Se usó la API de Cloud Translation para traducir esta página.

Entrena ShapeMask en Cloud TPU (TF 2.x)

En este documento se muestra cómo ejecutar el modelo ShapeMask mediante Cloud TPU con el conjunto de datos COCO.

En las siguientes instrucciones, se supone que ya estás familiarizado con la ejecución de un modelo en Cloud TPU. Si eres nuevo en Cloud TPU, puedes consultar la guía de inicio rápido para obtener una introducción básica.

Si planeas entrenar en una porción de pod de TPU, revisa la página sobre el entrenamiento en pods de TPU para comprender los cambios de parámetros necesarios cuando trabajas con porciones de pod.

Objetivos

Prepara el conjunto de datos COCO
Crear un bucket de Cloud Storage para almacenar el resultado de tu modelo y tu conjunto de datos
Configura recursos de TPU para el entrenamiento y la evaluación
Ejecutar el entrenamiento y la evaluación en un solo Cloud TPU o un pod de Cloud TPU

Costos

En este documento, usarás 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.

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

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 dispositivo único de Cloud TPU

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

Si planeas entrenar en una porción de pod de TPU, consulta la página sobre el entrenamiento en pods de TPU para comprender los cambios necesarios para entrenar en porciones de pod.

En Cloud Shell, crea una variable para la API de tu proyecto. ID.
```
export PROJECT_ID=project-id
```
Configura Google Cloud CLI para usar el proyecto en el que quieres 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 Google Cloud con tus credenciales de Google Cloud.

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

Prepara el conjunto de datos COCO

En este instructivo, se usa el conjunto de datos COCO. El conjunto de datos debe estar en formato TFRecord en un bucket de Cloud Storage para el entrenamiento.

La ubicación del bucket debe estar en la misma región que tu máquina virtual (VM) y tu nodo TPU. Las VM y los nodos TPU se encuentran en zonas específicas, que son subdivisiones dentro de una región.

El bucket de Cloud Storage almacena los datos que usas para entrenar tu modelo y los resultados del entrenamiento. La herramienta gcloud compute tpus tpu-vm que se usa en este instructivo configura permisos predeterminados para la cuenta de servicio de Cloud TPU que configuraste en la paso anterior. Si deseas contar con permisos más detallados, revisa los permisos de nivel de acceso.

Si ya tienes el conjunto de datos de COCO preparado en un bucket de Cloud Storage que se encuentra en la zona que usarás para entrenar el modelo, puedes iniciar los recursos de TPU y preparar Cloud TPU para el entrenamiento. De lo contrario, sigue los pasos que se indican a continuación para preparar el conjunto de datos.

En Cloud Shell, configura gcloud con tu proyecto. ID.

export PROJECT_ID=project-id
gcloud config set project ${PROJECT_ID}

En Cloud Shell, crea un bucket de Cloud Storage con el siguiente comando:
Nota: En el siguiente comando, reemplaza bucket-name por el nombre que deseas asignar a tu depósito.
```
gcloud storage buckets create gs://bucket-name --project=${PROJECT_ID} --location=us-central2
```

Crea una VM de Compute Engine para descargar y procesar previamente el conjunto de datos. Para ver más información, consulta Crea y, luego, inicia una instancia de Compute Engine.

$ gcloud compute instances create vm-name \
    --zone=us-central2-b \
    --image-family=ubuntu-2204-lts \
    --image-project=ubuntu-os-cloud \
    --machine-type=n1-standard-16 \
    --boot-disk-size=300GB

Conéctate a la VM de Compute Engine mediante SSH:
```
$ gcloud compute ssh vm-name --zone=us-central2-b
```
Cuando te conectas a la VM, el símbolo del sistema de la shell cambia de De username@projectname a username@vm-name.
Configura dos variables, una para el bucket de almacenamiento que creaste antes y otra para el directorio que contiene los datos de entrenamiento (DATA_DIR) en el bucket de almacenamiento.
```
(vm)$ export STORAGE_BUCKET=gs://bucket-name
```
```
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
```

Instala los paquetes necesarios para procesar los datos con anterioridad.

