Entrena MnasNet en Cloud TPU

En este instructivo, se muestra cómo entrenar el modelo MnasNet de Tensorflow con un dispositivo de Cloud TPU o una porción de pod de Cloud TPU (varios dispositivos de TPU). Puedes aplicar el mismo patrón a otros modelos de clasificación de imágenes optimizados por TPU que usan TensorFlow y el conjunto de datos ImageNet.

Descripción del modelo

El modelo de este instructivo se basa en MnasNet: búsqueda de arquitecturas neuronales por plataforma para dispositivos móviles, que primero presenta la arquitectura de red neuronal móvil de AutoML (MnasNet). En el instructivo, se usa la variante de última generación “mnasnet-a1” y se demuestra cómo entrenar al modelo mediante TPUEstimator.

Consideraciones especiales para entrenar en una porción de pod (v2-32 o v3-32 y posteriores)

Si planeas entrenar en una porción de pod de TPU, asegúrate de leer este documento que explica las consideraciones especiales para entrenar en una porción de pod.

Objetivos

  • Crear un depósito de Cloud Storage para almacenar el resultado de tu modelo y tu conjunto de datos
  • Ejecutar el trabajo de entrenamiento
  • Verificar los resultados de salida

Costos

En este instructivo, se usan componentes facturables de Google Cloud, que incluyen los siguientes:

  • Compute Engine
  • Cloud TPU
  • Cloud Storage

Usa la calculadora de precios para generar una estimación de los costos según el uso previsto.

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.

  1. Accede a tu Cuenta de Google.

    Si todavía no tienes una cuenta, regístrate para obtener una nueva.

  2. En la página de selección de proyectos de Cloud Console, selecciona o crea un proyecto de Cloud.

    Ir a la página Selector de proyectos

  3. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud. Obtén información sobre cómo confirmar que tienes habilitada la facturación para tu proyecto.

  4. En esta explicación, se usan componentes facturables de Google Cloud. Consulta la página de precios de Cloud TPU para calcular los costos. Asegúrate de limpiar los recursos que crees cuando hayas terminado de usarlos para evitar cargos innecesarios.

Configura tus recursos

En esta sección, se proporciona información sobre cómo configurar los recursos de Cloud Storage, VM y Cloud TPU para instructivos.

  1. Abre una ventana de Cloud Shell.

    Abre Cloud Shell

  2. Crea una variable para el ID de tu proyecto.

    export PROJECT_ID=project-id
    
  3. Configura la herramienta de línea de comandos gcloud para usar el proyecto en el que deseas crear Cloud TPU.

    gcloud config set project ${PROJECT_ID}
    
  4. Crea un depósito de Cloud Storage con el siguiente comando: Reemplaza bucket-name por un nombre para tu depósito.

    gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 -b on gs://bucket-name
    

    Este depósito de Cloud Storage almacena los datos que usas para entrenar tu modelo y los resultados del entrenamiento. La herramienta ctpu up que se usa en este instructivo configura los permisos predeterminados para la cuenta de servicio de Cloud TPU. Si quieres contar con permisos más detallados, revisa los permisos de nivel de acceso.

    La ubicación del depósito debe estar en la misma región que tu máquina virtual (VM) y tu nodo TPU. Las VM y los nodos TPU se encuentran en zonas específicas, que son subdivisiones dentro de una región.

  5. Inicia los recursos de Compute Engine necesarios para este instructivo con el comando ctpu up.

    ctpu up --zone=europe-west4-a \
    --vm-only \
    --disk-size-gb=300 \
    --machine-type=n1-standard-8 \
    --tf-version=1.15.3 \
    --name=mnasnet-tutorial
    

    Para obtener más información sobre la utilidad de CTPU, consulta la Referencia de CTPU.

  6. Cuando se te solicite, presiona y a fin de crear tus recursos de Cloud TPU.

    Cuando el comando ctpu up termine de ejecutarse, verifica que el indicador de shell haya cambiado de username@projectname a username@vm-name. Este cambio indica que accediste a tu VM de Compute Engine. Si no estás conectado a la instancia de Compute Engine, puedes hacerlo mediante la ejecución del comando siguiente:

    gcloud compute ssh mnasnet-tutorial --zone=europe-west4-a
    

    A partir de este momento, el prefijo (vm)$ indica que debes ejecutar el comando en la instancia de VM de Compute Engine.

  7. Crea una variable de entorno para el depósito de almacenamiento. Reemplaza bucket-name por el nombre del depósito de Cloud Storage.

