-tutorial --zone=${ZONE}
Installieren Sie TensorFlow-Anforderungen.
(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt
Legen Sie die Cloud TPU-Namensvariable fest.
(vm)$ export TPU_NAME=local
Richten Sie die folgenden Umgebungsvariablen ein und ersetzen Sie bucket-name durch den Namen des Cloud Storage-Buckets, in dem das COCO-Dataset gespeichert ist:
(vm)$ export STORAGE_BUCKET=gs://bucket-name
Fügen Sie Umgebungsvariablen für die Daten- und Modellverzeichnisse hinzu.
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/mask-rcnn
Fügen Sie weitere erforderliche Umgebungsvariablen hinzu:
(vm)$ 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=${DATA_DIR}/instances_val2017.json
Legen Sie die Umgebungsvariable
PYTHONPATHfest:(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/tpu/models"
Wenn Sie beim Erstellen der TPU den Parameter
--versionauf eine Version festlegen, die mit-pjrt, legen Sie die folgenden Umgebungsvariablen fest, um die PJRT-Laufzeit zu aktivieren:(vm)$ export NEXT_PLUGGABLE_DEVICE_USE_C_API=true (vm)$ export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
Wechseln Sie zum Verzeichnis, in dem sich das Modell befindet:
(vm)$ cd /usr/share/tpu/models/official/vision
Mit dem folgenden Script wird ein Beispieltraining ausgeführt, das zehn Trainingsschritte umfasst und 10 Bewertungsschritten. Das dauert etwa sechs Minuten. v3-8 TPU. Für das Training zur Konvergenz sind etwa 22.500 Schritte und ca. 6 Stunden auf einer v3-8-TPU.
Führen Sie den folgenden Befehl aus, um das Mask-RCNN-Modell zu trainieren:
(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=${VAL_JSON_FILE},runtime.distribution_strategy=tpu,trainer.train_steps=10,trainer.validation_steps=10,task.train_data.global_batch_size=8,task.validation_data.global_batch_size=8"
Beschreibung der Befehls-Flags
strategy_type- Die Vertriebsstrategie.
tpu- Der Name Ihrer TPU.
model_dir- Gibt das Verzeichnis an, in dem Prüfpunkte und Zusammenfassungen gespeichert sind
während des Modelltrainings. Wenn der Ordner fehlt, erstellt das Programm
eins. Bei Verwendung einer Cloud TPU:
model_dirmuss ein Cloud Storage-Pfad sein („gs://...“). Sie können einen vorhandener Ordner, um aktuelle Prüfpunktdaten zu laden und zu speichern zusätzliche Prüfpunkte, sofern die vorherigen die mit einer TPU derselben Größe und TensorFlow-Version erstellt wurden.
Wenn das Training abgeschlossen ist, wird eine Meldung wie diese angezeigt:
{'frcnn_box_loss': 0.033865165, 'frcnn_cls_loss': 1.2535654, 'learning_rate': 0.008266499, 'mask_loss': 1.2039567, 'model_loss': 2.821458, 'rpn_box_loss': 0.034982488, 'rpn_score_loss': 0.2950886, 'total_loss': 4.340171, 'training_loss': 4.340171} train | step: 10 | steps/sec: 0.1 | output: {'frcnn_box_loss': 0.033865165, 'frcnn_cls_loss': 1.2535654, 'learning_rate': 0.008266499, 'mask_loss': 1.2039567, 'model_loss': 2.821458, 'rpn_box_loss': 0.034982488, 'rpn_score_loss': 0.2950886, 'total_loss': 4.340171, 'training_loss': 4.340171}Darauf folgt die Ausgabe der Bewertungsschritte.
Sie haben jetzt das Training und die Bewertung für ein einzelnes Gerät abgeschlossen. Verwenden Sie die Methode Gehen Sie so vor, um die aktuellen TPU-Ressourcen eines einzelnen Geräts zu löschen.
Trennen Sie die Verbindung zur Compute Engine-Instanz:
(vm)$ exit
Die Eingabeaufforderung sollte nun
username@projectnamelauten und angeben, dass Sie sich in Cloud Shell befinden.Löschen Sie die TPU-Ressource.
$ gcloud compute tpus tpu-vm delete mask-rcnn-tutorial \ --zone=europe-west4-a
Beschreibung der Befehls-Flags
zone- Die Zone wo sich Ihre Cloud TPU befand.
An dieser Stelle können Sie entweder diese Anleitung beenden und eine Bereinigung durchführen oder die Ausführung des Modells auf Cloud TPU Pods fortsetzen.
