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 instrucciones que aparecen a continuación, 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 TPU para entrenamiento y 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.

Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.

En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.

Ir al selector de proyectos

Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.

Ir al selector de proyectos

Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

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 Cloud TPU con dispositivo único

En esta sección, se proporciona información sobre cómo configurar los recursos de Cloud Storage, VM y Cloud TPU para el entrenamiento de dispositivos únicos.

Si planeas entrenar en una porción de pod de TPU, consulta Entrenar en pods de TPU para comprender los cambios necesarios para entrenar en porciones de pod.

En 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 GCP con tus credenciales.

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 usarse en 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. Con la herramienta gcloud compute tpus execution-groups que se usa en este instructivo, se configuran los permisos predeterminados para la cuenta de servicio de Cloud TPU que configuraste en el paso anterior. Si quieres contar con permisos más detallados, revisa los permisos de nivel de acceso.

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

En Cloud Shell, configura gcloud con el ID del proyecto.

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 bucket.
```
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 gs://bucket-name
```
Inicia una instancia de VM de Compute Engine.

Esta instancia de VM solo se usará para descargar y procesar previamente el conjunto de datos COCO. Completa instance-name con el nombre que desees.
```
$ gcloud compute tpus execution-groups create \
 --vm-only \
 --name=instance-name \
 --zone=europe-west4-a \
 --disk-size=300 \
 --machine-type=n1-standard-16 \
 --tf-version=2.12.0
```
Descripciones de las marcas de comandos

vm-only

Crea solo una VM. De forma predeterminada, el comando gcloud compute tpus execution-groups crea una VM y una Cloud TPU.

name

Es el nombre de la Cloud TPU que se creará.

zone

La zona en la que planeas crear tu Cloud TPU.

disk-size

El tamaño del disco duro en GB de la VM que creó el comando gcloud compute tpus execution-groups.

machine-type

El tipo de máquina de la VM de Compute Engine que se creará.

tf-version

La versión gcloud compute tpus execution-groups de TensorFlow se instala en la VM.
Si no accediste de forma automática a la instancia de Compute Engine, ejecuta el siguiente comando de ssh para acceder. Cuando accedas a la VM, el indicador de shell cambiará de username@projectname a username@vm-name:
```
  $ gcloud compute ssh instance-name --zone=europe-west4-a
  
```
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 install -y python3-tk && \
  pip3 install --user Cython matplotlib opencv-python-headless pyyaml Pillow && \
  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 TFRecords (*.tfrecord), que son compatibles con la aplicación de entrenamiento.
```
(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. Como resultado, se muestra una serie de archivos *.tfrecord en tu directorio de datos local. La secuencia de comandos de conversión y descarga de COCO tarda alrededor de 1 hora en completarse.
Copia los datos en tu bucket de Cloud Storage

Después de convertir los datos en TFRecords, cópialos desde el almacenamiento local a tu depósito de Cloud Storage con el comando gsutil. También debes copiar los archivos de anotaciones. Estos archivos ayudan a validar el rendimiento del modelo.
```
(vm)$ gsutil -m cp ./data/dir/coco/*.tfrecord ${DATA_DIR}
(vm)$ gsutil cp ./data/dir/coco/raw-data/annotations/*.json ${DATA_DIR}
```
Limpia los recursos de VM

Una vez que el conjunto de datos COCO se haya convertido en TFRecords y se haya copiado en DATA_DIR en tu bucket de Cloud Storage, puedes borrar la instancia de Compute Engine.

Desconéctate de la instancia de Compute Engine:
```
(vm)$ exit
```
El mensaje ahora debería mostrar username@projectname, que indica que estás en Cloud Shell.

Borra tu instancia de Compute Engine.

  $ gcloud compute instances delete instance-name
    --zone=europe-west4-a

Inicia los recursos de TPU y entrena el modelo

Usa el comando gcloud para iniciar los recursos de TPU. El comando que uses depende de si usas VMs de TPU o nodos TPU. Para obtener más información sobre las dos arquitecturas de VM, consulta Arquitectura del sistema.
VM de TPU
```
$ gcloud compute tpus tpu-vm create shapemask-tutorial \
--zone=europe-west4-a \
--accelerator-type=v3-8 \
--version=tpu-vm-tf-2.16.1-pjrt
```
Descripciones de las marcas de comandos

zone

La zona en la que planeas crear tu Cloud TPU.

accelerator-type

El tipo de acelerador especifica la versión y el tamaño de la Cloud TPU que quieres crear. Si quieres 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.
Nodo TPU
```
$ gcloud compute tpus execution-groups create  \
 --zone=europe-west4-a \
 --name=shapemask-tutorial \
 --accelerator-type=v3-8 \
 --machine-type=n1-standard-8 \
 --disk-size=300 \
 --tf-version=2.12.0
```
Descripciones de las marcas de comandos

zone

La zona en la que planeas crear tu Cloud TPU.

name

El nombre de la TPU. Si no se especifica, el valor predeterminado es tu nombre de usuario.

accelerator-type

El tipo de Cloud TPU que se creará.

machine-type

El tipo de máquina de la VM de Compute Engine que se creará.

disk-size

El tamaño del volumen raíz de la VM de Compute Engine (en GB).

tf-version

La versión gcloud de TensorFlow se instala en la VM.
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, se necesitan alrededor de 5 minutos para realizar las tareas de inicio, como la propagación de la llave SSH y la activación de la API.
Si no accediste de forma automática a la instancia de Compute Engine, ejecuta el siguiente comando de ssh para acceder. Cuando accedas a la VM, el indicador de shell cambiará de username@projectname a username@vm-name:
VM de TPU
```
gcloud compute tpus tpu-vm ssh shapemask-tutorial --zone=europe-west4-a
```
Nodo TPU
```
gcloud compute 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.

