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 和 COCO 数据集运行 Mask RCNN 模型。

Mask RCNN 是一种深度神经网络，旨在解决对象检测和图像分割问题，这是一项难度较大的计算机视觉挑战。

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 APIs 训练模型。Keras API 是一种高级 TensorFlow API，是在 Cloud TPU 上构建和运行机器学习模型的推荐方法。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。

以下说明假设您已熟悉如何在 Cloud TPU 上运行模型。如果您刚接触 Cloud TPU，则可以参阅快速入门获取基本介绍。

如果您计划在 TPU Pod 切片上训练，请参阅在 TPU Pod 上训练，以了解 Pod 切片所需的参数更改。

目标

创建 Cloud Storage 存储分区以保存数据集和模型输出
准备 COCO 数据集
设置 Compute Engine 虚拟机和 Cloud TPU 节点以进行训练和评估
在单个 Cloud TPU 或 Cloud TPU Pod 上运行训练和评估

费用

本教程使用 Google Cloud 的以下收费组件：

Compute Engine
Cloud TPU
Cloud Storage

请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 帐号。如果您是 Google Cloud 新手，请创建一个帐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 的项目选择器页面上，选择或创建一个 Google Cloud 项目。

注意：如果您不打算保留在此过程中创建的资源，请创建新的项目，而不要选择现有的项目。完成本教程介绍的步骤后，您可以删除所创建的项目，并移除与该项目关联的所有资源。

转到“项目选择器”

确保您的 Cloud 项目已启用结算功能。了解如何确认您的项目是否已启用结算功能。

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。

如果您计划在 TPU Pod 切片上训练，请参阅在 TPU Pod 上训练，以了解 Pod 切片所需的参数更改。

设置资源

本部分介绍如何为此教程设置 Cloud Storage、虚拟机和 Cloud TPU 资源。

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 gcloud 命令行工具，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 GCP API 调用。

为 Cloud TPU 项目创建服务帐号。

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 服务帐号：

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

使用以下命令创建 Cloud Storage 存储分区：
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。
```
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 -b on gs://bucket-name
```
此 Cloud Storage 存储分区存储您用于训练模型的数据和训练结果。本教程中使用的 ctpu up 工具会为您在上一步中设置的 Cloud TPU 服务帐号设置默认权限。如果您需要更精细的权限，请查看访问级层权限。

存储分区位置必须与虚拟机 (VM) 和 TPU 节点位于同一区域。虚拟机和 TPU 节点位于特定地区，即区域内的细分。
使用 ctpu up 命令启动 Compute Engine 虚拟机。
```
$ ctpu up --project=${PROJECT_ID} \
 --zone=europe-west4-a \
 --vm-only \
 --disk-size-gb=300 \
 --machine-type=n1-standard-8 \
 --name=mask-rcnn-tutorial \
 --tf-version=2.5.0
```
命令标志说明

project
您的 GCP 项目 ID
zone
拟在其中创建 Cloud TPU 的区域。

vm-only

创建虚拟机，而不创建 Cloud TPU。默认情况下，ctpu up 命令会同时创建虚拟机和 Cloud TPU。

disk-size-gb
由 ctpu up 命令创建的虚拟机的硬盘大小（以 GB 为单位）。

machine-type
要创建的 Compute Engine 虚拟机的机器类型。

name
要创建的 Cloud TPU 的名称。

tf-version
在虚拟机上安装的 Tensorflow ctpu 的版本。
此时会显示您指定的配置。输入 y 以批准或输入 n 以取消。
当 ctpu up 命令执行完毕后，验证 shell 提示符已从 username@projectname 更改为 username@vm-name。此变化表明您现已登录 Compute Engine 虚拟机。

注意：第一次在项目上运行 ctpu up 时，可能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。在 SSH 密钥传播过程中，偶尔会返回错误消息(ERROR: (gcloud.compute.ssh) [/usr/bin/ssh] exited with return code [255])。如果发生这种情况，请运行以下命令来解决问题。
```
gcloud compute ssh mask-rcnn-tutorial --zone=europe-west4-a
```
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。

安装另外的软件包

为了使用 Mask RCNN 训练应用，您需要安装另外几个软件包。请立即安装：

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

准备数据

为存储分区添加环境变量。将 bucket-name 替换为您的存储分区名称。
```
(vm)$ export STORAGE_BUCKET=gs://bucket-name
```

为数据目录添加环境变量。

(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco

为模型目录添加环境变量。

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

运行 download_and_preprocess_coco.sh 脚本，将 COCO 数据集转换为训练应用所需的一组 TFRecord (*.tfrecord)。

