Cloud TPU에서 PyTorch를 사용하여 FairSeq Transformer 학습

이 가이드에서는 영어를 독일어로 번역하면서 특히 Transformer의 FairSeq 버전과 WMT 18 번역 작업을 중점적으로 다룹니다.

목표

  • 데이터 세트를 준비합니다.
  • 학습 작업을 실행합니다.
  • 출력 결과를 확인합니다.

비용

이 가이드에서는 비용이 청구될 수 있는 다음과 같은 Google Cloud 구성요소를 사용합니다.

  • Compute Engine
  • Cloud TPU

가격 계산기를 사용하여 예상 사용량을 기준으로 예상 비용을 산출합니다. Google Cloud를 처음 사용하는 사용자는 무료 체험판을 사용할 수 있습니다.

시작하기 전에

이 가이드를 시작하기 전에 Google Cloud 프로젝트가 올바르게 설정되었는지 확인하세요.

  1. Google 계정으로 로그인합니다.

    아직 계정이 없으면 새 계정을 등록하세요.

  2. Cloud Console의 프로젝트 선택기 페이지에서 Cloud 프로젝트를 선택하거나 만듭니다.

    프로젝트 선택기 페이지로 이동

  3. Google Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다. 프로젝트에 결제가 사용 설정되어 있는지 확인하는 방법을 알아보세요.

  4. 이 둘러보기에서는 비용이 청구될 수 있는 Google Cloud 구성요소를 사용합니다. 예상 비용은 Cloud TPU 가격 책정 페이지에서 확인하세요. 리소스 사용을 마쳤으면 불필요한 비용이 청구되지 않도록 생성한 리소스를 삭제하세요.

Compute Engine 인스턴스 설정

  1. Cloud Shell 창을 엽니다.

    Cloud Shell 열기

  2. 프로젝트 ID의 변수를 만듭니다.

    export PROJECT_ID=project-id
    
  3. Cloud TPU를 만들려는 프로젝트를 사용하도록 gcloud 명령줄 도구를 구성합니다.

    gcloud config set project ${PROJECT_ID}
    
  4. Cloud Shell에서 이 가이드에 필요한 Compute Engine 리소스를 실행합니다.

    gcloud compute --project=${PROJECT_ID} instances create transformer-tutorial \
    --zone=us-central1-a  \
    --machine-type=n1-standard-16  \
    --image-family=torch-xla \
    --image-project=ml-images  \
    --boot-disk-size=200GB \
    --scopes=https://www.googleapis.com/auth/cloud-platform
    
  5. 새 Compute Engine 인스턴스에 연결합니다.

    gcloud compute ssh transformer-tutorial --zone=us-central1-a
    

Cloud TPU 리소스 시작

  1. Compute Engine 가상 머신에서 다음 명령어를 사용하여 Cloud TPU 리소스를 시작합니다.

    (vm) $ gcloud compute tpus create transformer-tutorial \
    --zone=us-central1-a \
    --network=default \
    --version=pytorch-1.6 \
    --accelerator-type=v3-8
    
  2. Cloud TPU 리소스의 IP 주소를 식별합니다.

    (vm) $ gcloud compute tpus list --zone=us-central1-a
    

    IP 주소는 NETWORK_ENDPOINTS 열 아래에 있습니다. PyTorch 환경을 만들고 구성할 때 이 IP 주소가 필요합니다.

데이터 다운로드

  1. 모델 데이터를 저장할 pytorch-tutorial-data 디렉터리를 만듭니다.

    (vm) $ mkdir $HOME/pytorch-tutorial-data
    
  2. pytorch-tutorial-data 디렉터리로 이동합니다.

    (vm) $ cd $HOME/pytorch-tutorial-data
    
  3. 모델 데이터를 다운로드합니다.

    (vm) $ wget https://dl.fbaipublicfiles.com/fairseq/data/wmt18_en_de_bpej32k.zip
    
  4. 데이터를 추출합니다.

    (vm) $ sudo apt-get install unzip && \
    unzip wmt18_en_de_bpej32k.zip
    

PyTorch 환경 만들기 및 구성

  1. conda 환경을 시작합니다.

    (vm) $ conda activate torch-xla-1.6
    
  2. Cloud TPU 리소스의 환경 변수를 구성합니다.

    (vm) $ export TPU_IP_ADDRESS=ip-address; \
    export XRT_TPU_CONFIG="tpu_worker;0;$TPU_IP_ADDRESS:8470"
    

모델 학습

모델을 학습시키려면 다음 스크립트를 실행합니다.

(vm) $ python /usr/share/torch-xla-1.6/tpu-examples/deps/fairseq/train.py \
  $HOME/pytorch-tutorial-data/wmt18_en_de_bpej32k \
  --save-interval=1 \
  --arch=transformer_vaswani_wmt_en_de_big \
  --max-target-positions=64 \
  --attention-dropout=0.1 \
  --no-progress-bar \
  --criterion=label_smoothed_cross_entropy \
  --source-lang=en \
  --lr-scheduler=inverse_sqrt \
  --min-lr 1e-09 \
  --skip-invalid-size-inputs-valid-test \
  --target-lang=de \
  --label-smoothing=0.1 \
  --update-freq=1 \
  --optimizer adam \
  --adam-betas '(0.9, 0.98)' \
  --warmup-init-lr 1e-07 \
  --lr 0.0005 \
  --warmup-updates 4000 \
  --share-all-embeddings \
  --dropout 0.3 \
  --weight-decay 0.0 \
  --valid-subset=valid \
  --max-epoch=25 \
  --input_shapes 128x64 \
  --num_cores=8 \
  --metrics_debug \
  --log_steps=100

출력 결과 확인

학습 작업이 완료된 후에는 다음 디렉터리에서 모델 체크포인트를 찾을 수 있습니다.

$HOME/checkpoints

삭제

만든 리소스를 사용한 후에는 계정에 불필요한 비용이 청구되지 않도록 삭제를 수행하세요.

  1. Compute Engine 인스턴스에서 연결을 해제합니다.

    (vm) $ exit
    

    프롬프트가 user@projectname으로 바뀌면 Cloud Shell에 있는 것입니다.

  2. Cloud Shell에서 gcloud 명령줄 도구를 사용하여 Compute Engine 인스턴스를 삭제합니다.

    $  gcloud compute instances delete transformer-tutorial  --zone=us-central1-a
    
  3. gcloud 명령줄 도구를 사용하여 Cloud TPU 리소스를 삭제합니다.

    $  gcloud compute tpus delete transformer-tutorial --zone=us-central1-a
    

다음 단계

PyTorch Colab 사용: