Maschera di addestramento RCNN su Cloud TPU (TF 2.x)


Panoramica

Questo tutorial illustra come eseguire il modello Mask RCNN utilizzando Cloud TPU con il set di dati COCO.

Mask RCNN è una rete neurale profonda progettata per affrontare il rilevamento di oggetti e la segmentazione delle immagini, una delle sfide più complesse legate alla visione artificiale.

Il modello Mask RCNN genera riquadri di delimitazione e maschere di segmentazione per ogni istanza di un oggetto nell'immagine. Il modello si basa su Feature Pyramid Network (FPN) e su un backbone ResNet50.

Questo tutorial utilizza Tensorflow Keras APIs per addestrare il modello. L'API Keras è un'API TensorFlow di alto livello che può essere utilizzata per creare ed eseguire un modello di machine learning su Cloud TPU. L'API semplifica il processo di sviluppo del modello nascondendo la maggior parte dell'implementazione di basso livello, il che semplifica il passaggio tra TPU e altre piattaforme come GPU o CPU.

Le istruzioni riportate di seguito presuppongono che tu conosca già l'addestramento di un modello su Cloud TPU. Se non hai mai utilizzato Cloud TPU, puoi consultare la guida rapida per un'introduzione di base.

Obiettivi

  • Prepara il set di dati COCO
  • Crea un bucket Cloud Storage in cui inserire l'output del set di dati e del modello
  • Configurazione delle risorse TPU per l'addestramento e la valutazione
  • Esegui l'addestramento e la valutazione su una singola Cloud TPU o un pod di Cloud TPU

Costi

In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:

  • Compute Engine
  • Cloud TPU
  • Cloud Storage

Per generare una stima dei costi in base all'utilizzo previsto, utilizza il Calcolatore prezzi. I nuovi utenti di Google Cloud possono essere idonei a una prova senza costi aggiuntivi.

Prima di iniziare

Prima di iniziare questo tutorial, verifica che il tuo progetto Google Cloud sia configurato correttamente.

  1. Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.
  2. Nella console di Google Cloud Console, nella pagina del selettore dei progetti, seleziona o crea un progetto Google Cloud.

    Vai al selettore progetti

  3. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

  4. Nella console di Google Cloud Console, nella pagina del selettore dei progetti, seleziona o crea un progetto Google Cloud.

    Vai al selettore progetti

  5. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

  6. Questa procedura dettagliata utilizza i componenti fatturabili di Google Cloud. Consulta la pagina dei prezzi per Cloud TPU per una stima dei costi. Assicurati di pulire le risorse che crei quando hai finito di utilizzarle per evitare addebiti inutili.

Prepara il set di dati COCO

Questo tutorial utilizza il set di dati COCO. Il set di dati deve essere in formato TFRecord su un bucket Cloud Storage da utilizzare per l'addestramento.

Se hai già preparato il set di dati COCO in un bucket Cloud Storage che si trova nella zona che utilizzerai per addestrare il modello, puoi andare direttamente all'addestramento per singolo dispositivo. In caso contrario, segui questi passaggi per preparare il set di dati.

  1. Apri una finestra di Cloud Shell.

    Apri Cloud Shell

  2. In Cloud Shell, configura gcloud con il tuo ID progetto.

    export PROJECT_ID=project-id
    gcloud config set project ${PROJECT_ID}
    
  3. In Cloud Shell, crea un bucket Cloud Storage utilizzando questo comando:

    gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 gs://bucket-name
    
  4. Avviare un'istanza VM di Compute Engine.

    Questa istanza VM verrà utilizzata solo per scaricare e pre-elaborare il set di dati COCO. Inserisci un nome a tua scelta nel campo instance-name.