    (vm)$ export STORAGE_BUCKET=gs://bucket-name
    
  8. Crea una variable de entorno para el directorio del modelo.

    (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/mnasnet
    
  9. Agrega la carpeta /models de nivel superior a la ruta de Python con el comando siguiente

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

Ubica los datos

ImageNet es una base de datos de imágenes. Las imágenes de la base de datos están organizadas de forma jerárquica, y cada nodo de la jerarquía contiene cientos y miles de imágenes.

En este instructivo, se usa una versión de demostración del conjunto de datos completo de ImageNet, denominado fake_imagenet. Esta versión de demostración permite probar el instructivo, a la vez que se reducen los requisitos de almacenamiento y tiempo que se suelen asociar con la ejecución de un modelo en el conjunto de datos completo de ImageNet.

El conjunto de datos fake_imagenet se encuentra en esta ubicación de Cloud Storage:

gs://cloud-tpu-test-datasets/fake_imagenet

  1. Crea una variable de entorno para el directorio de datos.

    (vm)$ export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet
    

El conjunto de datos fake_imagenet solo es útil para comprender cómo usar una Cloud TPU y validar el rendimiento de extremo a extremo. Los números de exactitud y el modelo guardado no serán significativos.

Para obtener información sobre cómo descargar y procesar el conjunto de datos de ImageNet completo, consulta la página sobrecómo descargar, preprocesar y subir el conjunto de datos de ImageNet.

Entrena el modelo MnasNet con fake_imagenet

El modelo de TPU Mnasnet viene preinstalado en la VM de Compute Engine en el siguiente directorio:

/usr/share/tpu/models/official/mnasnet/

  1. Inicia un recurso de Cloud TPU con la utilidad ctpu y configura algunas variables de entorno usadas más tarde.

    (vm)$ ctpu up --tpu-only 
    --tf-version=1.15.3
    --name=mnasnet-tutorial

    (vm)$ export TPU_NAME=mnasnet-tutorial
    
  2. Navega al directorio de modelos:

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

  3. Ejecuta la secuencia de comandos de entrenamiento.

    (vm)$ python3 mnasnet_main.py \
      --tpu=${TPU_NAME} \
      --data_dir=${DATA_DIR} \
      --model_dir=${MODEL_DIR} \
      --model_name="mnasnet-a1" \
      --skip_host_call=true \
      --train_steps=109474 \
      --train_batch_size=4096
    • --tpu especifica el nombre de Cloud TPU. Ten en cuenta que ctpu pasa este nombre a la VM de Compute Engine como una variable de entorno (TPU_NAME).
    • --data_dir especifica la ruta de Cloud Storage para la entrada de entrenamiento.
    • --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 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 mediante TPU del mismo tamaño y versión de TensorFlow.

      Para un solo dispositivo de Cloud TPU, el procedimiento entrena el modelo MnasNet (variante mnasnet-a1) durante 350 ciclos de entrenamiento y lo evalúa cada cierto número fijo de pasos. Con las marcas especificadas, el entrenamiento del modelo tarda unas 23 horas. Con los datos reales de imagenet, la configuración reproducirá el resultado de la investigación de última generación, mientras que los usuarios podrán ajustar la velocidad de entrenamiento.

Escala tu modelo con pods de Cloud TPU

Puedes obtener resultados más rápidos si escalas tu modelo con pods de Cloud TPU. El modelo de Mnasnet totalmente compatible puede funcionar con las siguientes porciones de pod:

  • v2-32
  • v2-128
  • v2-256
  • v2-512
  • v3-32
  • v3-128
  • v3-256
  • v3-512
  • v3-1024
  • v3-2048

Cuando trabajes con pods de Cloud TPU, primero entrena el modelo con un pod y, luego, usa un solo dispositivo Cloud TPU para evaluar el modelo.

Entrena con pods de Cloud TPU

  1. Borra el recurso de Cloud TPU que creaste a fin de entrenar el modelo en un solo dispositivo.

     (vm)$ ctpu delete --tpu-only --name=mnasnet-tutorial
    
  2. Ejecuta el comando ctpu up con el parámetro tpu-size para especificar la porción de pod que deseas usar. Por ejemplo, el comando siguiente usa una porción de pod v2-32.

      (vm)$ ctpu up --tpu-only --tpu-size=v2-32 --tf-version=1.15.3 --name=Cloud TPU
    
  3. Actualiza las variables de entorno TPU_NAME.

    (vm)$ export TPU_NAME=Cloud TPU
    
  4. Actualiza el directorio MODEL_DIR para almacenar los datos de entrenamiento.

    (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/Cloud TPU
    
  5. Para entrenar el modelo, ejecuta la siguiente secuencia de comandos.

    La secuencia de comandos entrena el modelo en el conjunto de datos fake_imagnet en 35 ciclos de entrenamiento. Este proceso demora unos 90 minutos en ejecutarse en una v3-128 Cloud TPU.

