Entrena a un transformador en Cloud TPU (TF 2.x)

En este instructivo, se muestra cómo entrenar un modelo ResNet de Keras en Cloud TPU con tf.distribute.TPUStrategy.

Si no estás familiarizado con Cloud TPU, te recomendamos que consultes la guía de inicio rápido de tu framework para aprender a crear una TPU y una VM de Compute Engine.

Objetivos

  • Crear un bucket de Cloud Storage para almacenar el resultado de tu modelo y tu conjunto de datos
  • Preparar un conjunto de datos imagenet falso que sea similar al conjunto de datos ImageNet
  • Ejecutar el trabajo de entrenamiento
  • Verificar los resultados de salida

Costos

En este instructivo, se usan 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

Antes de comenzar este instructivo, verifica que tu proyecto de Google Cloud esté configurado correctamente.

  1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.
  2. En la página del selector de proyectos de Google Cloud Console, selecciona o crea un proyecto de Google Cloud.

    Ir al selector de proyectos

  3. Asegúrate de que la facturación esté habilitada para tu proyecto de Cloud. Obtén información sobre cómo verificar si la facturación está habilitada en un proyecto.

  4. En la página del selector de proyectos de Google Cloud Console, selecciona o crea un proyecto de Google Cloud.

    Ir al selector de proyectos

  5. Asegúrate de que la facturación esté habilitada para tu proyecto de Cloud. Obtén información sobre cómo verificar si la facturación está habilitada en un proyecto.

  6. 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.

Entrenamiento de un solo dispositivo de Cloud TPU

En esta sección, se proporciona información para configurar el bucket de Cloud Storage, la VM y los recursos de Cloud TPU para el entrenamiento de un solo dispositivo.

  1. Abre una ventana de Cloud Shell.

    Abra Cloud Shell

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

    $ export PROJECT_ID=project-id
    
  3. Configura la CLI de Google Cloud 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 GCP con tus credenciales.

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

    Las cuentas de servicio permiten que el servicio de Cloud TPU acceda a otros servicios de Google Cloud Platform.

    $ 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
    

  5. Crea un bucket de Cloud Storage con el siguiente comando:

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

    Este bucket de Cloud Storage almacena los datos que usas para entrenar tu modelo y los resultados del entrenamiento. Con el comando de gcloud que se usa en este instructivo a fin de configurar la TPU, también 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.

  6. Prepara tu conjunto de datos o usa fake_imagenet

    ImageNet es una base de datos de imágenes. Las imágenes de la base de datos están organizadas en forma jerárquica, y cada nodo está representado por 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

    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.

    Si deseas usar el conjunto de datos de ImageNet completo, consulta Descarga, preprocesa y sube el conjunto de datos de ImageNet.

  7. Inicia los recursos de TPU con el comando de gcloud. El comando que uses depende de si usas VM de TPU o nodos TPU. Para obtener más información sobre la arquitectura de las dos VM, consulta Arquitectura del sistema.

    VM de TPU

    $ gcloud alpha compute tpus tpu-vm create resnet-tutorial \
    --zone=europe-west4-a \
    --accelerator-type=v3-8 \
    --version=tpu-vm-tf-2.9.1
    

    Descripciones de las marcas de comandos

    zone
    La zona en la que planeas crear tu Cloud TPU.
    accelerator-type
    El tipo de Cloud TPU que se creará.
    version
    Versión de software de Cloud TPU.

    Nodo TPU

    gcloud compute tpus execution-groups create \
    --project=${PROJECT_ID} \
    --zone=europe-west4-a \
    --name=resnet-tutorial \
    --disk-size=300 \
    --machine-type=n1-standard-16 \
    --accelerator-type=v3-8 \
    --tf-version=2.8.0

    Descripciones de las marcas de comandos

    project
    El ID de tu proyecto de GCP
    zone
    La zona en la que planeas crear tu Cloud TPU.
    name
    El nombre de la Cloud TPU que se creará.
    disk-size
    El tamaño del disco duro en GB de la VM que creó el comando gcloud.
    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.
    tf-version
    La versión de gcloud de TensorFlow se instala en la VM.

    Para obtener más información sobre el comando de gcloud, consulta la Referencia de gcloud.