(vm)$ sudo apt-get update && \
  sudo apt-get install python3-pip && \
  sudo apt-get install -y python3-tk && \
  pip3 install --user Cython matplotlib opencv-python-headless pyyaml Pillow numpy absl-py tensorflow && \
  pip3 install --user "git+https://github.com/cocodataset/cocoapi#egg=pycocotools&subdirectory=PythonAPI"

Ejecuta la secuencia de comandos download_and_preprocess_coco.sh para convertir el conjunto de datos COCO en un conjunto de archivos TFRecord (*.tfrecord) que el entrenamiento espera la aplicación.
```
(vm)$ git clone https://github.com/tensorflow/tpu.git
(vm)$ sudo bash tpu/tools/datasets/download_and_preprocess_coco.sh ./data/dir/coco
```
Esto instala las bibliotecas necesarias y ejecuta la secuencia de comandos de procesamiento previo. Genera archivos *.tfrecord en tu directorio de datos local. La secuencia de comandos de conversión y descarga de COCO tarda aproximadamente una hora en completarse.
Copia los datos en tu bucket de Cloud Storage.

Después de convertir los datos al formato TFRecord, cópialos del almacenamiento local a tu bucket de Cloud Storage con la CLI de gcloud. También debes copiar los archivos de anotaciones. Estos archivos ayudan a validar rendimiento.
```
(vm)$ gcloud storage cp ./data/dir/coco/*.tfrecord ${DATA_DIR}
(vm)$ gcloud storage cp ./data/dir/coco/raw-data/annotations/*.json ${DATA_DIR}
```
Desconéctate de la VM de Compute Engine:
```
(vm)$ exit
```
El mensaje ahora debería mostrar username@projectname, que indica que estás en Cloud Shell.

Borra tu VM de Compute Engine:

$ gcloud compute instances delete vm-name \
--zone=us-central2-b

Inicia los recursos de TPU y entrena el modelo

Usa el comando gcloud para iniciar los recursos TPU.
```
$ gcloud compute tpus tpu-vm create shapemask-tutorial \
  --zone=europe-west4-a \
  --accelerator-type=v3-8 \
  --version=tpu-vm-tf-2.17.0-pjrt
```
Descripciones de las marcas de comandos

zone

Es la zona en la que deseas crear la Cloud TPU.

accelerator-type

El tipo de acelerador especifica la versión y el tamaño de la Cloud TPU que deseas crear. Para obtener más información sobre los tipos de aceleradores compatibles con cada versión de TPU, consulta Versiones de TPU.

version

La versión de software de Cloud TPU.

Nota: Si tienes más de un proyecto, debes especificar el ID del proyecto con la marca --project.

Para obtener más información sobre el comando de gcloud, consulta la Referencia de gcloud.
Nota: La primera vez que ejecutas gcloud compute tpus en un proyecto, tarda unos 5 minutos en realizar las tareas de inicio, como la propagación de claves SSH y la activación de la API.
Conéctate a la instancia de Compute Engine con SSH. Cuando te conectes a la VM, el indicador de shell cambiará de username@projectname a username@vm-name:
```
gcloud compute tpus tpu-vm ssh shapemask-tutorial --zone=europe-west4-a
```
Punto clave: A partir de este momento, el prefijo (vm) $ significa que debes ejecutar el comando en la instancia de VM de Compute Engine.

Instala los requisitos de TensorFlow.

(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt

La secuencia de comandos de entrenamiento requiere un paquete adicional. Instálalo ahora:
```
(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3
```
Configura la variable del nombre del bucket de almacenamiento. Reemplazar bucket-name por el nombre de tu bucket de almacenamiento:
```
(vm)$ export STORAGE_BUCKET=gs://bucket-name
```
Configura la variable de nombre de Cloud TPU.
```
(vm)$ export TPU_NAME=local
```

Establece la variable de entorno PYTHONPATH:

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

Ve al directorio en el que se almacena el modelo:

(vm)$ cd /usr/share/tpu/models/official/legacy/detection

Agrega algunas variables de entorno obligatorias:

(vm)$ export RESNET_CHECKPOINT=gs://cloud-tpu-checkpoints/retinanet/resnet50-checkpoint-2018-02-07
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
(vm)$ export TRAIN_FILE_PATTERN=${DATA_DIR}/train-*
(vm)$ export EVAL_FILE_PATTERN=${DATA_DIR}/val-*
(vm)$ export VAL_JSON_FILE=${DATA_DIR}/instances_val2017.json
(vm)$ export SHAPE_PRIOR_PATH=gs://cloud-tpu-checkpoints/shapemask/kmeans_class_priors_91x20x32x32.npy
(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/shapemask