    $ gcloud compute tpus execution-groups create \
     --vm-only \
     --name=instance-name \
     --zone=europe-west4-a \
     --disk-size=300 \
     --machine-type=n1-standard-16 \
     --tf-version=2.12.0
    

    Descrizioni flag comando

    vm-only
    Crea solo una VM. Per impostazione predefinita, il comando gcloud compute tpus execution-groups crea una VM e una Cloud TPU.
    name
    Il nome della Cloud TPU da creare.
    zone
    La zona in cui prevedi di creare la Cloud TPU.
    disk-size
    Le dimensioni del disco rigido in GB della VM creata dal comando gcloud compute tpus execution-groups.
    machine-type
    Il tipo di macchina della VM di Compute Engine da creare.
    tf-version
    La versione di Tensorflow gcloud compute tpus execution-groups viene installata sulla VM.
  5. Se non hai eseguito automaticamente l'accesso all'istanza Compute Engine, accedi eseguendo il comando ssh riportato di seguito. Quando hai eseguito l'accesso alla VM, il prompt della shell cambia da username@projectname a username@vm-name:

      $ gcloud compute ssh instance-name --zone=europe-west4-a
      

  6. Configura due variabili, una per il bucket di archiviazione che hai creato in precedenza e una per la directory che contiene i dati di addestramento (DATA_DIR) nel bucket di archiviazione.

    (vm)$ export STORAGE_BUCKET=gs://bucket-name
    
    (vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
  7. Installa i pacchetti necessari per pre-elaborare i dati.

    (vm)$ sudo apt-get install -y python3-tk && \
      pip3 install --user Cython matplotlib opencv-python-headless pyyaml Pillow && \
      pip3 install --user "git+https://github.com/cocodataset/cocoapi#egg=pycocotools&subdirectory=PythonAPI"
    
  8. Esegui lo script download_and_preprocess_coco.sh per convertire il set di dati COCO in un set di TFRecord (*.tfrecord) previsto dall'applicazione di addestramento.

    (vm)$ git clone https://github.com/tensorflow/tpu.git
    (vm)$ sudo bash tpu/tools/datasets/download_and_preprocess_coco.sh ./data/dir/coco
    

    Questa operazione installa le librerie richieste ed esegue lo script di pre-elaborazione. Restituisce una serie di file *.tfrecord nella directory dei dati locale. Lo script di download e conversione COCO richiede circa un'ora.

  9. Copia i dati nel bucket Cloud Storage

    Dopo aver convertito i dati in TFRecord, copiali dallo spazio di archiviazione locale al bucket Cloud Storage utilizzando il comando gsutil. Devi anche copiare i file delle annotazioni. Questi file consentono di convalidare le prestazioni del modello.

    (vm)$ gsutil -m cp ./data/dir/coco/*.tfrecord ${DATA_DIR}
    (vm)$ gsutil cp ./data/dir/coco/raw-data/annotations/*.json ${DATA_DIR}
    
  10. Esegui la pulizia delle risorse VM

    Dopo che il set di dati COCO è stato convertito in TFRecords e copiato in DATA_DIR nel bucket Cloud Storage, puoi eliminare l'istanza di Compute Engine.

    Disconnettiti dall'istanza Compute Engine:

    (vm)$ exit
    

    Il prompt dovrebbe ora essere username@projectname, a indicare che ti trovi in Cloud Shell.

  11. Elimina l'istanza Compute Engine.

      $ gcloud compute instances delete instance-name
        --zone=europe-west4-a
      

Addestramento dispositivo singolo Cloud TPU

  1. Apri una finestra di Cloud Shell.

    Apri Cloud Shell

  2. Crea una variabile di ambiente per l'ID del progetto.

    export PROJECT_ID=project-id
  3. Configura Google Cloud CLI per utilizzare il progetto in cui vuoi creare la Cloud TPU.

    gcloud config set project ${PROJECT_ID}
    

    La prima volta che esegui questo comando in una nuova VM di Cloud Shell, viene visualizzata una pagina Authorize Cloud Shell. Fai clic su Authorize in fondo alla pagina per consentire a gcloud di effettuare chiamate API Google Cloud con le tue credenziali.

