在 Cloud TPU 上训练 ResNet (TF 2.x)

本教程介绍如何使用 tf.distribute.TPUStrategy 在 Cloud TPU 上训练 Keras ResNet 模型。

如果您不熟悉 Cloud TPU,强烈建议您浏览快速入门,了解如何创建 TPU 和 Compute Engine 虚拟机。

目标

  • 创建 Cloud Storage 存储分区以保存数据集和模型输出。
  • 准备与 ImageNet 数据集类似的 fake_imagenet 数据集。
  • 运行训练作业。
  • 验证输出结果。

费用

本教程使用 Google Cloud 的以下收费组件:

  • Compute Engine
  • Cloud TPU
  • Cloud Storage

请使用价格计算器根据您的预计使用情况来估算费用。 Google Cloud 新用户可能有资格申请免费试用

准备工作

在开始学习本教程之前,请检查您的 Google Cloud 项目是否已正确设置。

  1. 登录您的 Google Cloud 帐号。如果您是 Google Cloud 新手,请创建一个帐号来评估我们的产品在实际场景中的表现。新客户还可获享 $300 赠金,用于运行、测试和部署工作负载。
  2. 在 Google Cloud Console 的项目选择器页面上,选择或创建一个 Google Cloud 项目。

    转到“项目选择器”

  3. 确保您的 Cloud 项目已启用结算功能。 了解如何确认您的项目是否已启用结算功能

  4. 本演示使用 Google Cloud 的收费组件。请查看 Cloud TPU 价格页面估算您的费用。请务必在使用完您创建的资源以后清理这些资源,以免产生不必要的费用。

设置资源

本部分介绍如何为教程设置 Cloud Storage 存储空间、虚拟机和 Cloud TPU 资源。

  1. 打开一个 Cloud Shell 窗口。

    打开 Cloud Shell

  2. 为项目 ID 创建一个变量。

    export PROJECT_ID=project-id
    
  3. 配置 gcloud 命令行工具,以使用要在其中创建 Cloud TPU 的项目。

    gcloud config set project ${PROJECT_ID}
    

    当您第一次在新的 Cloud Shell 虚拟机中运行此命令时,系统会显示 Authorize Cloud Shell 页面。点击页面底部的 Authorize 以允许 gcloud 使用您的凭据进行 GCP API 调用。

  4. 为 Cloud TPU 项目创建服务帐号。

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

    该命令将返回以下格式的 Cloud TPU 服务帐号:

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

  5. 使用以下命令创建 Cloud Storage 存储分区:

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

    此 Cloud Storage 存储分区存储您用于训练模型的数据和训练结果。本教程中使用的 gcloud compute tpus execution-groups 工具会为您在上一步中设置的 Cloud TPU 服务帐号设置默认权限。如果您需要更精细的权限,请查看访问级层权限

    存储分区位置必须要与 Compute Engine(虚拟机)和 Cloud TPU 节点位于同一区域。

  6. 使用 gcloud 命令启动 Compute Engine 虚拟机和 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
    

    命令标志说明

    vm-only
    仅创建虚拟机。默认情况下,gcloud compute tpus execution-groups 命令会同时创建虚拟机和 Cloud TPU。
    name
    要创建的 Cloud TPU 的名称。
    zone
    拟在其中创建 Cloud TPU 的区域
    disk-size
    gcloud compute tpus execution-groups 命令创建的虚拟机的硬盘大小(以 GB 为单位)。
    machine-type
    要创建的 Compute Engine 虚拟机的机器类型
    tf-version
    虚拟机上的 TensorFlow gcloud compute tpus execution-groups 安装的版本。

    如需详细了解 gcloud 命令,请参阅 gcloud 参考文档

  7. 在出现提示时,按 y 创建 Cloud TPU 资源。

    gcloud compute tpus execution-groups 命令执行完毕后,验证 shell 提示符已从 username@projectname 更改为 username@vm-name。 此变化表明您现已登录 Compute Engine 虚拟机。

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

    继续按照这些说明操作,在 Compute Engine 实例中运行以 (vm)$ 开头的每个命令。

设置 Cloud Storage 存储分区变量

设置以下环境变量,将 bucket-name 替换为 Cloud Storage 存储分区的名称:

(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/"

训练应用应该能够访问 Cloud Storage 中的训练数据。在训练期间,训练应用还会使用您的 Cloud Storage 存储分区来存储检查点。

使用 fake_imagenet 来训练和评估 ResNet 模型

ImageNet 是一个图像数据库。数据库中的图片被整理为一个层次结构,该层次结构中的每个节点由成百上千个图片进行描述。

本教程使用演示版的完整 ImageNet 数据集,该数据集又称为 fake_imagenet。此演示版本可用于测试教程,同时降低通常与使用完整 ImageNet 数据库运行模型相关的存储和时间要求。

此 fake_imagenet 数据集位于 Cloud Storage 上的以下位置:

