Como treinar o ResNet no Cloud TPU (TF 2.x)

Veja neste tutorial como treinar um modelo Keras ResNet na Cloud TPU usando tf.distribute.TPUStrategy.

Se você não conhece muito bem o Cloud TPU, é altamente recomendável consultar o guia de início rápido para saber como criar uma TPU e uma VM do Compute Engine.

Objetivos

Criar um bucket do Cloud Storage para armazenar o conjunto de dados e a saída do modelo.
Preparar um conjunto de dados ImageNet fictício que seja semelhante ao conjunto de dados do ImageNet.
Executar o job de treinamento.
Verificar os resultados da saída.

Custos

Neste tutorial, há componentes faturáveis do Google Cloud, entre eles:

Compute Engine
Cloud TPU
Cloud Storage

Use a calculadora de preços para gerar uma estimativa de custos baseada na projeção de uso. Novos usuários do Google Cloud podem estar qualificados para uma avaliação gratuita.

Antes de começar

Antes de começar o tutorial, verifique se o projeto do Google Cloud foi configurado corretamente.

Faça login na sua conta do Google Cloud. Se você começou a usar o Google Cloud agora, crie uma conta para avaliar o desempenho de nossos produtos em situações reais. Clientes novos também recebem US$ 300 em créditos para executar, testar e implantar cargas de trabalho.

No Console do Google Cloud, na página do seletor de projetos, selecione ou crie um projeto do Google Cloud.

Observação: se você não pretende manter os recursos criados neste procedimento, crie um projeto novo em vez de selecionar um que já existe. Depois de concluir essas etapas, é possível excluir o projeto. Para fazer isso, basta remover todos os recursos associados a ele.

Acessar o seletor de projetos

Verifique se o faturamento está ativado para seu projeto na nuvem. Saiba como confirmar se o faturamento está ativado para o projeto.

Este tutorial usa componentes faturáveis do Google Cloud. Consulte a página de preços da Cloud TPU para fazer uma estimativa dos custos. Para evitar cobranças desnecessárias, não se esqueça de apagar os recursos criados ao terminar de usá-los.

Configurar os recursos

Nesta seção, fornecemos informações sobre como configurar recursos do bucket do Cloud Storage, da VM e da Cloud TPU para tutoriais.

Abra uma janela do Cloud Shell.

Abrir o Cloud Shell
Crie uma variável para o ID do seu projeto.
```
export PROJECT_ID=project-id
```
Configure a ferramenta de linha de comando gcloud para usar o projeto em que a Cloud TPU será criada.
```
gcloud config set project ${PROJECT_ID}
```
Na primeira vez que você executar esse comando em uma nova VM do Cloud Shell, será exibida uma página Authorize Cloud Shell. Clique em Authorize na parte inferior da página para permitir que gcloud faça chamadas de API do GCP com suas credenciais.

Crie uma conta de serviço para o projeto da Cloud TPU.

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

O comando retorna uma conta de serviço do Cloud TPU com o formato a seguir:

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

Crie um bucket do Cloud Storage usando o seguinte comando:
```
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 -b on gs://bucket-name
```
Esse bucket do Cloud Storage armazena os dados usados para treinar o modelo e os resultados do treinamento. A ferramenta gcloud compute tpus execution-groups usada neste tutorial configura permissões padrão para a conta de serviço do Cloud TPU configurada na etapa anterior. Caso queira permissões mais específicas, consulte as permissões de nível de acesso.

O local do bucket precisa estar na mesma região que o Compute Engine (VM) e o nó da Cloud TPU.
Use o comando gcloud para iniciar uma VM do Compute Engine e a Cloud TPU.
```
$ gcloud compute tpus execution-groups create \
 --vm-only \
 --name=resnet-tutorial \
 --zone=europe-west4-a \
 --disk-size=300 \
 --machine-type=n1-standard-16 \
 --tf-version=2.5.0
```
Descrições de sinalizações de comando

vm-only

Crie somente uma VM. Por padrão, o comando gcloud compute tpus execution-groups cria uma VM e uma Cloud TPU.

name

O nome da Cloud TPU a ser criada.

zone

A zona em que você planeja criar a Cloud TPU.

disk-size

O tamanho do disco rígido em GB da VM criada pelo comando gcloud compute tpus execution-groups .

machine-type

O tipo de máquina da VM do Compute Engine a ser criado.

tf-version

A versão das instalações de grupos de execução gcloud compute tpus na VM.