注意：COCO 下载和转换脚本大约需要 1 小时才能完成。如果 Cloud Shell 超时，请使用 nohup 命令重新运行脚本，该命令可让您重新连接到虚拟机并查看脚本的任何输出。
```
(vm)$ sudo bash /usr/share/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。它会向您的本地数据目录中输出很多 *.tfrecord 文件。
将数据复制到 Cloud Storage 存储分区

将数据转换为 TFRecord 后，使用 gsutil 命令将其从本地存储空间复制到 Cloud Storage 存储分区。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)$ gsutil -m cp ./data/dir/coco/*.tfrecord ${DATA_DIR}
```
```
(vm)$ gsutil cp ./data/dir/coco/raw-data/annotations/*.json ${DATA_DIR}
```

设置并开始训练 Cloud TPU

运行以下命令以创建 Cloud TPU。
```
(vm)$ ctpu up --project=${PROJECT_ID} \
  --tpu-only \
  --tpu-size=v3-8 \
  --zone=europe-west4-a \
  --name=mask-rcnn-tutorial \
  --tf-version=2.5.0
```
命令标志说明

project
您的 GCP 项目 ID
tpu-only

仅创建 Cloud TPU。默认情况下，ctpu up 命令会同时创建虚拟机和 Cloud TPU。

tpu-size
要创建的 Cloud TPU 的类型。

zone
拟在其中创建 Cloud TPU 的区域。

name
要创建的 Cloud TPU 的名称。

tf-version
在虚拟机上安装的 Tensorflow ctpu 的版本。
此时会显示您指定的配置。输入 y 以批准或输入 n 以取消。

您会看到一条消息：Operation success; not ssh-ing to Compute Engine VM due to --tpu-only flag。由于您之前已完成 SSH 密钥传播，因此可以忽略此消息。
为您的 Cloud TPU 名称添加环境变量。
```
(vm)$ export TPU_NAME=mask-rcnn-tutorial
```

运行训练和评估

以下脚本在 v3-8 TPU 上运行一个示例训练，其中将仅训练 10 个步骤，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。

添加一些必需的环境变量：

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

运行以下命令以训练 Mask-RCNN 模型：

(vm)$ python3 /usr/share/models/official/vision/detection/main.py \
   --strategy_type=tpu \
   --tpu=${TPU_NAME} \
   --model_dir=${MODEL_DIR} \
   --mode=train \
   --model=mask_rcnn \
   --params_override="{train: { total_steps: 10, 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}, eval_samples: 5000} }"

参数	说明
`tpu`	用于指定 Cloud TPU 的名称。这通过指定环境变量 (`TPU_NAME`) 进行设置。
`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 TPU 和相同 Tensorflow 版本创建的即可。
`RESNET_CHECKPOINT`	用于指定预训练的检查点。Mask-RCNN 需要预先训练的图片分类模型（如 ResNet）作为骨干网。此示例使用通过 ResNet 演示模型创建的预训练检查点。您如果愿意，可以训练自己的 ResNet 模型，并从自己的 ResNet 模型目录中指定一个检查点。

运行评估：

(vm)$ python3 /usr/share/models/official/vision/detection/main.py \
   --strategy_type=tpu \
   --tpu=${TPU_NAME} \
   --model_dir=${MODEL_DIR} \
   --checkpoint_path=${MODEL_DIR} \
   --mode=eval_once \
   --model=mask_rcnn \
   --params_override="{eval: { val_json_file: ${VAL_JSON_FILE}, eval_file_pattern: ${EVAL_FILE_PATTERN}, eval_samples: 5000 } }"

参数说明

tpu 用于指定 Cloud TPU 的名称。这通过指定环境变量 (TPU_NAME) 进行设置。

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 TPU 和相同 Tensorflow 版本创建的即可。

此时，您可以结束本教程并清理 GCP 资源，也可以进一步了解如何在 Cloud TPU Pod 上运行模型。

使用 Cloud TPU Pod 扩缩模型

您可以使用 Cloud TPU Pod 扩缩模型，以便更快获得结果。完全受支持的 Mask RCNN 模型可与以下 Pod 切片配合使用：

v2-32
v3-32

使用 Cloud TPU Pod 时，首先使用 Pod 训练模型，然后使用单台 Cloud TPU 设备评估模型。

使用 Cloud TPU Pod 进行训练

如果您已经删除了 Compute Engine 实例，请按照设置资源中的步骤创建一个新实例。

以下示例训练仅运行 20 个步骤，在 v3-32 TPU 节点上完成大约需要 10 分钟。在 v3-32 TPU Pod 上，训练到收敛需要大约 11250 个步骤和大约 2 小时。