  8. Si no accediste de forma automática a la instancia de Compute Engine, ejecuta el siguiente comando de ssh para acceder. Cuando accedas a la VM, el indicador de shell cambiará de username@projectname a username@vm-name:

    VM de TPU

    $ gcloud alpha compute tpus tpu-vm ssh resnet-tutorial --zone=europe-west4-a
    

    Nodo TPU

    $ gcloud compute ssh resnet-tutorial --zone=europe-west4-a
    

    Mientras sigues estas instrucciones, ejecuta cada comando que empiece con (vm)$ en la ventana de sesión de tu VM.

  9. Configura la variable de nombre de Cloud TPU.

    VM de TPU

    (vm)$ export TPU_NAME=local
    

    Nodo TPU

    (vm)$ export TPU_NAME=resnet-tutorial
    
  10. Configura las variables de bucket de Cloud Storage

    Configura las variables de entorno siguientes y reemplaza bucket-name por el nombre del depósito de Cloud Storage:

    (vm)$ export STORAGE_BUCKET=gs://bucket-name
    
    (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/resnet-2x
    (vm)$ export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet
    
    

    La aplicación de entrenamiento espera que tus datos de entrenamiento sean accesibles en Cloud Storage. La aplicación de entrenamiento también usa tu bucket de Cloud Storage para almacenar puntos de control durante el entrenamiento.

  11. 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 -r /usr/share/models/official/requirements.txt
    
  12. La secuencia de comandos de entrenamiento de ResNet requiere un paquete adicional. Instálalo ahora:

    (vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3
    
  13. Ve al directorio en el que se almacena el modelo:

    VM de TPU

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

    Nodo TPU

    (vm)$ cd /usr/share/models
    
  14. Establece la variable de entorno PYTHONPATH:

    VM de TPU

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

    Nodo TPU

    (vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
    
  15. Ejecuta la secuencia de comandos de entrenamiento. Para ello, se usa un conjunto de datos fake_imagenet y se entrena ResNet durante 100 pasos.

    (vm)$ python3 official/vision/train.py \
    --tpu=${TPU_NAME} \
    --experiment=resnet_imagenet \
    --mode=train_and_eval \
    --config_file=official/vision/configs/experiments/image_classification/imagenet_resnet50_tpu.yaml \
    --model_dir=${MODEL_DIR} \
    --params_override="task.train_data.input_path=${DATA_DIR}/train*, task.validation_data.input_path=${DATA_DIR}/validation*,task.train_data.global_batch_size=2048,task.validation_data.global_batch_size=2048,trainer.train_steps=100"
    

    Descripciones de las marcas de comandos

    tpu
    El nombre de tu TPU.
    model_dir
    especifica el directorio en el que se almacenan los puntos de control y los resúmenes durante el entrenamiento de modelos. Si no hay una carpeta, 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.

Esto entrenará a ResNet durante 100 pasos y se completará en un nodo TPU v3-8 en aproximadamente 3 minutos. Al final de los 100 pasos, aparece un resultado similar al siguiente:

I0624 17:04:26.974905 140457742666816 controller.py:290]  eval | step:    100 | eval time:   23.3 sec | output:
    {'accuracy': 0.0010141226,
     'top_5_accuracy': 0.0051457332,
     'validation_loss': 8.448798}
 eval | step:    100 | eval time:   23.3 sec | output:
    {'accuracy': 0.0010141226,
     'top_5_accuracy': 0.0051457332,
     'validation_loss': 8.448798}

Ya completaste el ejemplo de entrenamiento con un solo dispositivo. Sigue los pasos que se indican a continuación para borrar los recursos actuales de TPU de dispositivo único.

  1. Desconéctate de la instancia de Compute Engine:

    (vm)$ exit
    

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

  2. Borra el recurso TPU.

    VM de TPU

    $ gcloud alpha compute tpus tpu-vm delete resnet-tutorial \
    --zone=europe-west4-a
    

    Descripciones de las marcas de comandos

    zone
    Es la zona en la que reside tu Cloud TPU.

    Nodo TPU

    $ gcloud compute tpus execution-groups delete resnet-tutorial \
    --zone=europe-west4-a
    

    Descripciones de las marcas de comandos

    zone
    La zona que contiene la TPU que se borrará.