Modell mit Cloud TPU Pods skalieren
Das Training Ihres Modells auf Cloud TPU Pods erfordert möglicherweise einige Änderungen in Ihr Trainingsskript ein. Weitere Informationen finden Sie unter Auf TPU-Pods trainieren.
TPU-Pod-Training
Öffnen Sie ein Cloud Shell-Fenster.
Erstellen Sie eine Variable für Ihre Projekt-ID.
export PROJECT_ID=project-id
Konfigurieren Sie die Google Cloud CLI für die Verwendung des Projekts, in dem Sie erstellen möchten Cloud TPU
gcloud config set project ${PROJECT_ID}
Wenn Sie diesen Befehl zum ersten Mal in einer neuen Cloud Shell-VM ausführen, wird die Seite
Authorize Cloud Shellangezeigt. Klicken Sie unten aufAuthorize. der Seite, damitgcloudGoogle Cloud API-Aufrufe mit Ihren Anmeldedaten ausführen kann.Erstellen Sie ein Dienstkonto für das Cloud TPU-Projekt.
Dienstkonten ermöglichen dem Cloud TPU-Dienst den Zugriff auf andere Google Cloud-Dienste.
gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
Der Befehl gibt ein Cloud TPU-Dienstkonto im folgenden Format zurück:
service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
Wenn Sie das COCO-Dataset bereits vorbereitet und in den Speicher verschoben haben Bucket für das Pod-Training nutzen. Wenn Sie sich noch nicht das COCO-Dataset, bereiten Sie es jetzt vor und kehren Sie hierher zurück, um es einzurichten. für das Training.
Cloud TPU-Pod starten
In dieser Anleitung wird ein v3-32-Pod angegeben. Weitere Pod-Optionen finden Sie unter TPU-Versionen.
<ph type="x-smartling-placeholder">$ gcloud compute tpus tpu-vm create mask-rcnn-tutorial \ --zone=${ZONE} \ --accelerator-type=v3-32 \ --version=tpu-vm-tf-2.17.0-pod-pjrt
Beschreibung der Befehls-Flags
zone- Die Zone, in der Sie die Cloud TPU erstellen möchten.
accelerator-type- Der Beschleunigertyp gibt die Version und Größe der Cloud TPU an, die Sie erstellen möchten. Weitere Informationen zu unterstützten Beschleunigertypen für jede TPU-Version finden Sie unter TPU-Versionen.
version- Die Softwareversion von Cloud TPU.
Stellen Sie über SSH eine Verbindung zur Compute Engine-Instanz her. Wenn Sie verbunden sind an die VM ändert sich Ihre Shell-Eingabeaufforderung von
username@projectnameinusername@vm-name:gcloud compute tpus tpu-vm ssh mask-rcnn-tutorial --zone=${ZONE}
Installieren Sie TensorFlow-Anforderungen.
(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt
Für das Trainingsskript ist ein zusätzliches Paket erforderlich. Installieren Sie es jetzt.
(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3
Legen Sie die Cloud TPU-Namensvariable fest.
(vm)$ export TPU_NAME=mask-rcnn-tutorial
Richten Sie die folgenden Umgebungsvariablen ein und ersetzen Sie bucket-name durch den Namen Ihres Cloud Storage-Buckets:
(vm)$ export STORAGE_BUCKET=gs://bucket-name
Fügen Sie weitere erforderliche Umgebungsvariablen hinzu:
(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=${STORAGE_BUCKET}/mask-rcnn-pod
Legen Sie die Umgebungsvariable
PYTHONPATHfest:(vm)$ export PYTHONPATH="/usr/share/tpu/models:${PYTHONPATH}" (vm)$ export TPU_LOAD_LIBRARY=0
Wechseln Sie zum Verzeichnis, in dem sich das Modell befindet:
(vm)$ cd /usr/share/tpu/models/official/vision
(vm)$ cd /usr/share/models/official/legacy/detection
Modell trainieren
Mit diesem Verfahren wird das Modell für das COCO-Dataset trainiert für 10 Trainingsschritte. Dieses Training dauert etwa 10 Minuten auf einer v3-32 Cloud 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=${VAL_JSON_FILE},runtime.distribution_strategy=tpu,trainer.train_steps=10,trainer.validation_steps=10,task.train_data.global_batch_size=256,task.validation_data.global_batch_size=256"
Beschreibung der Befehls-Flags
tpu- Der Name Ihrer TPU.
model_dir- Gibt das Verzeichnis an, in dem während des Modelltrainings Prüfpunkte und Zusammenfassungen gespeichert werden. Wenn der Ordner fehlt, erstellt das Programm einen. Bei Verwendung einer Cloud TPU:
model_dirmuss ein Cloud Storage-Pfad (gs://...) sein. Sie können Einen vorhandenen Ordner wiederverwenden, um aktuelle Prüfpunktdaten zu laden und zu speichern zusätzliche Prüfpunkte, sofern die vorherigen mit Cloud TPU derselben Größe und TensorFlow erstellt Version. params_override- Ein JSON-String, der Standardskriptparameter überschreibt.