Cuando crees tu TPU, si configuras el parámetro --version en una versión que finaliza con -pjrt, establece las siguientes variables de entorno para habilitar el entorno de ejecución de PJRT:
```
  (vm)$ export NEXT_PLUGGABLE_DEVICE_USE_C_API=true
  (vm)$ export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
```
Entrena el modelo ShapeMask:

La siguiente secuencia de comandos ejecuta un entrenamiento de muestra que se entrena en solo 100 pasos y tarda unos 10 minutos en completarse en una TPU v3-8. El entrenamiento para la convergencia lleva alrededor de 22,500 pasos y aproximadamente 6 horas en una TPU v3-8.
```
(vm)$ python3 main.py \
  --strategy_type=tpu \
  --tpu=${TPU_NAME} \
  --model_dir=${MODEL_DIR} \
  --mode=train \
  --model=shapemask \
  --params_override="{train: {total_steps: 100, learning_rate: {init_learning_rate: 0.08, learning_rate_levels: [0.008, 0.0008], learning_rate_steps: [15000, 20000], }, checkpoint: { path: ${RESNET_CHECKPOINT},prefix: resnet50}, train_file_pattern: ${TRAIN_FILE_PATTERN}}, shapemask_head: {use_category_for_mask: true, shape_prior_path: ${SHAPE_PRIOR_PATH}}, shapemask_parser: {output_size: [640, 640]}}"
```
Descripciones de las marcas de comandos

strategy_type

Para entrenar el modelo Shapemask en una TPU, debes establecer la distribution_strategy a tpu.

tpu

El nombre de Cloud TPU. Se establece con el Variable de entorno TPU_NAME.

model_dir

El directorio en el que se almacenan puntos de control y resúmenes durante el entrenamiento del modelo. Si la carpeta no está, 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 con una Cloud TPU del mismo tamaño y versión de TensorFlow.

mode

Configúralo como train para entrenar el modelo o eval para evaluarlo.

params_override

Una string JSON que anula parámetros de secuencia de comandos predeterminados. Para obtener más información sobre los parámetros de secuencias de comandos, consulta /usr/share/models/official/legacy/detection/main.py.

Cuando finalice el entrenamiento, aparecerá un mensaje similar al siguiente:
```
Train Step: 100/100  / loss = {'total_loss': 10.815635681152344,
'loss': 10.815635681152344, 'retinanet_cls_loss': 1.4915691614151,
'l2_regularization_loss': 4.483549118041992,
'retinanet_box_loss': 0.013074751943349838,
'shapemask_prior_loss': 0.17314358055591583,
'shapemask_coarse_mask_loss': 1.953366756439209,
'shapemask_fine_mask_loss': 2.216097831726074, 'model_loss': 6.332086086273193,
'learning_rate': 0.021359999} / training metric = {'total_loss': 10.815635681152344,
'loss': 10.815635681152344, 'retinanet_cls_loss': 1.4915691614151,
'l2_regularization_loss': 4.483549118041992,
'retinanet_box_loss': 0.013074751943349838,
'shapemask_prior_loss': 0.17314358055591583,
'shapemask_coarse_mask_loss': 1.953366756439209,
'shapemask_fine_mask_loss': 2.216097831726074,
'model_loss': 6.332086086273193, 'learning_rate': 0.021359999}
```

Ejecuta la secuencia de comandos para evaluar el modelo ShapeMask. El proceso demora unos 10 minutos en una TPU v3-8:

(vm)$ python3 main.py \
--strategy_type=tpu \
--tpu=${TPU_NAME} \
--model_dir=${MODEL_DIR} \
--checkpoint_path=${MODEL_DIR} \
--mode=eval_once \
--model=shapemask \
--params_override="{eval: { val_json_file: ${VAL_JSON_FILE}, eval_file_pattern: ${EVAL_FILE_PATTERN}, eval_samples: 5000 }, shapemask_head: {use_category_for_mask: true, shape_prior_path: ${SHAPE_PRIOR_PATH}}, shapemask_parser: {output_size: [640, 640]}}"

Descripciones de las marcas de comandos

strategy_type: Para entrenar el modelo Shapemask en una TPU, debes establecer la distribution_strategy a tpu.
tpu: El nombre de Cloud TPU. Se configura con la variable de entorno TPU_NAME.
model_dir: El directorio en el que se almacenan los puntos de control y los resúmenes durante el modelo capacitación. Si la carpeta no está, el programa crea una. Cuando se usa una Cloud TPU, 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 con una Cloud TPU del mismo tamaño y la misma versión de TensorFlow.
mode: Configúralo como train para entrenar el modelo o eval para evaluarlo.
params_override: Una string JSON que anula parámetros de secuencia de comandos predeterminados. Para obtener más información sobre los parámetros de secuencias de comandos, consulta /usr/share/models/official/legacy/detection/main.py.