    (vm)$ python3 mnasnet_main.py \
      --tpu=${TPU_NAME} \
      --data_dir=${DATA_DIR} \
      --model_dir=${MODEL_DIR} \
      --model_name="mnasnet-a1" \
      --skip_host_call=true \
      --train_steps=109474 \
      --train_batch_size=4096
    
    • --tpu especifica el nombre de Cloud TPU. Ten en cuenta que ctpu pasa este nombre a la VM de Compute Engine como una variable de entorno (TPU_NAME).
    • --data_dir especifica la ruta de Cloud Storage para la entrada de entrenamiento.
    • --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 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 mediante TPU del mismo tamaño y versión de TensorFlow.

    El procedimiento entrena el modelo MnasNet (variante mnasnet-a1) en el conjunto de datos fake_imagent en 350 ciclos de entrenamiento. Debería demorar unas 5 horas.

Evalúa el modelo

En este conjunto de pasos, usas Cloud TPU para evaluar el modelo entrenado anterior en los datos de validación de fake_imagenet.

  1. Borra el recurso de Cloud TPU que creaste para entrenar el modelo en un pod.

    (vm)$ ctpu delete --tpu-only --name=${TPU_NAME}
  2. Inicia una Cloud TPU v2-8. Usa el mismo nombre que usaste para la VM de Compute Engine, que aún debería estar en ejecución.

    (vm)$ ctpu up --tpu-only --tf-version=1.15.3 --name=mnasnet-eval
    
  3. Crea una variable de entorno para el nombre de TPU.

    (vm)$ export TPU_NAME=mnasnet-eval
    
  4. Crea una variable de entorno para tu tipo de acelerador.

    (vm)$ export ACCELERATOR_TYPE=v3-8
    
  5. Ejecuta la evaluación del modelo. Esta vez, agrega la marca mode y configúrala como eval.

    (vm)$ python3 mnasnet_main.py \
      --tpu=${TPU_NAME} \
      --data_dir=${DATA_DIR} \
      --model_dir=${MODEL_DIR} \
      --mode=eval \
      --config_file=configs/cloud/${ACCELERATOR_TYPE}.yaml
    

    Esto genera un resultado similar al que se muestra a continuación:

       Eval results: {'loss': 7.532023,
       'top_1_accuracy': 0.0010172526,
       'global_step': 100,
       'top_5_accuracy': 0.005065918}.
       Elapsed seconds: 88
    

Limpia

Para evitar que se apliquen cargos a tu cuenta de GCP por los recursos usados en este tema, realiza los siguientes pasos:

  1. Desconéctate de la VM de Compute Engine:

    (vm)$ exit
    

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

  2. En Cloud Shell, ejecuta ctpu delete con la marca --zone que usaste cuando configuraste la Cloud TPU para borrar la VM de Compute Engine y la Cloud TPU:

    $ ctpu delete --zone=europe-west4-a --name=mnasnet-tutorial
    
  3. Ejecuta ctpu status para asegurarte de no tener instancias asignadas y así evitar cargos innecesarios por el uso de TPU. La eliminación puede tomar varios minutos. Una respuesta como la que se muestra a continuación indica que no hay más instancias asignadas:

    $ ctpu status --zone=europe-west4-a
    
    2018/04/28 16:16:23 WARNING: Setting zone to "europe-west4-a"
    No instances currently exist.
    Compute Engine VM:     --
    Cloud TPU:             --
  4. Ejecuta gsutil como se muestra y reemplaza bucket-name por el nombre del depósito de Cloud Storage que creaste para este instructivo:

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

¿Qué sigue?

En este instructivo, entrenaste el modelo MNASNET con un conjunto de datos de muestra. Los resultados de esta capacitación (en la mayoría de los casos) 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. Los modelos entrenados en Cloud TPU requieren que los conjuntos de datos tengan el formato 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 tu conjunto de datos en formato TFRecord tú mismo. 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 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 para cada modelo. Para obtener más información sobre el ajuste de hiperparámetros, consulta Descripción general del ajuste de hiperparámetros, Usa el servicio de ajuste de hiperparámetros y Ajusta los hiperparámetros.

Inferencia

Una vez que entrenaste tu modelo, puedes usarlo para la inferencia (también llamada predicción). AI Platform es una solución basada en la nube que sirve para desarrollar, entrenar e implementar modelos de aprendizaje automático. Una vez que se implementa un modelo, puedes usar el servicio de AI Platform Prediction.