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

此 fake_imagenet 数据集仅用于了解如何使用 Cloud TPU 并验证端到端性能。准确率数字和保存的模型并无实际意义。

如需了解如何下载和处理完整 ImageNet 数据集,请参阅下载、预处理和上传 ImageNet 数据集

  1. 使用 gcloud 命令启动 Cloud TPU 资源。

    (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
    

    命令标志说明

    tpu-only
    创建 Cloud TPU,而不创建虚拟机。默认情况下,gcloud compute tpus execution-groups 命令会同时创建虚拟机和 Cloud TPU。
    accelerator-type
    要创建的 Cloud TPU 的类型
    name
    要创建的 Cloud TPU 的名称。
    zone
    拟在其中创建 Cloud TPU 的区域
    tf-version
    要在虚拟机上安装的 TensorFlow 的版本。
  2. 设置 Cloud TPU 名称变量。

    (vm)$ export TPU_NAME=resnet-tutorial
    
  3. ResNet 训练脚本需要额外的软件包。立即安装:

    (vm)$ sudo pip3 install tensorflow-model-optimization>=0.1.3
    
  4. 导航到 ResNet-50 模型目录:

    (vm)$ cd /usr/share/models/official/vision/image_classification/resnet/
    
  5. 运行训练脚本。使用一个 false_imagenet 数据集并用一个周期训练 ResNet。

    (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
    

    命令标志说明

    tpu
    Cloud TPU 的名称。
    model_dir
    在训练期间存储检查点和摘要的 Cloud Storage 存储分区。您可以使用现有文件夹加载根据相同大小和 TensorFlow 版本的先前生成 TPU 创建的检查点。
    data_dir
    训练输入的 Cloud Storage 路径。在此示例中,该路径设置为 fake_imagenet 数据集。
    batch_size
    训练批次大小。
    steps_per_loop
    将状态保存到 CPU 之前要运行的训练步数。 一个训练步骤是处理一批次的样本。这包括前向传导和反向传播。
    train_epochs
    训练模型的周期数。
    use_synthetic_data
    设置为 true 以使用合成数据进行训练。
    dtype
    用于训练的数据类型。
    enable_eager
    启用 TensorFlow 即刻执行
    enable_tensorboard
    启用 TensorBoard
    distribution_strategy
    设置为 tpu 以在 Cloud TPU 上训练 ResNet 模型。
    log_steps
    记录时间信息(例如 examples per second)之前要执行的训练步数。
    single_l2_loss_op
    设置为 true 以计算关联权重的 L2_loss,而不是使用 Keras 每层 L2 损失。
    use_tf_function
    设置为 true 以将训练和测试步骤封装在 tf.function 内。

ResNet 1 周期的训练将在 10 分钟内在 v3-8 TPU 节点上完成。训练脚本输出应包括如下所示的文本:

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

训练脚本也会执行评估。评估输出应包含如下文本:

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
}

要训练 ResNet 收敛,请运行 90 个周期,如以下脚本所示。训练和评估是一起完成的。每个周期都有 1251 个步骤,总计 112590 个训练步骤和 48 个评估步骤。

(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

命令标志说明

tpu
Cloud TPU 的名称。
model_dir
在训练期间存储检查点和摘要的 Cloud Storage 存储分区。您可以使用现有文件夹加载根据相同大小和 TensorFlow 版本的先前生成 TPU 创建的检查点。
data_dir
训练输入的 Cloud Storage 路径。在此示例中,该路径设置为 fake_imagenet 数据集。
batch_size
训练批次大小。
steps_per_loop
将状态保存到 CPU 之前要运行的训练步数。训练步骤是对一批样本的处理。包括前向传导和反向传播。
train_epochs
训练模型的周期数。
use_synthetic_data
是否使用合成数据进行训练。
dtype
用于训练的数据类型。
enable_eager
启用 TensorFlow 即刻执行
enable_tensorboard
启用 TensorBoard
distribution_strategy
设置为 tpu 以在 Cloud TPU 上训练 ResNet 模型。
log_steps
记录时间信息(例如 examples per second)之前要执行的训练步数。
single_l2_loss_op
设置为 true 以计算关联权重的 L2_loss,而不是使用 Keras 每层 L2 损失。
use_tf_function
设置为 true 以将训练和测试步骤封装在 tf.function 内。

由于训练和评估是利用 fake_imagenet 数据集完成的,因此输出结果不会反映实际输出,实际输出在利用实际数据集执行训练和评估时才会出现。

此时,您可以结束本教程并清理 GCP 资源,也可以进一步了解如何在 Cloud TPU Pod 上运行模型。

使用 Cloud TPU Pod 扩缩模型

您可以使用 Cloud TPU Pod 扩缩模型,以便更快获得结果。完全受支持的 ResNet-50 模型可与以下 Pod 切片配合使用:

  • v2-32
  • v3-32

借助 Cloud TPU Pod,训练和评估可同时完成。

使用 Cloud TPU Pod 进行训练

  1. 删除为在单台设备上训练模型而创建的 Cloud TPU 资源。

    (vm)$ gcloud compute tpus execution-groups delete resnet-tutorial \
      --zone=europe-west4-a \
      --tpu-only
  2. 运行 gcloud compute tpus execution-groups 命令,并使用 accelerator-type 参数指定要使用的 Pod 切片。例如,以下命令使用 v3-32 Pod 切片。