En este punto, puedes finalizar este instructivo y realizar una limpieza o puedes continuar y explorar la ejecución del modelo en los Pods de Cloud TPU.

Escala tu modelo con pods de Cloud TPU

El entrenamiento de tu modelo en Pods de { product_name_short }} puede requerir algunos cambios en tu secuencia de comandos de entrenamiento. Si deseas obtener información, consulta Entrenamiento en pods de TPU.

Entrenamiento de Pods de TPU

En esta sección, se proporciona información para configurar un bucket de Cloud Storage y recursos de Cloud TPU para el entrenamiento de Pods.

  1. Abre una ventana de Cloud Shell.

    Abra Cloud Shell

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

    export PROJECT_ID=project-id
    
  3. Configura la CLI de Google Cloud 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 GCP con tus credenciales.

  4. 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
    

  5. Crea un bucket de Cloud Storage mediante el siguiente comando o usa un bucket que hayas creado antes para tu proyecto:

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

    Este bucket de Cloud Storage almacena los datos que usas para entrenar tu modelo y los resultados del entrenamiento. Con el comando 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.

    La ubicación del bucket debe estar en la misma región que tu VM de TPU.

  6. Prepara tu conjunto de datos o usa fake_imagenet

    ImageNet es una base de datos de imágenes. Las imágenes de la base de datos están organizadas en forma jerárquica, y cada nodo está representado por cientos y miles de imágenes.

    El entrenamiento de Pods predeterminado accede a una versión de demostración del conjunto de datos completo de ImageNet, denominado fake_imagenet. Esta versión de demostración te permite probar el entrenamiento de Pods, a la vez que reduce los requisitos de almacenamiento y de tiempo asociados, en general, con el entrenamiento de un modelo en el conjunto de datos completo de 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.

    Si deseas usar el conjunto de datos de ImageNet completo, consulta Descarga, preprocesa y sube el conjunto de datos de ImageNet.

  7. Inicia tus recursos de Cloud TPU con el comando de gcloud.

    El comando que uses depende de si usas una VM de TPU o un nodo TPU. Para obtener más información sobre la arquitectura de las dos VM, consulta Arquitectura del sistema. Para obtener más información sobre el comando de gcloud, consulta la Referencia de gcloud. En este instructivo, se especifica un Pod v3-32. Para conocer otras opciones de Pod, consulta la página de tipos de TPU disponibles.

    VM de TPU

    $ gcloud alpha compute tpus tpu-vm create resnet-tutorial \
    --zone=europe-west4-a \
    --accelerator-type=v3-32 \
    --version=tpu-vm-tf-2.9.1-pod
    

    Descripciones de las marcas de comandos

    zone
    La zona en la que planeas crear tu Cloud TPU.
    accelerator-type
    El tipo de Cloud TPU que se creará.
    version
    Versión de software de Cloud TPU.

    Nodo TPU

    $ gcloud compute tpus execution-groups create \
    --zone=europe-west4-a \
    --name=resnet-tutorial \
    --accelerator-type=v3-32 \
    --tf-version=2.8.0
    

    Descripciones de las marcas de comandos

    zone
    La zona en la que planeas crear tu Cloud TPU.
    name
    El nombre de la Cloud TPU que se creará.
    accelerator-type
    El tipo de Cloud TPU que se creará.
    tf-version
    La versión de gcloud de TensorFlow se instala en la VM.
  8. Si no accediste de forma automática a la instancia de Compute Engine, ejecuta el siguiente comando de ssh para acceder. Cuando accedas a la VM, el indicador de shell cambiará de username@projectname a username@vm-instance-name:

    VM de TPU

    $ gcloud alpha compute tpus tpu-vm ssh resnet-tutorial --zone=europe-west4-a
    

    Nodo TPU

    $ gcloud compute ssh resnet-tutorial --zone=europe-west4-a
    

    Mientras sigues estas instrucciones, ejecuta cada comando que empiece con (vm)$ en la ventana de sesión de tu VM.

  9. Exporta las variables de configuración de Cloud TPU:

    (vm)$ export ZONE=europe-west4-a
    (vm)$ export STORAGE_BUCKET=gs://bucket-name
    
    (vm)$ export TPU_NAME=resnet-tutorial
    (vm)$ export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet
    (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/resnet-2x-pod
    

    La aplicación de entrenamiento espera que tus datos de entrenamiento sean accesibles en Cloud Storage. La aplicación de entrenamiento también usa tu bucket de Cloud Storage para almacenar puntos de control durante el entrenamiento.