Para mais informações sobre o comando gcloud, consulte a referência da gcloud.
Quando solicitado, pressione y para criar os recursos da Cloud TPU.

Observação: a primeira vez que você executar gcloud compute tpus execution-groups em um projeto, ele levará cerca de cinco minutos para realizar tarefas de inicialização, como propagação de chave SSH e ativação de API.

Quando o comando gcloud compute tpus execution-groups terminar a execução, verifique se o prompt do shell foi alterado de username@projectname para username@vm-name. Essa alteração mostra que você fez login na VM do Compute Engine.
Observação: se você não estiver conectado à instância do Compute Engine, poderá conectar-se executando o seguinte comando:
```
gcloud compute ssh resnet-tutorial --zone=europe-west4-a
```
Ao continuar essas instruções, execute cada comando que começa com (vm)$ na instância do Compute Engine.

Definir variáveis de bucket do Cloud Storage

Configure as seguintes variáveis de ambiente, substituindo bucket-name pelo nome do bucket do 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
(vm)$ export PYTHONPATH="$PYTHONPATH:/usr/share/models/"

O aplicativo de treinamento precisa que os dados de treinamento sejam acessíveis no Cloud Storage. Ele também usa o bucket do Cloud Storage para armazenar checkpoints durante o treinamento.

Treine e avalie o modelo ResNet com o fake_imagenet

O ImageNet é um banco de dados de imagens. As imagens do banco de dados são organizadas hierarquicamente, com cada nó da hierarquia representado por centenas e milhares de imagens.

Neste tutorial, usamos uma versão de demonstração do conjunto de dados completo do ImageNet, conhecido como fake_imagenet. Essa versão de demonstração permite testar os tutoriais e reduzir os requisitos de tempo e armazenamento normalmente associados à execução de um modelo com o conjunto de dados completo do ImageNet.

O conjunto de dados do fake_imagenet está neste local no Cloud Storage:

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

O conjunto de dados do fake_imagenet é útil apenas para entender como usar um Cloud TPU e validar o desempenho de ponta a ponta. Os números de acurácia e o modelo salvo não são importantes.

Para informações sobre como fazer o download e processar o conjunto de dados total do ImageNet, consulte Como fazer o download, o pré-processamento e o upload do conjunto de dados do ImageNet.

Inicie um recurso do Cloud TPU usando o comando gcloud.
```
(vm)$ gcloud compute tpus execution-groups create \
 --tpu-only \
 --accelerator-type=v3-8  \
 --name=resnet-tutorial \
 --zone=europe-west4-a \
 --tf-version=2.5.0
```
Descrições de sinalizações de comando

tpu-only

Cria a Cloud TPU sem criar uma VM. Por padrão, o comando gcloud compute tpus execution-groups cria uma VM e uma Cloud TPU.

accelerator-type

O tipo da Cloud TPU a ser criada.

name

O nome da Cloud TPU a ser criada.

zone

A zona em que você planeja criar a Cloud TPU.

tf-version

A versão do Tensorflow para instalar na VM.
Defina a variável de nome da Cloud TPU.
```
(vm)$ export TPU_NAME=resnet-tutorial
```
O script de treinamento do ResNet requer um pacote extra. Instalar agora.
```
(vm)$ sudo pip3 install tensorflow-model-optimization>=0.1.3
```
Navegue até o diretório do modelo ResNet-50:
```
(vm)$ cd /usr/share/models/official/vision/image_classification/resnet/
```
Observação: se você estiver executando o TensorFlow 2.1, use o caminho: /usr/share/models/official/vision/image_classification/
Execute o script de treinamento. Ele usa um conjunto de dados false_imagenet e treina o ResNet por uma época.
```
(vm)$ python3 resnet_ctl_imagenet_main.py \
 --tpu=${TPU_NAME} \
 --model_dir=${MODEL_DIR} \
 --data_dir=${DATA_DIR} \
 --batch_size=1024 \
 --steps_per_loop=500 \
 --train_epochs=1 \
 --use_synthetic_data=false \
 --dtype=fp32 \
 --enable_eager=true \
 --enable_tensorboard=true \
 --distribution_strategy=tpu \
 --log_steps=50 \
 --single_l2_loss_op=true \
 --use_tf_function=true
```
Descrições de sinalizações de comando

tpu

O nome do Cloud TPU.