  4. Crea un account di servizio per il progetto Cloud TPU.

    gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
    

    Il comando restituisce un account di servizio Cloud TPU con il formato seguente:

    service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
    

  5. Esporta variabili di configurazione TPU

    Esporta l'ID progetto, il nome che vuoi utilizzare per le risorse TPU e la zona in cui addestrerai il modello e archivierai eventuali dati relativi all'addestramento.

    $ export TPU_NAME=mask-rcnn-tutorial
    $ export ZONE=europe-west4-a

  6. Avvia una VM di Compute Engine e Cloud TPU utilizzando il comando gcloud. Il comando da utilizzare dipende dall'utilizzo di VM TPU o nodi TPU. Per ulteriori informazioni sulle due architetture delle VM, consulta Architettura di sistema.

    VM TPU

    $ gcloud compute tpus tpu-vm create mask-rcnn-tutorial \
    --zone=europe-west4-a \
    --accelerator-type=v3-8 \
    --version=tpu-vm-tf-2.15.0-pjrt
    

    Descrizioni flag comando

    zone
    La zona in cui prevedi di creare la Cloud TPU.
    accelerator-type
    Il tipo di Cloud TPU da creare.
    version
    La versione software di Cloud TPU.

    Nodo TPU

    $ gcloud compute tpus execution-groups create  \
     --zone=europe-west4-a \
     --name=mask-rcnn-tutorial \
     --accelerator-type=v3-8 \
     --machine-type=n1-standard-8 \
     --disk-size=300 \
     --tf-version=2.12.0
    

    Descrizioni flag comando

    zone
    La zona in cui prevedi di creare la Cloud TPU.
    name
    Il nome della TPU. Se non specificato, il valore predefinito corrisponde al tuo nome utente.
    accelerator-type
    Il tipo di Cloud TPU da creare.
    machine-type
    Il tipo di macchina della VM di Compute Engine da creare.
    disk-size
    La dimensione del volume root della VM di Compute Engine (in GB).
    tf-version
    La versione di Tensorflow gcloud viene installata sulla VM.

    Per ulteriori informazioni sul comando gcloud, consulta la sezione Riferimento gcloud.

  7. Se non hai eseguito automaticamente l'accesso all'istanza Compute Engine, accedi eseguendo il comando ssh riportato di seguito. Quando hai eseguito l'accesso alla VM, il prompt della shell cambia da username@projectname a username@vm-name:

    VM TPU

    gcloud compute tpus tpu-vm ssh mask-rcnn-tutorial --zone=europe-west4-a
    

    Nodo TPU

    gcloud compute tpus execution-groups ssh mask-rcnn-tutorial --zone=europe-west4-a
    
  8. Installa i requisiti di TensorFlow.

    Il comando da utilizzare dipende dall'utilizzo di VM TPU o nodi TPU.

    VM TPU

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

    Nodo TPU

    (vm)$ pip3 install --user -r /usr/share/models/official/requirements.txt
    
  9. Imposta la variabile del nome di Cloud TPU.

    VM TPU

    (vm)$ export TPU_NAME=local
    

    Nodo TPU

    (vm)$ export TPU_NAME=mask-rcnn-tutorial
    
  10. Configura le seguenti variabili di ambiente, sostituendo bucket-name con il nome del bucket Cloud Storage in cui è archiviato il set di dati COCO:

    (vm)$ export STORAGE_BUCKET=gs://bucket-name
    
  11. Aggiungi variabili di ambiente per le directory dei dati e dei modelli.

    (vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
    (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/mask-rcnn
    
  12. Aggiungi altre variabili di ambiente obbligatorie:

    (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
    
  13. Imposta la variabile di ambiente PYTHONPATH:

    VM TPU

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

    Nodo TPU

    (vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
    
  14. Se imposti --version=tpu-vm-tf-2.15.0-pjrt durante la creazione della TPU, imposta le seguenti variabili di ambiente per abilitare il runtime PJRT:
      (vm)$ export NEXT_PLUGGABLE_DEVICE_USE_C_API=true
      (vm)$ export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
    
  15. Passa alla directory in cui è archiviato il modello:

    VM TPU

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

    Nodo TPU

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

Lo script seguente esegue un addestramento di esempio per dieci passaggi di addestramento e dieci passaggi di valutazione. Il completamento richiede circa 6 minuti su una TPU v3-8. L'addestramento alla convergenza richiede circa 22.500 passaggi e circa 6 ore su una TPU v3-8.

  1. Esegui questo comando per addestrare il modello 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"
    

    Descrizioni flag comando

    strategy_type
    La strategia di distribuzione.
    tpu
    Il nome della tua TPU.
    model_dir
    Specifica la directory in cui sono archiviati i checkpoint e i riepiloghi durante l'addestramento del modello. Se la cartella non è presente, il programma ne crea una. Quando utilizzi una Cloud TPU, model_dir deve essere un percorso Cloud Storage ("gs://..."). Puoi riutilizzare una cartella esistente per caricare i dati dei checkpoint attuali e per archiviare checkpoint aggiuntivi, purché i checkpoint precedenti siano stati creati utilizzando una TPU delle stesse dimensioni e versione di TensorFlow.

    Al termine dell'addestramento, viene visualizzato un messaggio simile al seguente:

    {'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}
    

    seguito dall'output dei passaggi di valutazione.

    Hai completato l'addestramento e la valutazione su un singolo dispositivo. Segui questi passaggi per eliminare le attuali risorse TPU per singolo dispositivo.

  2. Disconnettiti dall'istanza Compute Engine:

    (vm)$ exit
    

    Il prompt dovrebbe ora essere username@projectname, a indicare che ti trovi in Cloud Shell.

  3. Elimina la risorsa TPU.

    VM TPU

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

    Descrizioni flag comando

    zone
    La zona in cui si trovava la tua Cloud TPU.

    Nodo TPU

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

    Descrizioni flag comando

    tpu-only
    Elimina solo il Cloud TPU. La VM rimane disponibile.
    zone
    La zona che contiene la TPU da eliminare.

A questo punto, puoi concludere questo tutorial ed eseguire la pulizia oppure continuare ed esplorare l'esecuzione del modello sui pod di Cloud TPU.

Scalabilità del modello con i pod di Cloud TPU

L'addestramento del modello sui pod di Cloud TPU può richiedere alcune modifiche allo script di addestramento. Per informazioni, vedi Addestramento sui pod TPU.

Addestramento pod di TPU

  1. Apri una finestra di Cloud Shell.

    Apri Cloud Shell

  2. Crea una variabile per l'ID del progetto.

    export PROJECT_ID=project-id
    
  3. Configura Google Cloud CLI per utilizzare il progetto in cui vuoi creare Cloud TPU.

    gcloud config set project ${PROJECT_ID}
    

    La prima volta che esegui questo comando in una nuova VM di Cloud Shell, viene visualizzata una pagina Authorize Cloud Shell. Fai clic su Authorize in fondo alla pagina per consentire a gcloud di effettuare chiamate API Google Cloud con le tue credenziali.

  4. Crea un account di servizio per il progetto Cloud TPU.

    Gli account di servizio consentono al servizio Cloud TPU di accedere ad altri servizi Google Cloud.

    gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
    

    Il comando restituisce un account di servizio Cloud TPU con il formato seguente:

    service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
    

  5. Se in precedenza hai preparato il set di dati COCO e lo hai spostato nel bucket di archiviazione, puoi utilizzarlo di nuovo per l'addestramento dei pod. Se non hai ancora preparato il set di dati COCO, preparalo ora e torna qui per impostare l'addestramento.

  6. Avvia un pod di Cloud TPU

    Questo tutorial specifica un pod v3-32. Per altre opzioni relative ai pod, consulta la pagina dei tipi di TPU disponibili.

    VM TPU

    $ gcloud compute tpus tpu-vm create mask-rcnn-tutorial \
    --zone=europe-west4-a \
    --accelerator-type=v3-32 \
    --version=tpu-vm-tf-2.15.0-pod-pjrt
    

    Descrizioni flag comando

    zone
    La zona in cui prevedi di creare la Cloud TPU.
    accelerator-type
    Il tipo di Cloud TPU da creare.
    version
    La versione software di Cloud TPU.