  10. La secuencia de comandos de entrenamiento de ResNet requiere un paquete adicional. Instálalo ahora:

    VM de TPU

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

    Nodo TPU

    (vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3 
  11. 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 -r /usr/share/models/official/requirements.txt
    
  12. Establece la variable de entorno PYTHONPATH:

    VM de TPU

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

    Nodo TPU

    (vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
    
  13. Ve al directorio en el que se almacena el modelo:

    VM de TPU

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

    Nodo TPU

    (vm)$ cd /usr/share/models/official/legacy/image_classification/resnet
    
  14. Entrena el modelo.

    (vm)$ python3 official/vision/train.py \
    --tpu=${TPU_NAME} \
    --experiment=resnet_imagenet \
    --mode=train_and_eval \
    --config_file=official/vision/configs/experiments/image_classification/imagenet_resnet50_tpu.yaml \
    --model_dir=${MODEL_DIR} \
    --params_override="task.train_data.input_path=${DATA_DIR}/train*, task.validation_data.input_path=${DATA_DIR}/validation*,trainer.train_steps=100"
     

    Descripciones de las marcas de comandos

    tpu
    El nombre de tu TPU.
    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 los puntos de control actuales y almacenar puntos de control adicionales siempre que los puntos de control anteriores se hayan creado mediante Cloud TPU del mismo tamaño y versión de TensorFlow.

Este procedimiento entrena el modelo en el conjunto de datos fake_imagenet en 100 pasos de entrenamiento y 13 pasos de evaluación. Este entrenamiento tarda alrededor de 2 minutos en una Cloud TPU v3-32. Cuando se completen el entrenamiento y la evaluación, aparecerán mensajes similares a los siguientes:

{'accuracy': 0.0009716797,
     'learning_rate': 0.10256411,
     'top_5_accuracy': 0.0049560545,
     'training_loss': 8.5587225}
train | step:    100 | steps/sec:    1.2 | output:
    {'accuracy': 0.0009716797,
     'learning_rate': 0.10256411,
     'top_5_accuracy': 0.0049560545,
     'training_loss': 8.5587225}

eval | step:    100 | eval time:   24.8 sec | output:
    {'accuracy': 0.0010141226,
     'top_5_accuracy': 0.004356971,
     'validation_loss': 8.50038}
 eval | step:    100 | eval time:   24.8 sec | output:
    {'accuracy': 0.0010141226,
     'top_5_accuracy': 0.004356971,
     'validation_loss': 8.50038}

Realiza una limpieza

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.

  1. 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.

  2. 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 alpha compute tpus tpu-vm delete resnet-tutorial \
    --zone=europe-west4-a
    

    Nodo TPU

    $ gcloud compute tpus execution-groups delete resnet-tutorial \
    --zone=europe-west4-a
    
  3. 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 de TPU creados en este instructivo:

    VM de TPU

    $ gcloud alpha compute tpus tpu-vm list --zone=europe-west4-a

    Nodo TPU

    $ gcloud compute tpus execution-groups list --zone=europe-west4-a
  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?

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 la inferencia. A fin de usar un modelo para la inferencia, puedes entrenar los datos en un conjunto de datos de acceso público o en tu propio conjunto de datos. Por lo general, los modelos de TensorFlow 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 tú mismo el conjunto de datos en 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 los hiperparámetros del modelo. Puedes encontrar información sobre hiperparámetros comunes para 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.

  • Obtén información sobre cómo entrenar y evaluar mediante tus propios datos en lugar de los conjuntos de datos fake_imagenet o ImageNet mediante el instructivo de conversión del conjunto de datos. En el instructivo, se explica cómo usar la secuencia de comandos de ejemplo del convertidor de datos de clasificación de imágenes a fin de convertir un conjunto de datos sin procesar para la clasificación de imágenes en TFRecords que pueden usar los modelos de Tensorflow de Cloud TPU.
  • Ejecuta un colab de Cloud TPU que muestre cómo ejecutar 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.
  • Consulta cómo entrenar ResNet con Cloud TPU y GKE.