在 Cloud TPU 上训练 ResNet

本教程中的模型基于用于图片识别的深度残差学习,率先引入了残差网络 (ResNet) 架构。本教程使用 50 层变体 ResNet-50,演示如何使用 TPUEstimator 训练该模型。 ResNet-50 模型已预安装到您的 Compute Engine 虚拟机上。

目标

  • 创建 Cloud Storage 存储分区以保存数据集和模型输出。
  • 准备测试版 ImageNet 数据集,该数据集又称为 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 帐号。

    如果您还没有 Google 帐号,请注册一个新帐号

  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。

    转到项目选择器页面

  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、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 ctpu up 工具会为 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

    存储分区位置必须与虚拟机 (VM) 和 TPU 节点位于同一区域。虚拟机和 TPU 节点位于特定地区,即区域内的细分。

  6. 使用 ctpu up 命令启动为此所需的 Compute Engine 资源。

    ctpu up --project=${PROJECT_ID} \
    --zone=europe-west4-a \
    --vm-only \
    --name=resnet-tutorial \
    --disk-size-gb=300 \
    --machine-type=n1-standard-8 \
    --tf-version=1.15.4
    

    命令标志说明

    project
    您的 GCP 项目 ID
    zone
    拟在其中创建 Cloud TPU 的区域
    vm-only
    仅创建虚拟机。默认情况下,ctpu up 命令会同时创建虚拟机和 Cloud TPU。
    name
    要创建的 Cloud TPU 的名称。
    disk-size-gb
    ctpu up 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
    在虚拟机上安装的 Tensorflow ctpu 的版本。

    如需详细了解 CTPU 实用程序,请参阅 CTPU 参考

  7. 在出现提示时,按 y 创建 Cloud TPU 资源。

ctpu up 命令执行完毕后,验证 shell 提示符已从 username@project 更改为 username@vm-name。此变化表明您现已登录 Compute Engine 虚拟机。如果您未连接到 Compute Engine 实例,则可通过运行以下命令进行连接:

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

从现在开始,前缀 (vm)$ 表示您应该在 Compute Engine 虚拟机实例上运行该命令。

配置存储空间、模型和数据路径

设置以下环境变量,其中将 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=${STORAGE_BUCKET}/resnet
(vm)$ export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet
(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/tpu/models"

训练应用应该能够访问 Cloud Storage 中的训练数据。在训练期间,训练应用会用您的 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 是一个图片数据库。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包含成百上千个图片。

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 ctpu 实用程序启动 Cloud TPU 资源,并设置一些稍后要使用的环境变量。

     (vm)$ ctpu up --project=${PROJECT_ID} \
       --tpu-only \
       --tf-version=1.15.4 \
       --name=resnet-tutorial
    
     (vm)$ export TPU_NAME=resnet-tutorial
     (vm)$ export ACCELERATOR_TYPE=v3-8
    
  2. 导航到模型目录:

    (vm)$ cd /usr/share/tpu/models/official/resnet/
    
  3. 运行训练脚本。

    对于单个 Cloud TPU 设备,该脚本会对 ResNet-50 模型训练 90 个周期,并在每个训练步骤后评估结果。使用 train_steps 标志设置的训练步数。使用下面的脚本命令行,模型应该会在大约 15 分钟内完成训练。

    由于训练和评估是利用 fake_imagenet 数据集完成的,因此训练和评估结果不会反映在利用实际数据集执行训练和评估时才会生成的结果。

    如果对实际数据集运行此脚本,请使用 train_steps 标志指定训练步数。请参阅 /usr/share/tpu/models/official/resnet/configs/cloud 目录中的 .yaml 文件,了解要使用的训练步数。

     (vm)$ python3 resnet_main.py \
        --tpu=${TPU_NAME} \
        --data_dir=${DATA_DIR} \
        --model_dir=${MODEL_DIR} \
        --train_steps=500 \
        --config_file=configs/cloud/${ACCELERATOR_TYPE}.yaml
    
    参数 说明
    tpu 用于指定 Cloud TPU 的名称。请注意,ctpu 会将此名称以环境变量 (TPU_NAME) 的形式传递给 Compute Engine 虚拟机。
    data_dir 用于指定训练输入的 Cloud Storage 路径。在此示例中,该路径设置为 fake_imagenet 数据集。
    model_dir 用于指定在模型训练期间存储检查点和摘要的目录。如果指定的文件夹不存在,此程序会自行创建相应文件夹。使用 Cloud TPU 时,model_dir 必须是 Cloud Storage 路径 (`gs://...`)。您可以重复使用现有的文件夹来加载当前检查点数据和存储其他检查点,只要先前的检查点是使用相同大小的 TPU 和 TensorFlow 版本创建的即可。
    config_file 指定要在训练期间使用的 YAML 配置文件。此文件的名称对应于所用 TPU 的类型。例如 v2-8.yaml