    Nodo TPU

    (vm)$ gcloud compute tpus execution-groups create \
    --zone=europe-west4-a \
    --name=mask-rcnn-tutorial \
    --accelerator-type=v3-32  \
    --tf-version=2.12.0
    

    Descrizioni flag comando

    zone
    La zona in cui prevedi di creare la Cloud TPU.
    tpu-only
    Crea solo la Cloud TPU. Per impostazione predefinita, il comando gcloud compute tpus execution-groups crea sia una VM sia una Cloud TPU.
    accelerator-type
    Il tipo di Cloud TPU da creare.
    tf-version
    La versione di Tensorflow gcloud viene installata sulla VM.
  7. Se non hai eseguito automaticamente l'accesso all'istanza Compute Engine, accedi eseguendo il comando ssh riportato di seguito. Quando hai eseguito l'accesso alla VM, il prompt della shell cambia da username@projectname a username@vm-name:

    VM TPU

    gcloud compute tpus tpu-vm ssh mask-rcnn-tutorial --zone=europe-west4-a
    

    Nodo TPU

    gcloud compute ssh mask-rcnn-tutorial --zone=europe-west4-a
    
  8. Installa i requisiti di TensorFlow.

    Il comando da utilizzare dipende dall'utilizzo di VM TPU o nodi TPU.

    VM TPU

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

    Nodo TPU

    (vm)$ pip3 install --user -r /usr/share/models/official/requirements.txt
    
  9. Lo script di addestramento richiede un pacchetto aggiuntivo. Installalo ora:

    (vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3
    
  10. Imposta la variabile del nome di Cloud TPU.

    (vm)$ export TPU_NAME=mask-rcnn-tutorial
    
  11. Configura le seguenti variabili di ambiente, sostituendo bucket-name con il nome del tuo bucket Cloud Storage:

    (vm)$ export STORAGE_BUCKET=gs://bucket-name
    
  12. Aggiungi altre variabili di ambiente obbligatorie:

    (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
    
  13. Imposta la variabile di ambiente PYTHONPATH:

    VM TPU

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

    Nodo TPU

    (vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
    
  14. Passa alla directory in cui è archiviato il modello:

    VM TPU

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

    Nodo TPU

    (vm)$ cd /usr/share/models/official/legacy/detection
  15. Addestra il modello:

    Questa procedura addestra il modello sul set di dati COCO per 10 passaggi di addestramento. Questo addestramento richiede circa 10 minuti su una Cloud TPU v3-32.

    VM 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" 

    Descrizioni flag comando

    tpu
    Il nome della tua TPU.
    model_dir
    Specifica la directory in cui sono archiviati i checkpoint e i riepiloghi durante l'addestramento del modello. Se la cartella risulta mancante, il programma ne crea una. Quando utilizzi una Cloud TPU, model_dir deve essere un percorso Cloud Storage (gs://...). Puoi riutilizzare una cartella esistente per caricare i dati dei checkpoint attuali e per archiviare checkpoint aggiuntivi, purché quelli precedenti siano stati creati utilizzando Cloud TPU delle stesse dimensioni e versione di TensorFlow.
    params_override
    Una stringa JSON che sostituisce i parametri di script predefiniti.