model_dir

O bucket do Cloud Storage em que os checkpoints e os resumos são armazenados durante o treinamento. Use uma pasta atual para carregar os checkpoints gerados anteriormente criados em uma TPU do mesmo tamanho e versão do TensorFlow.

data_dir

O caminho do Cloud Storage da entrada de treinamento. Neste exemplo, ele está definido como o conjunto de dados fake_imagenet.

batch_size

O tamanho do lote de treinamento.

steps_per_loop

O número de etapas de treinamento a serem executadas antes de salvar o estado na CPU. Uma etapa de treinamento é o processamento de um lote de exemplos. Isso inclui o encaminhamento e a retropropagação.

train_epochs

O número de períodos para treinar o modelo.

use_synthetic_data

Defina como true para usar dados sintéticos para treinamento.

dtype

O tipo de dado a ser usado para treinamento.

enable_eager

Ative a execução rápida do TensorFlow.

enable_tensorboard

Ative o TensorBoard.

distribution_strategy

Defina como tpu para treinar o modelo ResNet em uma Cloud TPU.

log_steps

O número de etapas de treinamento a serem executadas antes de registrar informações de tempo como examples per second.

single_l2_loss_op

Defina como true para calcular L2_loss nos pesos concatenados, em vez de usar a perda L2 por camada Keras.

use_tf_function

Defina como true para encapsular as etapas de treinamento e teste dentro de um tf.function.

Isso treinará o ResNet por uma época e será concluído em um nó de TPU v3-8 em menos de 10 minutos. A saída do script de treinamento precisa incluir textos como:

{
  'train_loss': 1.435225,
  'train_accuracy': 0.00084427913
}

O script de treinamento também executa a avaliação. A saída da avaliação precisa conter um texto como este:

Run stats:
{
  'eval_loss': 0.861013,
  'eval_acc': 0.001,
  'train_loss': 1.435225,
  'train_acc': 0.00084427913,
  'step_timestamp_log': [
    'BatchTimestamp<batch_index: 0,
    timestamp: 1606330585.7613473>',
    'BatchTimestamp<batch_index: 500,
    timestamp: 1606330883.8486104>',
    'BatchTimestamp<batch_index: 1000,
    timestamp: 1606331119.515312>',
    'BatchTimestamp<batch_index: 1251,
    timestamp: 1606331240.7516596>'
  ],
  'train_finish_time': 1606331296.395158,
  'avg_exp_per_second': 1951.6983246161021
}

Para treinar a ResNet para convergência, execute-a por 90 épocas conforme mostrado no script a seguir. O treinamento e a avaliação são feitos juntos. Cada época tem 1251 etapas para um total de 112.590 etapas de treinamento e 48 etapas de avaliação.

(vm)$ python3 resnet_ctl_imagenet_main.py \
    --tpu=${TPU_NAME} \
    --model_dir=${MODEL_DIR} \
    --data_dir=${DATA_DIR} \
    --batch_size=1024 \
    --steps_per_loop=500 \
    --train_epochs=90 \
    --use_synthetic_data=false \
    --dtype=fp32 \
    --enable_eager=true \
    --enable_tensorboard=true \
    --distribution_strategy=tpu \
    --log_steps=50 \
    --single_l2_loss_op=true \
    --use_tf_function=true

Descrições de sinalizações de comando

tpu: O nome do Cloud TPU.
model_dir: O bucket do Cloud Storage em que os checkpoints e os resumos são armazenados durante o treinamento. Use uma pasta atual para carregar os checkpoints gerados anteriormente criados em uma TPU do mesmo tamanho e versão do TensorFlow.
data_dir: O caminho do Cloud Storage da entrada de treinamento. Neste exemplo, ele está definido como o conjunto de dados fake_imagenet.
batch_size: O tamanho do lote de treinamento.
steps_per_loop: O número de etapas de treinamento a serem executadas antes de salvar o estado na CPU. Uma etapa do treinamento é o processamento de um lote de exemplos. Isso inclui um encaminhamento e a retropropagação.
train_epochs: O número de períodos para treinar o modelo.
use_synthetic_data: Define se é necessário usar dados sintéticos para treinamento.
dtype: O tipo de dado a ser usado para treinamento.
enable_eager: Ative a execução rápida do TensorFlow.
enable_tensorboard: Ative o TensorBoard.
distribution_strategy: Defina como tpu para treinar o modelo ResNet em uma Cloud TPU.
log_steps: O número de etapas de treinamento a serem executadas antes de registrar informações de tempo como examples per second.
single_l2_loss_op: Defina como true para calcular L2_loss nos pesos concatenados, em vez de usar a perda L2 por camada Keras.
use_tf_function: Defina como true para encapsular as etapas de treinamento e teste dentro de um tf.function.

