Exécuter le modèle Transformer avec Tensor2Tensor sur Cloud TPU

Ce tutoriel explique comment entraîner le modèle Transformer issu de l'article Attention Is All You Need) avec Tensor2Tensor sur un appareil Cloud TPU.

Description du modèle

Le modèle Transformer exploite des piles de couches d'auto-attention et à propagation avant pour traiter des entrées séquentielles telles que du texte. Il est compatible avec les variantes suivantes :

  • transformer (décodeur uniquement) pour la modélisation de séquences uniques. Exemple de cas d'utilisation : modélisation du langage.
  • transformer (encodeur/décodeur) pour la modélisation séquence-séquence. Exemple de cas d'utilisation : traduction.
  • transformer_encoder (encodeur uniquement), qui n'exécute que l'encodeur pour la modélisation séquence-classe. Exemple de cas d'utilisation : classification des sentiments.

Le modèle Transformer ne constitue qu'un des modèles de la bibliothèque Tensor2Tensor. Tensor2Tensor (T2T) est une bibliothèque de modèles et d'ensembles de données de deep learning ainsi qu'un ensemble de scripts permettant d'entraîner les modèles et de télécharger et préparer les données.

Objectifs

  • Générer l'ensemble de données d'entraînement
  • Entraîner un modèle de langage sur un seul Cloud TPU ou sur un pod Cloud TPU
  • Entraîner un modèle de traduction anglais/allemand sur un seul Cloud TPU
  • Entraîner un classificateur de sentiments sur un seul Cloud TPU
  • Nettoyer les ressources Cloud TPU

Coûts

Dans ce document, vous utilisez les composants facturables suivants de Google Cloud :

  • Compute Engine
  • Cloud TPU
  • Cloud Storage

Obtenez une estimation des coûts en fonction de votre utilisation prévue à l'aide du simulateur de coût. Les nouveaux utilisateurs de Google Cloud peuvent bénéficier d'un essai gratuit.

Avant de commencer

Si vous prévoyez d'effectuer l'entraînement sur une tranche de pod TPU, consultez la section Entraîner sur des pods TPU qui explique les points particuliers à prendre en compte lors d'un entraînement sur une tranche de pod.

Avant de commencer ce tutoriel, suivez les étapes ci-dessous pour vérifier que votre projet Google Cloud est correctement configuré.

Cette section fournit des informations sur la configuration du bucket Cloud Storage et d'une VM Compute Engine.

  1. Ouvrez une fenêtre Cloud Shell.

    Ouvrir Cloud Shell

  2. Créez une variable pour l'ID de votre projet.

    export PROJECT_ID=project-id
  3. Configurez la CLI Google Cloud pour utiliser le projet dans lequel vous souhaitez créer un Cloud TPU.

    gcloud config set project ${PROJECT_ID}

    La première fois que vous exécutez cette commande dans une nouvelle VM Cloud Shell, une page Authorize Cloud Shell s'affiche. Cliquez sur Authorize en bas de la page pour permettre à gcloud d'effectuer des appels d'API GCP avec vos identifiants.

  4. Créez un compte de service pour le projet Cloud TPU.

    gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID

    La commande renvoie un compte de service Cloud TPU au format suivant :

    service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
    

  5. Créez un bucket Cloud Storage à l'aide de la commande suivante :

    gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 -b on gs://bucket-name

    Ce bucket Cloud Storage stocke les données que vous utilisez pour entraîner votre modèle, ainsi que les résultats de l'entraînement. L'outil gcloud compute tpus execution-groups utilisé dans ce tutoriel définit les autorisations par défaut pour le compte de service Cloud TPU. Si vous souhaitez utiliser des autorisations plus précises, vérifiez les autorisations de niveau d'accès.

    L'emplacement du bucket doit se trouver dans la même région que votre machine virtuelle (VM) et votre nœud TPU. Les VM et les nœuds TPU sont situés dans des zones spécifiques, qui sont des subdivisions au sein d'une région.