Mientras sigues estas instrucciones, ejecuta cada comando que empiece con (vm)$ en la ventana de sesión de tu VM.

Instala los requisitos de TensorFlow.

VM de TPU

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

Nodo TPU

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

La secuencia de comandos de entrenamiento requiere un paquete adicional. Instálalo ahora:

VM de TPU

(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3

Nodo TPU

(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3

Configura la variable del nombre del bucket de almacenamiento. Reemplaza 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 de TPU

(vm)$ export TPU_NAME=local

Nodo TPU

(vm)$ export TPU_NAME=shapemask-tutorial

Establece la variable de entorno PYTHONPATH:

VM de TPU

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

Nodo TPU

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

Ve al directorio en el que se almacena el modelo:

VM de TPU

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

Nodo TPU

(vm)$ cd /usr/share/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 creas tu TPU, si estableces el parámetro --version en una versión que termina en -pjrt, configura 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 configurar distribution_strategy en 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 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 mediante TPU del mismo tamaño y versión de TensorFlow.

mode

Configúralo como train para entrenar el modelo o como 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. Esto tarda alrededor de 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 distribution_strategy en 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 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 mediante TPU del mismo tamaño y versión de TensorFlow.
mode: Configúralo como train para entrenar el modelo o como 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 complete la evaluación, aparecerá 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

Completaste el entrenamiento y la evaluación en un solo dispositivo. Sigue los pasos que se indican a continuación para borrar los recursos actuales de TPU de dispositivo único.

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.
VM de TPU
```
$ gcloud compute tpus tpu-vm delete shapemask-tutorial \
--zone=europe-west4-a
```
Descripciones de las marcas de comandos

zone

Es la zona en la que reside tu Cloud TPU.
Nodo TPU
```
$ gcloud compute tpus execution-groups delete shapemask-tutorial \
--tpu-only \
--zone=europe-west4-a
```
Descripciones de las marcas de comandos

tpu-only

Borra solo la Cloud TPU. La VM permanece disponible.

zone

La zona que contiene la TPU que se borrará.
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

El entrenamiento de tu modelo en pods de Cloud TPU puede requerir algunos cambios en la secuencia de comandos de entrenamiento. Para obtener más información, consulta Entrenamiento en pods de TPU.

Entrenamiento de Pods de TPU

Abre una ventana de Cloud Shell.

