개요
이는 신경망 협업 필터링 자료에 설명된 신경망 행렬 분해(NeuMF) 모델을 사용하는 신경망 협업 필터링(NCF) 프레임워크의 구현입니다. 현재 구현은 작성자의 NCF 코드 및 MLPerf 저장소에 있는 스탠퍼드 구현을 기반으로 합니다.
NCF는 사용자 항목 상호작용을 모델링하는 데 신경망 아키텍처가 사용되는 추천의 협업 필터링을 위한 일반 프레임워크입니다. 기존 모델과 달리 NCF는 사용자 및 항목의 잠재 특성에 내부 제품이 포함된 행렬 분해(MF)를 사용하지 않습니다. 내부 제품을 데이터로부터 임의의 기능을 학습할 수 있는 멀티 레이어 퍼셉트론으로 대체합니다.
NCF의 두 가지 구현에는 일반화 행렬 분해(GMF)와 멀티 레이어 퍼셉트론(MLP)이 있습니다. GMF는 선형 커널을 적용하여 잠재 특성 상호작용을 모델링하고 MLP는 비선형 커널을 사용하여 데이터에서 상호작용 함수를 학습합니다. NeutMF는 GMF 및 MLP의 융합 모델로서 복잡한 사용자 항목 상호작용을 더 효과적으로 모델링하고 MF의 비선형성 및 MLP의 비선형성을 통합하여 사용자 항목 잠재 구조를 모델링합니다. NegaMF에서는 GMF 및 MLP가 별도의 임베딩을 학습하고 마지막 히든 레이어를 연결하여 두 모델을 결합합니다. neum_model.py는 아키텍처 세부정보를 정의합니다.
아래에 안내되어 있는 내용은 개발자가 Cloud TPU에서 모델을 익숙하게 학습할 수 있다고 가정합니다. Cloud TPU를 처음 사용한다면 빠른 시작에서 기본적인 정보를 먼저 살펴보세요.
데이터 세트
MovieLens 데이터 세트는 모델 학습 및 평가에 사용됩니다. 구체적으로는 두 개의 데이터 세트, ml-1m(MovieLens 1백만 개)과 ml-20m(MovieLens 2천만 개)을 사용합니다.
ml-1m
ml-1m 데이터 세트에는 2000년에 MovieLens에 조인한 6,040명의 사용자가 약 3,706개의 영화에 대해 작성한 1,000,209개의 익명 평가가 포함되어 있습니다. 모든 평점은 헤더 행 없이 'ratings.dat' 파일에 포함되며 다음 형식으로 표시됩니다.
UserID::MovieID::Rating::Timestamp
- UserID의 범위는 1에서 6040 사이입니다.
- MovieID의 범위는 1에서 3952 사이입니다.
- 평점은 별 5개 등급(꽉 찬 별표만 사용)으로 평가됩니다.
ml-20m
ml-20m 데이터 세트에는 138493명의 사용자가 26,744편의 영화에 대해 작성한 20,000,263개의 평점이 포함되어 있습니다. 모든 평점은 'ratings.csv' 파일에 포함되어 있습니다. 헤더 행 다음에 있는 이 파일의 각 줄은 단일 사용자가 영화에 대해 작성한 평점을 나타내며 다음과 같은 형식입니다.
userId,movieId,rating,timestamp
이 파일 내 줄은 먼저 userId로 정렬되며 사용자 내에서는 movieId로 정렬됩니다. 평점은 별표 반 개씩 증가하는 별 5개 등급(별표 0.5개 - 별표 5.0개)으로 평가됩니다. 두 데이터 세트 모두에서 타임스탬프는 1970년 1월 1일 자정 협정 세계시(UTC) 이후 초 단위로 표시됩니다. 각 사용자당 20개 이상의 평가가 있습니다.
목표
- 데이터 세트와 모델 출력을 저장할 Cloud Storage 버킷 만들기
- MovieLens 데이터 세트 준비
- 학습과 평가를 위한 Compute Engine VM과 Cloud TPU 노드 설정
- 학습 및 평가 실행
비용
이 문서에서는 비용이 청구될 수 있는 다음과 같은 Google Cloud 구성요소를 사용합니다.
- Compute Engine
- Cloud TPU
- Cloud Storage
프로젝트 사용량을 기준으로 예상 비용을 산출하려면 가격 계산기를 사용하세요.
시작하기 전에
이 튜토리얼을 시작하기 전에 Google Cloud 프로젝트가 올바르게 설정되었는지 확인하세요.
- Google Cloud 계정에 로그인합니다. Google Cloud를 처음 사용하는 경우 계정을 만들고 Google 제품의 실제 성능을 평가해 보세요. 신규 고객에게는 워크로드를 실행, 테스트, 배포하는 데 사용할 수 있는 $300의 무료 크레딧이 제공됩니다.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
이 둘러보기에서는 비용이 청구될 수 있는 Google Cloud 구성요소를 사용합니다. 예상 비용은 Cloud TPU 가격 책정 페이지에서 확인하세요. 리소스 사용을 마쳤으면 불필요한 비용이 청구되지 않도록 생성한 리소스를 삭제하세요.
리소스 설정
이 섹션에서는 이 튜토리얼에 사용할 Cloud Storage, VM, Cloud TPU 리소스 설정에 대한 정보를 제공합니다.
Cloud Shell 창을 엽니다.
프로젝트 ID의 환경 변수를 만듭니다.
export PROJECT_ID=project-id
Cloud TPU를 만들려는 위치의 프로젝트가 사용되도록 Google Cloud CLI를 구성합니다.
gcloud config set project ${PROJECT_ID}
새 Cloud Shell VM에서 이 명령어를 처음 실행하면
Authorize Cloud Shell페이지가 표시됩니다. 페이지 하단에 있는Authorize를 클릭하여gcloud에서 사용자 인증 정보로 API를 호출하도록 허용합니다.Cloud TPU 프로젝트의 서비스 계정을 만듭니다.
gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
이 명령어는 다음 형식의 Cloud TPU 서비스 계정을 반환합니다.
service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
다음 명령어를 사용하여 Cloud Storage 버킷을 만듭니다.
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 gs://bucket-name
이 Cloud Storage 버킷은 사용자가 모델 및 학습 결과를 학습시키기 위해 사용하는 데이터를 저장합니다. 이 튜토리얼에서 사용하는 TPU 설정을 위한
gcloud명령어는 이전 단계에서 설정한 Cloud TPU 서비스 계정에 대한 기본 권한도 설정합니다. 권한을 더 세분화해야 하는 경우 액세스 수준 권한을 참조하세요.버킷 위치는 가상 머신(VM) 및 TPU 노드와 동일한 리전에 있어야 합니다. VM 및 TPU 노드는 리전 내 구획인 특정 영역에 있습니다.
Compute Engine VM 및 Cloud TPU를 실행하려면
gcloud명령어를 사용합니다. 사용하는 명령어는 TPU VM과 TPU 노드 중 무엇을 사용하는지에 따라 다릅니다. 두 가지 VM 아키텍처에 관한 자세한 내용은 시스템 아키텍처를 참조하세요.TPU VM
$ gcloud compute tpus tpu-vm create ncf-tutorial \ --zone=europe-west4-a \ --accelerator-type=v3-8 \ --version=tpu-vm-tf-2.16.1-pjrt
TPU 노드
$ gcloud compute tpus execution-groups create \ --zone=europe-west4-a \ --name=ncf-tutorial \ --accelerator-type=v3-8 \ --machine-type=n1-standard-8 \ --disk-size=300 \ --tf-version=2.12.0
gcloud명령어에 대한 자세한 내용은 gcloud 참조를 확인하세요.Compute Engine 인스턴스에 자동으로 로그인되지 않으면 다음
ssh명령어를 실행하여 로그인합니다. VM에 로그인하면 셸 프롬프트가username@projectname에서username@vm-name으로 변경됩니다.TPU VM
gcloud compute tpus tpu-vm ssh ncf-tutorial --zone=europe-west4-a
TPU 노드
gcloud compute ssh ncf-tutorial --zone=europe-west4-a
데이터 준비
스토리지 버킷의 환경 변수를 추가합니다. 여기에서 bucket-name을 내 버킷 이름으로 바꿉니다.
(vm)$ export STORAGE_BUCKET=gs://bucket-name
데이터 디렉터리에 환경 변수를 추가합니다.