Cuando se completa la evaluación, aparece un mensaje similar al siguiente:

DONE (t=5.47s).
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.000

Ya completaste el entrenamiento y la evaluación con un solo dispositivo. Usa el a continuación para borrar los recursos actuales de TPU de un solo dispositivo.

Desconéctate de la instancia de Compute Engine:
```
(vm)$ exit
```
El mensaje ahora debería mostrar username@projectname, que indica que estás en Cloud Shell.
Borra el recurso TPU.
```
$ gcloud compute tpus tpu-vm delete shapemask-tutorial \
    --zone=europe-west4-a
```
Descripciones de las marcas de comandos

zone

La zona en la que Cloud TPU residiste.

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

Es posible que entrenar tu modelo en pods de Cloud TPU requiera algunos cambios en tu secuencia de comandos de entrenamiento. Para obtener información, consulta Entrena en pods de TPU.

Entrenamiento de Pods de TPU

Abre una ventana de Cloud Shell.

Abrir Cloud Shell
Crea una variable para el ID de tu proyecto.
```
export PROJECT_ID=project-id
```
Configura Google Cloud CLI 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 Google Cloud con tu credenciales.
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 Google Cloud de Google Cloud.
```
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
```
Crea un bucket de Cloud Storage con el siguiente comando o usa un bucket existente.

Importante: Configura tus recursos de Cloud TPU y tu bucket de Cloud Storage en la misma región y zona para reducir la latencia y los costos de red. Las Cloud TPU se encuentran en zonas específicas, que son subdivisiones dentro de una región.
```
gcloud storage buckets create gs://bucket-name --project=${PROJECT_ID} --location=europe-west4
```
Si preparaste el conjunto de datos COCO y lo trasladaste a tu almacenamiento puedes volver a usarlo para el entrenamiento de Pods. Si aún no preparaste el conjunto de datos de COCO, prepáralo ahora y vuelve aquí para configurar el entrenamiento de Pods.
Inicia un pod de Cloud TPU

En este instructivo, se especifica un Pod v3-32. Para conocer otras opciones de Pod, consulta Versiones de TPU.

Nota: Si no hay suficiente capacidad disponible en la actualidad para crear el pod de TPU, puedes poner la solicitud en cola con recursos en cola. Los recursos en cola permiten recibir capacidad cuando esté disponible. Para solicitar tus recursos de Cloud TPU como recursos en cola, usa el comando gcloud compute tpus queued-resources create. Para obtener más información, consulta Administra recursos en cola.
```
$ gcloud compute tpus tpu-vm create shapemask-tutorial \
  --zone=europe-west4-a \
  --accelerator-type=v3-32 \
  --version=tpu-vm-tf-2.17.0-pod-pjrt
```
Descripciones de las marcas de comandos

zone

Es la zona en la que deseas crear la Cloud TPU.

accelerator-type

El tipo de acelerador especifica la versión y el tamaño de la Cloud TPU que deseas crear. Para obtener más información sobre los tipos de aceleradores compatibles con cada versión de TPU, consulta Versiones de TPU.

version

La versión de software de Cloud TPU.

Nota: La primera vez que ejecutas gcloud en un proyecto, tarda aproximadamente 5 minutos para realizar tareas de inicio, como la propagación de claves SSH y la activación de la API.
Nota: Si tienes más de un proyecto, debes especificar el ID del proyecto. con la marca --project.
Conéctate a la instancia de Compute Engine con SSH. Cuando estés conectado a la VM, el símbolo del sistema de shell cambia de username@projectname a username@vm-name:
```
gcloud compute tpus tpu-vm ssh shapemask-tutorial --zone=europe-west4-a
```
Punto clave: A partir de este punto, el prefijo (vm) $ significa que debes ejecutar el comando en la instancia de VM de Compute Engine.

Instala los requisitos de TensorFlow.

