Ejecuta MNIST en Cloud TPU (TF 2.x)

Este instructivo contiene una descripción de nivel alto del modelo MNIST, instrucciones sobre cómo descargar la muestra de código de TPU de TensorFlow de MNIST y una guía para ejecutar el código en Cloud TPU.

Renuncia de responsabilidad

En este instructivo, se utiliza un conjunto de datos de terceros. Google no hace ninguna declaración ni entrega garantía alguna acerca de la validez o cualquier otro aspecto de este conjunto de datos.

Descripción del modelo

El conjunto de datos MNIST contiene una gran cantidad de imágenes de dígitos de escritura a mano en el rango del 0 al 9, así como las etiquetas que identifican el dígito en cada imagen.

En este instructivo, se entrena un modelo de aprendizaje automático para clasificar imágenes según un conjunto de datos MNIST. Luego del entrenamiento, el modelo clasifica las imágenes entrantes en 10 categorías (0 a 9) según lo aprendido sobre las imágenes de escritura a mano del conjunto de datos MNIST. Luego, puedes enviarle al modelo una imagen que no haya visto antes, y el modelo identifica el dígito según lo que aprendió durante el entrenamiento.

El conjunto de datos MNIST se divide en tres partes:

60,000 ejemplos de datos de entrenamiento
10,000 ejemplos de datos de prueba
5,000 ejemplos de datos de validación

El modelo tiene una mezcla de siete capas:

2 de convolución
2 de agrupación máxima
2 de densidad (totalmente conectadas)
1 de abandono

Las pérdidas se calculan a través de la entropía cruzada.

Esta versión del modelo MNIST usa la API de Keras, una forma recomendada de compilar y ejecutar un modelo de aprendizaje automático en Cloud TPU.

Keras simplifica el proceso de desarrollo del modelo. Para ello, oculta la mayor parte de la implementación de bajo nivel, lo que también facilita el cambio entre TPU y otras plataformas de prueba, como GPU o CPU.

Objetivos

Crear un bucket 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 documento, usarás los siguientes componentes facturables de Google Cloud:

Compute Engine
Cloud TPU
Cloud Storage

Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios. Es posible que los usuarios nuevos de Google Cloud califiquen para obtener una prueba gratuita.

Antes de comenzar

En esta sección, se proporciona información sobre cómo configurar el bucket de Cloud Storage y una VM de Compute Engine.

Abre una ventana de Cloud Shell.

Abra Cloud Shell
Crea una variable para el ID de tu proyecto.
```
export PROJECT_ID=project-id
```
Configura Google Cloud CLI para usar el proyecto en el que deseas crear Cloud TPU.
```
gcloud config set project ${PROJECT_ID}
```
La primera vez que ejecutes este comando en una VM de Cloud Shell nueva, se mostrará la página Authorize Cloud Shell. Haz clic en Authorize en la parte inferior de la página para permitir que gcloud realice llamadas a la API de Google Cloud con tus credenciales.

Crea una cuenta de servicio para el proyecto de Cloud TPU.

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

El comando muestra una cuenta de servicio de Cloud TPU con el siguiente formato:

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

Crea un bucket de Cloud Storage con el siguiente comando:

Nota: En el siguiente comando, reemplaza bucket-name por el nombre que deseas asignar a tu bucket.
```
gsutil mb -p ${PROJECT_ID} -c standard -l us-central1 gs://bucket-name
```
Este bucket de Cloud Storage almacena los datos que usas para entrenar tu modelo y los resultados del entrenamiento. Con la herramienta gcloud que se usa en este instructivo, se configuran los permisos predeterminados para la cuenta de servicio de Cloud TPU que configuraste en el paso anterior. Si quieres contar con permisos más detallados, revisa los permisos de nivel de acceso.
Inicia una VM de Compute Engine y Cloud TPU con el comando gcloud. El comando que uses depende de si usas VM de TPU o nodos TPU. Para obtener más información, consulta Arquitectura del sistema.
VM de TPU
```
$ gcloud compute tpus tpu-vm create mnist-tutorial \
--zone=us-central1-b \
--accelerator-type=v3-8 \
--version=tpu-vm-tf-2.16.1-pjrt \
--preemptible
```
Descripciones de las marcas de comandos

zone

Es la zona en la que deseas crear la Cloud TPU.