Como o treinamento e a avaliação foram feitos no fake_imagenet, os resultados não refletem a saída real que apareceria se o treinamento e a avaliação fossem realizados em um conjunto de dados real.

A partir daqui, é possível concluir este tutorial e limpar os recursos do GCP ou explorar a execução do modelo em pods da Cloud TPU.

Como escalonar o modelo com os pods da Cloud TPU

Para resultados mais rápidos, escalone o modelo com os pods da Cloud TPU. O modelo ResNet-50 totalmente compatível funciona com as seguintes frações de pod:

v2-32
v3-32

Com os pods da Cloud TPU, o treinamento e a avaliação são feitos juntos.

Como treinar com pods da Cloud TPU

Exclua o recurso da Cloud TPU criado para treinar o modelo em um único dispositivo.

(vm)$ gcloud compute tpus execution-groups delete resnet-tutorial \
  --zone=europe-west4-a \
  --tpu-only

Execute o comando gcloud compute tpus execution-groups, usando o parâmetro accelerator-type para especificar a fração de pod a ser usada. Por exemplo, o comando a seguir usa uma fração de pod v3-32.
```
(vm)$ gcloud compute tpus execution-groups  create --name=resnet-tutorial \
  --accelerator-type=v3-32  \
  --zone=europe-west4-a \
  --tf-version=2.5.0 \
  --tpu-only
```
Descrições de sinalizações de comando

name

O nome da Cloud TPU a ser criada.

accelerator-type

O tipo da Cloud TPU a ser criada.

zone

A zona em que você planeja criar a Cloud TPU.

tf-version

A versão do gcloud do Tensorflow é instalada na VM.

tpu-only

Crie apenas uma Cloud TPU. Por padrão, o comando gcloud cria uma VM e uma Cloud TPU.

Defina algumas variáveis de ambiente obrigatórias:

(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/resnet-2x-pod

Treine o modelo.
```
(vm)$ python3 resnet_ctl_imagenet_main.py \
  --tpu=${TPU_NAME} \
  --model_dir=${MODEL_DIR} \
  --data_dir=${DATA_DIR} \
  --batch_size=4096 \
  --steps_per_loop=500 \
  --train_epochs=1 \
  --use_synthetic_data=false \
  --dtype=fp32 \
  --enable_eager=true \
  --enable_tensorboard=true \
  --distribution_strategy=tpu \
  --log_steps=50 \
  --single_l2_loss_op=true \
  --use_tf_function=true
```
Descrições de sinalizações de comando

tpu

O nome do Cloud TPU.

model_dir

O bucket do Cloud Storage em que os checkpoints e os resumos são armazenados durante o treinamento. Use uma pasta atual para carregar os checkpoints gerados anteriormente criados em uma TPU do mesmo tamanho e versão do TensorFlow.

data_dir

O caminho do Cloud Storage da entrada de treinamento. Neste exemplo, ele está definido com o conjunto de dados fake_imagenet.

batch_size

O tamanho do lote de treinamento.

steps_per_loop

O número de etapas de treinamento a serem executadas antes de salvar o estado na CPU. Uma etapa de treinamento é o processamento de um lote de exemplos. Isso inclui um encaminhamento e a retropropagação.

train_epochs

O número de períodos para treinar o modelo.

use_synthetic_data

Defina como true para usar dados sintéticos para treinamento.

dtype

O tipo de dado a ser usado para treinamento.

enable_eager

Defina como true para ativar a execução antecipada do TensorFlow.

enable_tensorboard

Defina como true para ativar o TensorBoard.

distribution_strategy

Defina como tpu para treinar o modelo ResNet em uma TPU.

log_steps

O número de etapas de treinamento a serem executadas antes de registrar informações de tempo como examples per second.

single_l2_loss_op

Calcule L2_loss em pesos concatenados em vez de usar a perda de L2 por camada Keras.

use_tf_function

Encapsule o treino e teste as etapas dentro de um tf.function.