    Nodo TPU

    (vm)$ python3 main.py \
    --strategy_type=tpu \
    --tpu=${TPU_NAME} \
    --model_dir=${MODEL_DIR} \
    --mode=train \
    --model=mask_rcnn \
    --params_override="{train: { batch_size: 128, iterations_per_loop: 500, total_steps: 20, learning_rate: {'learning_rate_levels': [0.008, 0.0008], 'learning_rate_steps': [10000, 13000] }, checkpoint: { path: ${RESNET_CHECKPOINT}, prefix: resnet50/ }, train_file_pattern: ${TRAIN_FILE_PATTERN} }, eval: { val_json_file: ${VAL_JSON_FILE}, eval_file_pattern: ${EVAL_FILE_PATTERN}} }"

    Descrizioni flag comando

    tpu
    Il nome della tua TPU.
    model_dir
    Specifica la directory in cui sono archiviati i checkpoint e i riepiloghi durante l'addestramento del modello. Se la cartella risulta mancante, il programma ne crea una. Quando utilizzi una Cloud TPU, model_dir deve essere un percorso Cloud Storage (gs://...). Puoi riutilizzare una cartella esistente per caricare i dati dei checkpoint attuali e per archiviare checkpoint aggiuntivi, purché quelli precedenti siano stati creati utilizzando Cloud TPU delle stesse dimensioni e versione di TensorFlow.
    params_override
    Una stringa JSON che sostituisce i parametri di script predefiniti.

Al termine dell'addestramento, viene visualizzato un messaggio simile al seguente:

 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}
 

Esegui la pulizia

Per evitare che al tuo Account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

Dopo aver eseguito l'addestramento, elimina la VM TPU e rimuovi il bucket di archiviazione.

  1. Disconnettiti dall'istanza Compute Engine, se non lo hai già fatto:

    (vm)$ exit
    

    Il prompt dovrebbe ora essere username@projectname, a indicare che ti trovi in Cloud Shell.

  2. Elimina le risorse Cloud TPU e Compute Engine. Il comando da utilizzare per eliminare le risorse dipende dall'utilizzo di VM TPU o nodi TPU. Per ulteriori informazioni, consulta la sezione Architettura di sistema.

    VM TPU

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

    Nodo TPU

    $ gcloud compute tpus execution-groups delete mask-rcnn-tutorial \
    --zone=europe-west4-a
    
  3. Esegui gcloud compute tpus execution-groups list per verificare che le risorse siano state eliminate. L'eliminazione potrebbe richiedere diversi minuti. L'output del comando seguente non deve includere nessuna delle risorse TPU create in questo tutorial:

    $ gcloud compute tpus execution-groups list --zone=europe-west4-a
    
  4. Esegui gsutil come mostrato, sostituendo bucket-name con il nome del bucket Cloud Storage che hai creato per questo tutorial:

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

Passaggi successivi

I tutorial su TensorFlow Cloud TPU in genere addestrano il modello utilizzando un set di dati di esempio. I risultati di questo addestramento non sono utilizzabili per l'inferenza. Per utilizzare un modello per l'inferenza, puoi addestrare i dati su un set di dati disponibile pubblicamente o su un tuo set di dati. I modelli TensorFlow addestrati sulle Cloud TPU in genere richiedono che i set di dati siano in formato TFRecord.

Puoi utilizzare l'esempio dello strumento di conversione del set di dati per convertire un set di dati di classificazione delle immagini nel formato TFRecord. Se non utilizzi un modello di classificazione delle immagini, dovrai convertire tu stesso il set di dati nel formato TFRecord. Per ulteriori informazioni, vedi TFRecord e tf.Example.

Ottimizzazione degli iperparametri

Per migliorare le prestazioni del modello con il set di dati, puoi ottimizzare gli iperparametri del modello. Puoi trovare informazioni sugli iperparametri comuni a tutti i modelli TPU supportati su GitHub. Le informazioni sugli iperparametri specifici del modello sono disponibili nel codice sorgente di ciascun modello. Per ulteriori informazioni sull'ottimizzazione degli iperparametri, consulta Panoramica dell'ottimizzazione degli iperparametri, Utilizzo del servizio di ottimizzazione degli iperparametri e Ottimizza gli iperparametri.

Inferenza

Una volta addestrato il modello, puoi utilizzarlo per l'inferenza (detta anche previsione). AI Platform è una soluzione basata su cloud per lo sviluppo, l'addestramento e il deployment di modelli di machine learning. Dopo aver eseguito il deployment di un modello, puoi utilizzare il servizio di previsione di AI Platform.