删除您为在单个 Cloud TPU 设备上训练模型而创建的 Cloud TPU 资源。
```
(vm)$ ctpu delete --tpu-only --zone=europe-west4-a --name=mask-rcnn-tutorial
```

运行 ctpu up 命令，并使用 tpu-size 参数指定要使用的 Pod 切片。例如，以下命令使用 v3-32 Pod 切片。

(vm)$ ctpu up --project=${PROJECT_ID} \
  --tpu-only \
  --tpu-size=v3-32  \
  --zone=europe-west4-a \
  --name=mask-rcnn-tutorial \
  --tf-version=2.5.0

更新 TPU_NAME 和 MODEL_DIR 环境变量。

(vm)$ export TPU_NAME=mask-rcnn-tutorial
(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/mask-rcnn-pods

启动训练脚本。

(vm)$ python3 /usr/share/models/official/vision/detection/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}} }"

参数	说明
`tpu`	用于指定 Cloud TPU 的名称。这通过指定环境变量 (`TPU_NAME`) 进行设置。
`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 TPU 和相同 Tensorflow 版本创建的即可。
`RESNET_CHECKPOINT`	用于指定预训练的检查点。Mask-RCNN 需要预先训练的图片分类模型（如 ResNet）作为骨干网。此示例使用通过 ResNet 演示模型创建的预训练检查点。您如果愿意，可以训练自己的 ResNet 模型，并从自己的 ResNet 模型目录中指定一个检查点。

评估模型

在此步骤中，您将使用单个 Cloud TPU 节点针对 COCO 数据集评估上述经过训练的模型。此评估大约需要 20 分钟。

删除您为在 Pod 上训练模型而创建的 Cloud TPU 资源。

(vm)$ ctpu delete --project=${PROJECT_ID} \
 --tpu-only \
 --zone=europe-west4-a \
 --name=mask-rcnn-tutorial

启动新的 TPU 设备来运行评估。

(vm)$ ctpu up --project=${PROJECT_ID} \
  --tpu-only \
  --tpu-size=v3-8 \
  --zone=europe-west4-a \
  --tf-version=2.5.0 \
  --name=mask-rcnn-tutorial

更新 TPU_NAME 环境变量。

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

开始评估。

(vm)$ python3 /usr/share/models/official/vision/detection/main.py \
   --strategy_type=tpu \
   --tpu=mask-rcnn-tutorial \
   --model_dir=${MODEL_DIR} \
   --checkpoint_path=${MODEL_DIR} \
   --mode=eval_once \
   --model=mask_rcnn \
   --params_override="{eval: { val_json_file: ${VAL_JSON_FILE}, eval_file_pattern: ${EVAL_FILE_PATTERN}, eval_samples: 5000 } }"

清理

为避免因本教程中使用的资源导致您的 Google Cloud 帐号产生费用，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。

清理 Compute Engine 虚拟机实例和 Cloud TPU 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。
在虚拟机或 Cloud Shell 中，使用您在设置 Cloud TPU 时使用的 --name 和 --zone 标志运行 ctpu delete，以删除 Cloud TPU：
```
$ ctpu delete --project=${PROJECT_ID} \
  --name=mask-rcnn-tutorial \
  --zone=europe-west4-a
```

运行以下命令以验证 Compute Engine 虚拟机和 Cloud TPU 均已关停：

$ ctpu status --project=${PROJECT_ID} \
  --name=mask-rcnn-tutorial \
  --zone=europe-west4-a

删除操作可能需要几分钟时间才能完成。如下所示的响应表明不再有已分配的实例：

2018/04/28 16:16:23 WARNING: Setting zone to "europe-west4-a"
No instances currently exist.
        Compute Engine VM:     --
        Cloud TPU:             --

如下所示运行 gsutil，将 bucket-name 替换为您为本教程创建的 Cloud Storage 存储分区的名称：
```
$ gsutil rm -r gs://bucket-name
```

后续步骤

在本教程中，您已使用示例数据集训练 Mask-RCNN 模型。此训练的结果（在大多数情况下）不能用于推断。要使用模型进行推断，您可以在公开提供的数据集或您自己的数据集上训练数据。在 Cloud TPU 上训练的模型要求数据集采用 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。如果您未使用图片分类模型，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

超参数调节

如需使用数据集提升模型的性能，您可以调节模型的超参数。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节，请参阅超参数调节概览、使用超参数调节服务和调节超参数。

推理

训练模型后，您可以使用该模型进行推断（也称为预测）。AI Platform 是一款基于云的解决方案，用于开发、训练和部署机器学习模型。部署模型后，您可以使用 AI Platform Prediction 服务。

详细了解 ctpu，包括如何在本地机器上安装。
探索 TensorBoard 中的 TPU 工具。