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/ncf_data
모델 위치를 설정하고
PYTHONPATH환경 변수를 설정합니다.TPU VM
(vm)$ git clone https://github.com/tensorflow/models.git (vm)$ pip3 install -r models/official/requirements.txt
(vm)$ export PYTHONPATH="${PWD}/models:${PYTHONPATH}"
TPU 노드
(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models" (vm)$ pip3 install -r /usr/share/models/official/requirements.txt
모델 처리 파일을 저장하는 디렉터리로 변경합니다.
TPU VM
(vm)$ cd ~/models/official/recommendation
TPU 노드
(vm)$ cd /usr/share/models/official/recommendation
DATA_DIR의 ml-20m 데이터 세트에 대한 학습 및 평가 데이터를 생성합니다.
(vm)$ python3 create_ncf_data.py \ --dataset ml-20m \ --num_train_epochs 4 \ --meta_data_file_path ${DATA_DIR}/metadata \ --eval_prebatch_size 160000 \ --data_dir ${DATA_DIR}
이 스크립트는 VM에서 데이터 세트를 생성하고 사전 처리합니다. 사전 처리는 데이터를 모델에 필요한 TFRecord 형식으로 변환합니다. 다운로드 및 사전 처리에는 약 25분이 걸리며 다음과 비슷한 출력이 생성됩니다.
I0804 23:03:02.370002 139664166737728 movielens.py:124] Successfully downloaded /tmp/tmpicajrlfc/ml-20m.zip 198702078 bytes I0804 23:04:42.665195 139664166737728 data_preprocessing.py:223] Beginning data preprocessing. I0804 23:04:59.084554 139664166737728 data_preprocessing.py:84] Generating user_map and item_map... I0804 23:05:20.934210 139664166737728 data_preprocessing.py:103] Sorting by user, timestamp... I0804 23:06:39.859857 139664166737728 data_preprocessing.py:194] Writing raw data cache. I0804 23:06:42.375952 139664166737728 data_preprocessing.py:262] Data preprocessing complete. Time: 119.7 sec. %lt;BisectionDataConstructor(Thread-1, initial daemon)> General: Num users: 138493 Num items: 26744 Training: Positive count: 19861770 Batch size: 99000 Batch count per epoch: 1004 Eval: Positive count: 138493 Batch size: 160000 Batch count per epoch: 866 I0804 23:07:14.137242 139664166737728 data_pipeline.py:887] Negative total vector built. Time: 31.8 seconds I0804 23:11:25.013135 139664166737728 data_pipeline.py:588] Epoch construction complete. Time: 250.9 seconds I0804 23:15:46.391308 139664166737728 data_pipeline.py:674] Eval construction complete. Time: 261.4 seconds I0804 23:19:54.345858 139664166737728 data_pipeline.py:588] Epoch construction complete. Time: 248.0 seconds I0804 23:24:09.182484 139664166737728 data_pipeline.py:588] Epoch construction complete. Time: 254.8 seconds I0804 23:28:26.224653 139664166737728 data_pipeline.py:588] Epoch construction complete. Time: 257.0 seconds
Cloud TPU 설정 및 학습 시작
Cloud TPU 이름 변수를 설정합니다.
TPU VM
(vm)$ export TPU_NAME=local
TPU 노드
(vm)$ export TPU_NAME=ncf-tutorial
학습 및 평가 실행
다음 스크립트는 3세대 동안 샘플 학습을 실행합니다.
체크포인트 및 텐서보드 요약을 저장하려면 모델 디렉터리의 환경 변수를 추가합니다.
(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/ncf
TPU를 만들 때
--version매개변수를-pjrt로 끝나는 버전으로 설정한 경우 다음 환경 변수를 설정하여 PJRT 런타임을 사용 설정합니다.(vm)$ export NEXT_PLUGGABLE_DEVICE_USE_C_API=true (vm)$ export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
다음 명령어를 실행하여 NCF 모델을 학습시킵니다.