Wenn das Training abgeschlossen ist, wird eine Meldung wie diese angezeigt:
I0706 19:47:16.108213 139955064548416 controller.py:457] train | step: 10 | steps/sec: 0.1 | output:
{'frcnn_box_loss': 0.05632668,
'frcnn_cls_loss': 1.3012192,
'learning_rate': 0.008266499,
'mask_loss': 1.2371812,
'model_loss': 2.9746659,
'rpn_box_loss': 0.08227444,
'rpn_score_loss': 0.2976642,
'total_loss': 4.493513,
'training_loss': 4.493513}
train | step: 10 | steps/sec: 0.1 | output:
{'frcnn_box_loss': 0.05632668,
'frcnn_cls_loss': 1.3012192,
'learning_rate': 0.008266499,
'mask_loss': 1.2371812,
'model_loss': 2.9746659,
'rpn_box_loss': 0.08227444,
'rpn_score_loss': 0.2976642,
'total_loss': 4.493513,
'training_loss': 4.493513}
Bereinigen
Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, löschen Sie entweder das Projekt, das die Ressourcen enthält, oder Sie behalten das Projekt und löschen die einzelnen Ressourcen.
Löschen Sie nach dem Ausführen des Trainings die TPU-VM und entfernen Sie den Storage-Bucket.
Trennen Sie die Verbindung zur Compute Engine-Instanz, sofern noch nicht geschehen:
(vm)$ exit
Die Eingabeaufforderung sollte nun
username@projectnamelauten und angeben, dass Sie sich in Cloud Shell befinden. Ihre Aufforderung sollte jetztusername@projectnamelauten und angeben, dass Sie sich in der Cloud ShellLöschen Sie Ihre Cloud TPU- und Compute Engine-Ressourcen.
$ gcloud compute tpus tpu-vm delete mask-rcnn-tutorial \ --zone=${ZONE}
Prüfen Sie, ob die Ressourcen gelöscht wurden. Führen Sie dazu
gcloud compute tpus tpu-vm listaus. Der Löschvorgang kann einige Minuten dauern. Die Ausgabe des folgenden Befehls sollte keine der in dieser Anleitung erstellten TPU-Ressourcen enthalten:$ gcloud compute tpus tpu-vm list --zone=${ZONE}
Führen Sie die gcloud CLI wie gezeigt aus und ersetzen Sie bucket-name durch Name des Cloud Storage-Bucket, den Sie für diese Anleitung erstellt haben:
$ gcloud storage rm gs://bucket-name --recursive
Nächste Schritte
In den Cloud TPU-Anleitungen von TensorFlow wird das Modell in der Regel mithilfe eines Beispiel-Datasets trainiert. Die Ergebnisse dieses Trainings können nicht für die Inferenz verwendet werden. Bis ein Modell für die Inferenz nutzen, können Sie die Daten anhand eines öffentlich verfügbaren oder Ihrem eigenen Dataset. Auf Cloud TPUs trainierte TensorFlow-Modelle müssen Datasets im Allgemeinen TFRecord-Format.
Mit dem Tool zur Konvertierung von Datasets Sample zum Konvertieren eines Bildes Klassifizierungs-Dataset in das TFRecord-Format. Wenn Sie kein Bild verwenden Klassifizierungsmodells spezifizieren, müssen Sie das Dataset TFRecord-Format selbst. Weitere Informationen finden Sie unter TFRecord und tf.Beispiel
Hyperparameter-Feinabstimmung
Um die Leistung des Modells mit Ihrem Dataset zu verbessern, können Sie die Hyperparameter. Sie finden Informationen zu allgemeinen Hyperparametern Von TPU unterstützte Modelle auf GitHub Informationen zu modellspezifischen Hyperparametern finden Sie in der Quelle Code für die einzelnen Modell. Weitere Informationen zur Abstimmung von Hyperparametern finden Sie unter Übersicht über Hyperparameter-Abstimmung und Feinabstimmung Hyperparametern.
Inferenz
Sobald Sie Ihr Modell trainiert haben, können Sie es für die Inferenz (auch als Vorhersage). Sie können den Cloud TPU-Inferenzkonverter verwenden ein Tool zum Erstellen und Optimieren TensorFlow-Modell für Inferenz auf Cloud TPU v5e Weitere Informationen Informationen zur Inferenz in Cloud TPU v5e finden Sie unter Cloud TPU v5e-Inferenz .