O procedimento treina o modelo no conjunto de dados false_imagenet para uma época (total de 312 etapas de treinamento e 12 etapas de avaliação). O treinamento leva aproximadamente dois minutos em uma Cloud TPU v3-32. O script de treinamento precisa exibir o texto a seguir:

step: 312
steps_per_second: 1.38
{
  'train_loss': 0.3755003,
  'train_accuracy': 0.000983605
}

O script também realiza a avaliação e deve exibir o texto como o seguinte:

step: 312
evaluation metric: {
  'test_loss': 0.20280758,
  'test_accuracy': 0.001
}

Limpeza

Para evitar cobranças na sua conta do Google Cloud pelos recursos usados no tutorial, exclua o projeto que os contém ou mantenha o projeto e exclua os recursos individuais.

Desconecte-se da instância do Compute Engine, caso ainda não tenha feito isso:
```
(vm)$ exit
```
Agora, o prompt será username@projectname, mostrando que você está no Cloud Shell.

No Cloud Shell, use o seguinte comando para excluir a VM do Compute Engine e o Cloud TPU:

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

Execute gcloud compute tpus execution-groups list para verificar se os recursos foram excluídos. A exclusão pode levar vários minutos. Uma resposta como esta indica que suas instâncias foram excluídas com sucesso.
```
$ gcloud compute tpus execution-groups list \
 --zone=europe-west4-a
```
Você verá uma lista vazia de TPUs como a seguinte:
```
   NAME             STATUS
```
Exclua o bucket do Cloud Storage usando gsutil, conforme mostrado abaixo. Substitua bucket-name pelo nome do bucket no Cloud Storage.
```
$ gsutil rm -r gs://bucket-name
```

A seguir

Neste tutorial, você treinou o modelo RESNET usando um conjunto de dados de amostra. Os resultados deste treinamento (na maioria dos casos) não podem ser usados para inferência. Para usar um modelo para inferência, é possível treinar os dados em um conjunto de dados disponível publicamente ou no seu próprio conjunto de dados. Os modelos treinados nas Cloud TPUs exigem que os conjuntos de dados estejam no formato TFRecord.

Use a amostra da ferramenta de conversão de conjunto de dados para converter um conjunto de dados de classificação de imagem no formato TFRecord. Se você não estiver usando um modelo de classificação de imagem, converta manualmente o conjunto de dados para o TFRecord. Para mais informações, consulte TFRecord e tf.Example

Ajuste de hiperparâmetros

Para melhorar o desempenho do modelo com o conjunto de dados, é possível ajustar os hiperparâmetros. Encontre informações sobre hiperparâmetros comuns a todos os modelos compatíveis com a TPU no GitHub. As informações sobre hiperparâmetros específicos do modelo podem ser encontradas no código-fonte de cada modelo. Para mais informações sobre o ajuste de hiperparâmetros, consulte Visão geral do ajuste de hiperparâmetros, Como usar o serviço de ajuste de hiperparâmetros e Ajustar hiperparâmetros.

Inferência

Depois de treinar o modelo, é possível usá-lo para inferência (também chamada de previsão). O AI Platform é uma solução baseada em nuvem para desenvolver, treinar e implantar modelos de machine learning. Depois que um modelo é implantado, use o serviço do AI Platform Prediction.

Saiba como treinar e avaliar usando seus dados no lugar dos conjuntos de dados false_imagenet ou ImageNet seguindo o tutorial de conversão do conjunto de dados. O tutorial explica como usar o script de exemplo de conversão de dados de classificação de imagem para converter um conjunto de dados brutos para classificação de imagens em TFRecord utilizáveis por modelos do Cloud TPU Tensorflow.
Execute um colab da Cloud TPU que demonstra como executar um modelo de classificação de imagem usando seus próprios dados de imagem.
Explore os outros tutoriais da Cloud TPU.
Aprenda a usar as ferramentas de monitoramento de TPU no TensorBoard.
Veja como treinar o ResNet com Cloud TPU e GKE.