(vm)$ python3 ncf_keras_main.py \ --model_dir=${MODEL_DIR} \ --data_dir=${DATA_DIR} \ --train_dataset_path=${DATA_DIR}/training_cycle_*/* \ --eval_dataset_path=${DATA_DIR}/eval_data/* \ --input_meta_data_path=${DATA_DIR}/metadata \ --learning_rate=3e-5 \ --train_epochs=3 \ --dataset=ml-20m \ --eval_batch_size=160000 \ --learning_rate=0.00382059 \ --beta1=0.783529 \ --beta2=0.909003 \ --epsilon=1.45439e-07 \ --dataset=ml-20m \ --num_factors=64 \ --hr_threshold=0.635 \ --keras_use_ctl=true \ --layers=256,256,128,64 \ --use_synthetic_data=false \ --distribution_strategy=tpu \ --download_if_missing=false
학습 및 평가에는 약 2분이 소요되며 다음과 유사한 최종 출력이 생성됩니다.
Result is {'loss': <tf.Tensor: shape=(), dtype=float32, numpy=0.10950611>,
'train_finish_time': 1618016422.1377568, 'avg_exp_per_second': 3062557.5070816963}
삭제
이 튜토리얼에서 사용된 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 리소스가 포함된 프로젝트를 삭제하거나 프로젝트를 유지하고 개별 리소스를 삭제하세요.
Compute Engine 인스턴스에서 연결을 해제합니다.
(vm)$ exit
프롬프트가
username@projectname으로 바뀌면 Cloud Shell에 있는 것입니다.Cloud TPU 및 Compute Engine 리소스를 삭제합니다. 리소스를 삭제하는 데 사용하는 명령어는 TPU VM 또는 TPU 노드 사용 여부에 따라 다릅니다. 자세한 내용은 시스템 아키텍처를 참조하세요.
TPU VM
$ gcloud compute tpus tpu-vm delete ncf-tutorial \ --zone=europe-west4-a
TPU 노드
$ gcloud compute tpus execution-groups delete ncf-tutorial \ --zone=europe-west4-a
gcloud compute tpus execution-groups list를 실행하여 리소스가 삭제되었는지 확인합니다. 삭제하는 데 몇 분 정도 걸릴 수 있습니다. 다음과 같은 응답이 나타나면 인스턴스가 성공적으로 삭제되었다는 의미입니다.TPU VM
$ gcloud compute tpus tpu-vm list \ --zone=europe-west4-a
TPU 노드
$ gcloud compute tpus execution-groups list --zone=europe-west4-a
Listed 0 items.
아래와 같이
gsutil을 실행하여 bucket-name을 이 튜토리얼에서 만든 Cloud Storage 버킷 이름으로 바꿉니다.$ gsutil rm -r gs://bucket-name
다음 단계
일반적으로 TensorFlow Cloud TPU 튜토리얼에서는 샘플 데이터 세트를 사용하여 모델을 학습시킵니다. 이 학습 결과는 추론에 사용될 수 없습니다. 모델을 추론에 사용하려면 일반에게 공개된 데이터 세트나 자체 데이터 세트에서 데이터를 학습시키면 됩니다. 일반적으로 Cloud TPU에서 학습된 TensorFlow 모델에는 TFRecord 형식의 데이터 세트가 필요합니다.
데이터 세트 변환 도구 샘플을 사용하여 이미지 분류 데이터 세트를 TFRecord 형식으로 변환할 수 있습니다. 이미지 분류 모델을 사용하지 않는 경우에는 데이터 세트를 직접 TFRecord 형식으로 변환해야 합니다. 자세한 내용은 TFRecord 및 tf.Example을 참조하세요.
초매개변수 조정
데이터 세트로 모델 성능을 개선하려면 모델 초매개변수를 조정하면 됩니다. GitHub에서 모든 TPU 지원 모델에 공통된 초매개변수에 대한 정보를 확인할 수 있습니다. 모델별 초매개변수에 대한 정보를 각 모델의 소스 코드에서 확인할 수 있습니다. 초매개변수 조정 방법에 대한 자세한 내용은 초매개변수 조정 개요 및 초매개변수 조정을 참조하세요.
추론
일단 모델을 학습시키면 추론(예측이라고도 함)에 사용할 수 있습니다. Cloud TPU 추론 변환기 도구를 사용하여 Cloud TPU v5e에서 추론을 위한 TensorFlow 모델을 준비하고 최적화할 수 있습니다. Cloud TPU v5e에서 추론에 대한 자세한 내용은 Cloud TPU v5e 추론 소개를 참조하세요.
- 로컬 머신에 설치하는 방법을 비롯하여
ctpu에 대해 자세히 알아보기 - 텐서보드의 TPU 도구 살펴보기