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
  • v2-128
  • v2-256
  • v2-512
  • v3-32
  • v3-128
  • v3-256
  • v3-512
  • v3-1024
  • v3-2048

使用 Cloud TPU Pod 时,首先使用 Pod 训练模型,然后使用单台 Cloud TPU 设备评估模型。

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)$ ctpu delete --project=${PROJECT_ID} \
       --tpu-only \
       --name=resnet-tutorial
    
  2. 运行 ctpu up 命令,并使用 tpu-size 参数指定要使用的 Pod 切片。例如,以下命令使用 v2-32 Pod 切片。

      (vm)$ ctpu up --project=${PROJECT_ID} \
        --tpu-only \
        --tpu-size=v2-32 \
        --tf-version=1.15.4 \
        --name=resnet-tutorial
    
  3. 更新 TPU_NAMEACCELERATOR_TYPE 环境变量,为 TPU Pod 名称指定加速器类型。

      (vm)$ export TPU_NAME=resnet-tutorial
      (vm)$ export ACCELERATOR_TYPE=v2-32
    
  4. 更新 MODEL_DIR 目录以存储训练数据。

      (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/resnet-tutorial
    
  5. 训练模型,更新 config_file 参数以使用与要使用的 Pod 切片相对应的配置文件。例如,训练脚本使用 v2-32.yaml 配置文件。

    该脚本利用 fake_imagnet 数据集对模型训练 35 个周期。此训练在 v3-128 Cloud TPU 上大约需要 90 分钟。

      (vm)$ python3 resnet_main.py \
        --tpu=${TPU_NAME} \
        --data_dir=${DATA_DIR} \
        --model_dir=${MODEL_DIR} \
        --train_steps=500 \
        --config_file=configs/cloud/${ACCELERATOR_TYPE}.yaml
    

评估模型

在此步骤中,您将使用 Cloud TPU 针对 fake_imagenet 验证数据评估上述经过训练的模型。

  1. 删除为训练模型而创建的 Cloud TPU 资源。

     (vm)$ ctpu delete --project=${PROJECT_ID} \
       --tpu-only \
       --name=resnet-tutorial
    
  2. 启动 v2-8 Cloud TPU。

     (vm)$ ctpu up --project=${PROJECT_ID} \
       --tpu-only \
       --tf-version=1.15.4 \
       --name=resnet-eval
    
  3. 更新 TPU_NAME 环境变量。

     (vm)$ export TPU_NAME=resnet-eval
    
  4. 运行模型评估。这一次,添加 mode 标志并将其设置为 eval

     (vm)$ python3 resnet_main.py \
       --tpu=${TPU_NAME} \
       --data_dir=${DATA_DIR} \
       --model_dir=${MODEL_DIR} \
       --mode=eval
       --config_file=configs/cloud/${ACCELERATOR_TYPE}.yaml
    

这将生成如下所示的输出:

Eval results: {'loss': 8.255788, 'top_1_accuracy': 0.0009969076, 'global_step': 0, 'top_5_accuracy': 0.005126953}. Elapsed seconds: 76

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。

清理

为避免因本教程中使用的资源导致您的 Google Cloud Platform 帐号产生费用,请执行以下操作:

  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@project,表明您位于 Cloud Shell 中。

  2. 在您的 Cloud Shell 中,使用您在设置 Cloud TPU 时所用的 --zone 标志运行 ctpu delete,以删除 Compute Engine 虚拟机和 Cloud TPU:

    $ ctpu delete --project=${PROJECT_ID} \
      --zone=europe-west4-a
    
  3. 运行 ctpu status 以确保未分配任何实例,避免产生不必要的 TPU 使用费。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不再有已分配的实例:

    $ ctpu status --project=${PROJECT_ID}} \
     --name=resnet-tutorial \
     --zone=europe-west4-a
    
    2018/04/28 16:16:23 WARNING: Setting zone to "europe-west4-a"
    No instances currently exist.
            Compute Engine VM:     --
            Cloud TPU:             --
    
  4. 如下所示运行 gsutil,将 bucket-name 替换为您为本教程创建的 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