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 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. 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”

  5. 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

  6. 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 gcloud compute tpus execution-groups 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 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-8 \
     --tf-version=1.15.5
    

    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
    在虚拟机上安装的 Tensorflow ctpu 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
    

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。

    (vm)$ gcloud compute tpus execution-groups create \
     --tpu-only \
     --accelerator-type=v3-8  \
     --name=resnet-tutorial \
     --zone=europe-west4-a \
     --tf-version=1.15.5
    

    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
    在虚拟机上安装的 Tensorflow ctpu 的版本。
  2. 设置 Cloud TPU 名称变量。

     (vm)$ export TPU_NAME=resnet-tutorial
     (vm)$ export ACCELERATOR_TYPE=v3-8
    
  3. 导航到模型目录:

    (vm)$ cd /usr/share/tpu/models/official/resnet/
    
  4. 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
    

    命令标志说明

    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
    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
    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。
    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

训练脚本输出应如下所示:

Eval results at step 500: {
  'top_1_accuracy': 0.0010579427,
  'top_5_accuracy': 0.005391439,
  'global_step': 500,
  'loss': 8.253192
}

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)$ 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=v2-32  \
      --zone=europe-west4-a \
      --tf-version=1.15.5 \
      --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. 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
    

    命令标志说明

    tpu
    Cloud TPU 的名称。
    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。
    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。
    train_steps
    用于训练的步骤数。
    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

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)$ gcloud compute tpus execution-groups delete resnet-tutorial \
     --zone=europe-west4-a \
     --tpu-only
    
  2. 创建 v3-8 Cloud TPU Pod 资源。

    (vm)$ gcloud compute tpus execution-groups create \
      --tpu-only \
      --name=resnet-tutorial \
      --zone=europe-west4-a \
      --tf-version=1.15.5 \
      --accelerator-type=v2-8
    

    命令标志说明

    tpu-only
    仅创建 Cloud TPU,不创建 Compute Engine。
    name
    要创建的 Cloud TPU 的名称。
    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。
    accelerator-type
    要创建的 Cloud TPU 的类型
  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
    

    命令标志说明

    tpu
    用于训练的 Cloud TPU。
    data_dir
    存储训练数据的 Cloud Storage 路径。在此示例中,该路径设置为 fake_imagenet 数据集。
    model_dir
    在模型训练期间存储检查点和总结的 Cloud Storage 路径。您可以重复使用现有的文件夹来加载之前生成的检查点和存储其他检查点,只要先前的检查点是使用相同大小的 Cloud TPU 和相同 Tensorflow 版本创建的即可。
    mode
    trainevaltrain_and_evalpredict 之一。
    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

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。

清除数据

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@project,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