accelerator-type

El tipo de acelerador especifica la versión y el tamaño de la Cloud TPU que quieres crear. Si quieres obtener más información sobre los tipos de aceleradores compatibles con cada versión de TPU, consulta las versiones de TPU.

version

La versión de software de Cloud TPU.

preemptible

Las TPU interrumpibles cuestan menos, pero pueden cerrarse en cualquier momento.
Nodo TPU
```
$ gcloud compute tpus execution-groups create \
--name=mnist-tutorial \
--zone=us-central1-b \
--tf-version=2.12.0 \
--machine-type=n1-standard-1 \
--accelerator-type=v3-8 \
--preemptible
```
Descripciones de las marcas de comandos

name

Es el nombre de la Cloud TPU que se creará.

zone

Es la zona en la que deseas crear la Cloud TPU.

tf-version

La versión de TensorFlow que el comando gcloud instala en tu VM.

machine-type

El tipo de máquina de la VM de Compute Engine que se creará.

accelerator-type

El tipo de Cloud TPU que se creará.

preemptible

Las TPU interrumpibles cuestan menos, pero pueden cerrarse en cualquier momento.
Para obtener más información sobre el comando de gcloud, consulta la Referencia de gcloud.
Cuando el comando gcloud compute tpus 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 conectarte mediante la ejecución del comando siguiente:
VM de TPU
```
gcloud compute tpus tpu-vm ssh mnist-tutorial --zone=us-central1-b
```
Nodo TPU
```
gcloud compute ssh mnist-tutorial --zone=us-central1-b
```
Mientras sigues estas instrucciones, ejecuta cada comando que empiece con (vm)$ en la ventana de sesión de tu VM.
Crea una variable de entorno para el nombre de la TPU.
VM de TPU
```
(vm)$ export TPU_NAME=local
```
Nodo TPU
```
(vm)$ export TPU_NAME=mnist-tutorial
```

Instala los requisitos de TensorFlow.

El comando que uses depende de si usas VM de TPU o nodos TPU.

VM de TPU

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

Nodo TPU

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

Entrena el modelo

El código fuente del modelo de TPU MNIST también está disponible en GitHub.

Configura las siguientes variables: Reemplaza bucket-name por el nombre de tu bucket:

(vm)$ export STORAGE_BUCKET=gs://bucket-name
(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/mnist
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/data

Configura la variable de entorno PYTHONPATH.

VM de TPU

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

Nodo TPU

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

Cuando creas tu TPU, si estableces el parámetro --version en una versión que termina en -pjrt, configura las siguientes variables de entorno para habilitar el entorno de ejecución de PJRT:
```
  (vm)$ export NEXT_PLUGGABLE_DEVICE_USE_C_API=true
  (vm)$ export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
```

Ve al directorio en el que se almacena el modelo:

VM de TPU

(vm)$ cd /usr/share/tpu/models/official/legacy/image_classification

Nodo TPU

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

Ejecuta la secuencia de comandos de entrenamiento de MNIST:
```
(vm)$ python3 mnist_main.py \
  --tpu=${TPU_NAME} \
  --model_dir=${MODEL_DIR} \
  --data_dir=${DATA_DIR} \
  --train_epochs=10 \
  --distribution_strategy=tpu \
  --download
```
Descripciones de las marcas de comandos

tpu

El nombre de Cloud TPU. Si no se especifica cuando se configuran la VM de Compute Engine y Cloud TPU, se utilizará tu nombre de usuario de forma predeterminada.

model_dir

El bucket de Cloud Storage en el que se almacenan los puntos de control y los resúmenes durante el entrenamiento. Puedes usar una carpeta existente para cargar puntos de control generados con anterioridad creados en una TPU del mismo tamaño y con la misma versión de TensorFlow.

data_dir

La ruta de entrada de entrenamiento en Cloud Storage. En este ejemplo, se establece como el conjunto de datos fake_imagenet.

train_epochs

La cantidad de ciclos de entrenamiento para entrenar el modelo.

distribution_strategy

Para entrenar el modelo ResNet en Cloud TPU, configura distribution_strategy como tpu.

download

Cuando se establece en true, la secuencia de comandos descarga el conjunto de datos de MNIST y realiza un procesamiento previo, en caso de que aún no se haya descargado.