(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt

La secuencia de comandos de entrenamiento requiere un paquete adicional. Instálalo ahora:
```
(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3
```
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
```
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.

Actualiza las variables de entrenamiento necesarias.

(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/shapemask-pods
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
(vm)$ export RESNET_CHECKPOINT=gs://cloud-tpu-checkpoints/retinanet/resnet50-checkpoint-2018-02-07
(vm)$ export TRAIN_FILE_PATTERN=${DATA_DIR}/train-*
(vm)$ export EVAL_FILE_PATTERN=${DATA_DIR}/val-*
(vm)$ export VAL_JSON_FILE=${DATA_DIR}/instances_val2017.json
(vm)$ export SHAPE_PRIOR_PATH=gs://cloud-tpu-checkpoints/shapemask/kmeans_class_priors_91x20x32x32.npy

Configura algunas variables de entorno obligatorias:

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

Ve al directorio en el que se almacena el modelo:

(vm)$ cd /usr/share/tpu/models/official/legacy/detection

Inicia el entrenamiento del pod.

El entrenamiento de muestra se ejecuta en 20 pasos y tarda alrededor de 10 minutos en completarse en un nodo TPU v3-32. El entrenamiento para la convergencia lleva alrededor de 11,250 pasos y aproximadamente 2 horas en un pod de TPU v3-32.
```
(vm)$ python3 main.py \
 --strategy_type=tpu \
 --tpu=${TPU_NAME} \
 --model_dir=${MODEL_DIR} \
 --mode=train \
 --model=shapemask \
 --params_override="{train: { batch_size: 128, iterations_per_loop: 500, total_steps: 20, learning_rate: {'learning_rate_levels': [0.008, 0.0008], 'learning_rate_steps': [10000, 13000] }, checkpoint: { path: ${RESNET_CHECKPOINT}, prefix: resnet50/ }, train_file_pattern: ${TRAIN_FILE_PATTERN} }, eval: { val_json_file: ${VAL_JSON_FILE}, eval_file_pattern: ${EVAL_FILE_PATTERN}}, shapemask_head: {use_category_for_mask: true, shape_prior_path: ${SHAPE_PRIOR_PATH}} }"
```
Descripciones de las marcas de comandos

strategy_type

Para entrenar el modelo Shapemask en una TPU, debes configurar distribution_strategy en tpu.

tpu

El nombre de Cloud TPU. Se establece con el Variable de entorno TPU_NAME.

model_dir

El directorio en el que se almacenan puntos de control y resúmenes durante el entrenamiento del modelo. Si la carpeta no está, el programa crea una. Cuándo con una Cloud TPU, el model_dir debe ser un Ruta de acceso de Cloud Storage (gs://...). Puedes reutilizar un carpeta existente para cargar los datos del punto de control actual y almacenar puntos de control siempre que los anteriores se hayan creado con un Cloud TPU del mismo tamaño y versión de TensorFlow.

mode

Establece esto como train para entrenar el modelo o eval para evaluar el modelo.

params_override

Una string JSON que anula parámetros de secuencia de comandos predeterminados. Para ver más información sobre los parámetros de secuencia de comandos, consulta /usr/share/models/official/legacy/detection/main.py.

Limpia

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.

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.

Borra tus recursos de Cloud TPU y Compute Engine.

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

Ejecuta gcloud compute tpus tpu-vm 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:
```
$ gcloud compute tpus tpu-vm list --zone=europe-west4-a
```
Ejecuta gcloud CLI como se muestra y reemplaza bucket-name por el nombre del bucket de Cloud Storage que creaste para este instructivo:

Precaución: Todos los datos de entrenamiento se perderán cuando borres tu depósito, así que solo lleva a cabo este paso cuando hayas terminado de ejecutar el instructivo.
```
$ gcloud storage rm gs://bucket-name --recursive
```

¿Qué sigue?

Entrena con diferentes tamaños de imagen

Puedes explorar con una red neuronal más grande (por ejemplo, ResNet-101 en lugar de ResNet-50). Una imagen de entrada más grande y una red neuronal más potente producirán un modelo más lento, pero más preciso.

Usa una base diferente

Como alternativa, puedes explorar el entrenamiento previo de un modelo ResNet en tu propio conjunto de datos y usarlo como base para tu modelo ShapeMask. Con un poco más de trabajo, puedes pueden cambiar a una red neuronal alternativa en lugar de ResNet. Por último, si te interesa implementar tus propios modelos de detección de objetos, esta red puede ser una buena base para seguir experimentando.