Abra 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 GCP con tus 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 servicios de Google Cloud Platform.
```
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 que creaste anteriormente para tu proyecto.

Importante: Configura tus recursos de Cloud TPU y tu bucket de Cloud Storage en la misma región o 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.
```
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 gs://bucket-name
```
Si ya preparaste el conjunto de datos COCO y lo moviste a tu bucket de almacenamiento, puedes volver a usarlo para el entrenamiento de Pods. Si aún no preparaste el conjunto de datos COCO, prepáralo ahora y regresa aquí para configurar el entrenamiento de Pods.
Inicia un Pod de Cloud TPU

En este instructivo, se especifica un Pod v3-32. Para ver otras opciones de pod, consulta las versiones de TPU.
VM de TPU
Nota: Si no hay suficiente capacidad disponible actualmente para crear el pod de TPU, puedes poner tu solicitud en cola con los recursos en cola. Los recursos en cola te permiten recibir capacidad una vez que está disponible. Si quieres solicitar tus recursos de Cloud TPU como recursos en cola, usa el comando gcloud alpha compute tpus queued-resources create en su lugar. Para obtener más información, consulta Cómo administrar recursos en cola.
```
$ gcloud compute tpus tpu-vm create shapemask-tutorial \
--zone=europe-west4-a \
--accelerator-type=v3-32 \
--version=tpu-vm-tf-2.16.1-pod-pjrt
```
Descripciones de las marcas de comandos

zone

La zona en la que planeas crear tu Cloud TPU.

accelerator-type

El tipo de acelerador especifica la versión y el tamaño de la Cloud TPU que quieres crear. Si quieres 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 alrededor de 5 minutos en realizar tareas de inicio, como la propagación de la llave SSH y la activación de la API.
Nodo TPU
```
$ gcloud compute tpus execution-groups create  \
 --zone=europe-west4-a \
 --name=shapemask-tutorial \
 --accelerator-type=v3-32 \
 --machine-type=n1-standard-8 \
 --disk-size=300 \
 --tf-version=2.12.0
```
Descripciones de las marcas de comandos

zone

La zona en la que planeas crear tu Cloud TPU.

name

El nombre de la TPU. Si no se especifica, el valor predeterminado es tu nombre de usuario.

accelerator-type

El tipo de Cloud TPU que se creará.

machine-type

El tipo de máquina de la VM de Compute Engine que se creará.

disk-size

El tamaño del volumen raíz de la VM de Compute Engine (en GB).

tf-version

La versión gcloud de TensorFlow se instala en la VM.

Nota: Si tienes más de un proyecto, debes especificar el ID del proyecto con la marca --project.
Si no accediste de forma automática a la instancia de Compute Engine, ejecuta el siguiente comando de ssh para acceder. Cuando accedas a la VM, el indicador de shell cambiará de username@projectname a username@vm-name:
VM de TPU
```
gcloud compute tpus tpu-vm ssh shapemask-tutorial --zone=europe-west4-a
```
Nodo TPU
```
gcloud compute 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.

Mientras sigues estas instrucciones, ejecuta cada comando que empiece con (vm)$ en la ventana de sesión de tu VM.

Instala los requisitos de TensorFlow.

VM de TPU

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

Nodo TPU

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

La secuencia de comandos de entrenamiento requiere un paquete adicional. Instálalo ahora:

VM de TPU

(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3

Nodo TPU

(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 necesarias:

VM de TPU

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

Nodo TPU

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

Ve al directorio en el que se almacena el modelo:

VM de TPU

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

Nodo TPU

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

Inicia el entrenamiento de Pods.

El entrenamiento de muestra se ejecuta solo 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 establecer distribution_strategy en 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 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 mediante TPU del mismo tamaño y versión de TensorFlow.

mode

Configúralo como train para entrenar el modelo o como 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.

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. El comando que uses para borrar tus recursos depende de si usas VM o nodos TPU. Para obtener más información, consulta Arquitectura del sistema.
VM de TPU
```
$ gcloud compute tpus tpu-vm delete shapemask-tutorial \
--zone=europe-west4-a
```
Nodo TPU
```
$ gcloud compute tpus execution-groups delete shapemask-tutorial \
--zone=europe-west4-a
```
Ejecuta gcloud compute tpus execution-groups 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 execution-groups list --zone=europe-west4-a
```
Ejecuta gsutil como se muestra y reemplaza bucket-name por el nombre del depósito de Cloud Storage que creaste para este instructivo:

Precaución: Todos los datos de entrenamiento se perderán cuando borres el bucket, así que solo realiza este paso cuando hayas terminado de ejecutar el instructivo.
```
$ gsutil rm -r gs://bucket-name
```

¿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 modelo de ResNet previo al entrenamiento en tu propio conjunto de datos y usarlo como base para tu modelo ShapeMask. Con algo más de trabajo, también puedes intercambiar ResNet por una red troncal alternativa. Por último, si estás interesado en implementar tus propios modelos de detección de objetos, esta red puede ser una buena base para experimentar más.