La secuencia de comandos de entrenamiento se ejecuta en menos de 5 minutos en una Cloud TPU v3-8 y muestra un resultado similar al siguiente:

Run stats:
{
  'accuracy_top_1': 0.9762369990348816,
  'eval_loss': 0.07863274961709976,
  'loss': 0.1111728847026825,
  'training_accuracy_top_1': 0.966645359992981
}

Limpia

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.

Desconéctate de la instancia de Compute Engine, si aún no lo hiciste:
```
(vm)$ exit
```
El mensaje ahora debería mostrar username@projectname, que indica que estás en Cloud Shell.
Borra tus recursos de Cloud TPU y Compute Engine. El comando que uses para borrar tus recursos depende de si usas VM o nodos TPU. Para obtener más información, consulta Arquitectura del sistema.
VM de TPU
```
$ gcloud compute tpus tpu-vm delete mnist-tutorial \
--zone=us-central1-b
```
Nodo TPU
```
$ gcloud compute tpus execution-groups delete mnist-tutorial \
--zone=us-central1-b
```
Ejecuta gcloud compute tpus execution-groups list para verificar que los recursos se hayan borrado. La eliminación puede tardar varios minutos. El resultado del siguiente comando no debe incluir ninguno de los recursos creados en este instructivo:
VM de TPU
```
$ gcloud compute tpus tpu-vm list --zone=us-central1-b
```
Nodo TPU
```
$ gcloud compute tpus execution-groups list --zone=us-central1-b
```
Borra el bucket de Cloud Storage con gsutil como se muestra a continuación. Reemplaza bucket-name por el nombre de tu bucket de Cloud Storage.
```
$ gsutil rm -r gs://bucket-name
```

¿Qué sigue?

Los instructivos de TensorFlow Cloud TPU suelen entrenar el modelo con un conjunto de datos de muestra. Los resultados de este entrenamiento no se pueden usar para inferencias. Si quieres usar un modelo para la inferencia, puedes entrenar los datos en tu propio conjunto de datos o en un conjunto de datos disponible públicamente. Por lo general, los modelos de TensorFlow entrenados con Cloud TPU requieren que los conjuntos de datos estén en 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 al formato TFRecord. Si no usas un modelo de clasificación de imágenes, deberás convertir tu conjunto de datos al formato TFRecord. 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 sus hiperparámetros. Puedes encontrar información sobre los hiperparámetros comunes de todos los modelos compatibles con TPU en GitHub. La información sobre los hiperparámetros específicos del modelo se puede encontrar en el código fuente de cada modelo. Para obtener más información sobre el ajuste de hiperparámetros, consulta Descripción general del ajuste de hiperparámetros y Ajusta hiperparámetros.

Inferencia

Una vez que hayas entrenado tu modelo, puedes usarlo para la inferencia (también llamada predicción). Puedes usar la herramienta de conversión de inferencias de Cloud TPU para preparar y optimizar un modelo de TensorFlow para la inferencia en Cloud TPU v5e. Para obtener más información sobre la inferencia en Cloud TPU v5e, consulta Introducción a la inferencia con Cloud TPU v5e.

Ejecuta un Colab de Cloud TPU que demuestre cómo entrenar un modelo de clasificación de imágenes con tus propios datos de imagen.
Explora los otros instructivos de Cloud TPU.
Aprende a usar las herramientas de supervisión de TPU en TensorBoard.
Verifica el rendimiento en un modelo a gran escala; para ello, ejecuta la muestra de ResNet.

Ejecuta MNIST en Cloud TPU (TF 2.x)

Renuncia de responsabilidad

Descripción del modelo

Objetivos

Costos

Antes de comenzar

VM de TPU

Descripciones de las marcas de comandos

Nodo TPU

Descripciones de las marcas de comandos

VM de TPU

Nodo TPU

VM de TPU

Nodo TPU

VM de TPU

Nodo TPU

Entrena el modelo

VM de TPU

Nodo TPU

VM de TPU

Nodo TPU

Descripciones de las marcas de comandos

Limpia

VM de TPU

Nodo TPU

VM de TPU

Nodo TPU

¿Qué sigue?

Ajuste de hiperparámetros

Inferencia