    (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
    

    命令标志说明

    name
    要创建的 Cloud TPU 的名称。
    accelerator-type
    要创建的 Cloud TPU 的类型
    zone
    拟在其中创建 Cloud TPU 的区域
    tf-version
    在虚拟机上安装的 Tensorflow gcloud 的版本。
    tpu-only
    仅创建 Cloud TPU。默认情况下,gcloud 命令会同时创建虚拟机和 Cloud TPU。
  3. 设置一些所需的环境变量:

    (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/resnet-2x-pod
    
  4. 训练模型。

    (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

    命令标志说明

    tpu
    Cloud TPU 的名称。
    model_dir
    在训练期间存储检查点和摘要的 Cloud Storage 存储分区。您可以使用现有文件夹加载根据相同大小和 TensorFlow 版本的先前生成 TPU 创建的检查点。
    data_dir
    训练输入的 Cloud Storage 路径。在此示例中,该路径设置为 fake_imagenet 数据集。
    batch_size
    训练批次大小。
    steps_per_loop
    将状态保存到 CPU 之前要运行的训练步数。 一个训练步骤是处理一批次的样本。包括前向传导和反向传播。
    train_epochs
    训练模型的周期数。
    use_synthetic_data
    设置为 true 以使用合成数据进行训练。
    dtype
    用于训练的数据类型。
    enable_eager
    设置为 true 以启用 TensorFlow 即刻执行
    enable_tensorboard
    设置为 true 以启用 TensorBoard
    distribution_strategy
    设置为 tpu 以在 TPU 上训练 ResNet 模型。
    log_steps
    记录时间信息(例如 examples per second)之前要执行的训练步数。
    single_l2_loss_op
    计算串联权重的 L2_loss,而不是使用 Keras 每层 L2 损失。
    use_tf_function
    将训练和测试步骤封装在 tf.function 内。

该程序将基于 fake_imagenet 数据集对模型进行 1 个周期的训练(共 312 个训练步骤和 12 个评估步骤)。此训练在 v3-32 Cloud TPU 上大约需要 2 分钟。训练脚本应显示如下所示的文本:

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

该脚本还会执行评估,并且应显示如下文本:

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

清理

为避免因本教程中使用的资源导致您的 Google Cloud 帐号产生费用,请删除包含这些资源的项目,或者保留项目但删除各个资源。

  1. 断开与 Compute Engine 实例的连接(如果您尚未这样做):

    (vm)$ exit
    

    您的提示符现在应为 username@projectname,表明您位于 Cloud Shell 中。

  2. 在您的 Cloud Shell 中,使用以下命令删除您的 Compute Engine 虚拟机和 Cloud TPU:

    $ gcloud compute tpus execution-groups delete resnet-tutorial \
      --zone=europe-west4-a
    
  3. 通过运行 gcloud compute tpus execution-groups list 验证资源是否已删除。删除操作可能需要几分钟时间才能完成。如下所示的响应表明实例已成功删除。

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

    您应该会看到如下所示的空白 TPU 列表:

       NAME             STATUS
    
  4. 使用 gsutil 删除 Cloud Storage 存储分区,如下所示。将 bucket-name 替换为您的 Cloud Storage 存储分区的名称。

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

后续步骤

在本教程中,您已使用示例数据集训练 RESNET 模型。此训练的结果(在大多数情况下)不能用于推断。要使用模型进行推断,您可以在公开提供的数据集或您自己的数据集上训练数据。在 Cloud TPU 上训练的模型要求数据集采用 TFRecord 格式。

您可以使用数据集转换工具示例将图片分类数据集转换为 TFRecord 格式。如果您未使用图片分类模型,则必须自行将数据集转换为 TFRecord 格式。如需了解详情,请参阅 TFRecord 和 tf.Example

超参数调节

如需使用数据集提升模型的性能,您可以调节模型的超参数。您可以在 GitHub 上寻找所有 TPU 支持模型通用的超参数的相关信息。您可以在每个模型的源代码中寻找模型专用超参数的相关信息。如需详细了解超参数调节,请参阅超参数调节概览使用超参数调节服务调节超参数

推理

训练模型后,您可以使用该模型进行推断(也称为预测)。AI Platform 是一款基于云的解决方案,用于开发、训练部署机器学习模型。部署模型后,您可以使用 AI Platform Prediction 服务

  • 遵循数据集转换教程,了解如何使用自己的数据替代 fake_imagenet 或 ImageNet 数据集来进行训练和评估。该教程介绍了如何使用图片分类数据转换器示例脚本,将用于图片分类的原始数据集转换为 Cloud TPU Tensorflow 模型可用的 TFRecord。
  • 运行 Cloud TPU colab,演示如何使用您自己的图片数据运行图片分类模型。
  • 浏览其他 Cloud TPU 教程
  • 学习 TensorBoard 中 TPU 监控工具的使用方法。
  • 了解如何使用 Cloud TPU 和 GKE 训练 ResNet。