  6. Lancez une VM Compute Engine à l'aide de la commande gcloud.

    $ gcloud compute tpus execution-groups create \
     --vm-only \
     --name=transformer-tutorial \
     --zone=europe-west4-a \
     --disk-size=300 \
     --machine-type=n1-standard-8 \
     --tf-version=1.15.5

    Description des options de commande

    vm-only
    Pour créer une VM uniquement. Par défaut, la commande gcloud compute tpus execution-groups crée une VM et un Cloud TPU.
    name
    Nom du Cloud TPU à créer.
    zone
    Zone dans laquelle vous prévoyez de créer votre Cloud TPU.
    disk-size
    Taille du disque dur en Go de la VM créée par la commande gcloud compute tpus execution-groups.
    machine-type
    Type de machine de la VM Compute Engine à créer.
    tf-version
    Version de TensorFlow gcloud compute tpus execution-groups installée sur la VM.

    Pour en savoir plus sur la commande gcloud, consultez la documentation de référence de gcloud.

  7. La configuration que vous avez spécifiée apparaît. Saisissez y pour approuver ou n pour annuler.

    Une fois l'exécution de la commande gcloud compute tpus execution-groups terminée, vérifiez que l'invite de l'interface système est passée de username@projectname à username@vm-name. Cette modification indique que vous êtes maintenant connecté à votre VM Compute Engine.

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

    À mesure que vous appliquez ces instructions, exécutez chaque commande commençant par (vm)$ dans votre instance Compute Engine.

Sur la VM Compute Engine, effectuez les étapes ci-dessous :

  1. Créez les variables d'environnement suivantes :

    (vm)$ export STORAGE_BUCKET=gs://bucket-name
    (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/transformer
    (vm)$ export DATA_DIR=${STORAGE_BUCKET}/data
    (vm)$ export TMP_DIR=${HOME}/t2t_tmp
  2. Créez un répertoire pour stocker les fichiers temporaires :

    (vm)$ mkdir ${TMP_DIR}
  3. Ajoutez le chemin d'accès aux scripts tensor2tensor utilisés pour traiter les données du modèle :

    (vm)$ export PATH=.local/bin:${PATH}

Entraîner un modèle de langage sur un seul Cloud TPU

  1. Générez l'ensemble de données d'entraînement pour le modèle de langage.

    (vm)$ t2t-datagen --problem=languagemodel_lm1b32k_packed \
     --data_dir=${DATA_DIR} \
     --tmp_dir=${TMP_DIR}

    Description des options de commande

    problem
    Nom du problème.
    data_dir
    Chemin d'accès Cloud Storage de l'entrée d'entraînement.
    tmp_dir
    Répertoire de stockage temporaire.
  2. Exécutez la commande suivante pour créer votre ressource Cloud TPU.

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

    Description des options de commande

    tpu-only
    Crée un Cloud TPU uniquement. Par défaut, la commande gcloud compute tpus execution-groups crée une VM et un Cloud TPU.
    zone
    Zone dans laquelle vous prévoyez de créer votre Cloud TPU. Il doit s'agir de la même zone que celle utilisée pour la VM Compute Engine. Par exemple, europe-west4-a.
    tf-version
    Version de TensorFlow ctpu installée sur la VM.
    name
    Nom du Cloud TPU à créer.
  3. Définissez une variable d'environnement pour le nom du TPU.

    (vm)$ export TPU_NAME=transformer-tutorial
  4. Exécutez le script d'entraînement.

    (vm)$ t2t-trainer \
     --model=transformer \
     --hparams_set=transformer_tpu \
     --problem=languagemodel_lm1b32k_packed \
     --eval_steps=3 \
     --data_dir=${DATA_DIR} \
     --output_dir=${MODEL_DIR}/language_lm1b32k \
     --use_tpu=True \
     --cloud_tpu_name=${TPU_NAME} \
     --train_steps=10

    Description des options de commande

    model
    Modèle à entraîner.
    hparams_set
    Hyperparamètres à utiliser lors de l'entraînement.
    problem
    Nom du problème.
    eval-steps
    Nombre d'étapes à évaluer.
    data_dir
    Chemin d'accès Cloud Storage où les données d'entraînement sont stockées.
    output_dir
    Répertoire de sortie de base à exécuter.
    use_tpu
    Définissez la valeur sur "true" pour utiliser un Cloud TPU. Sinon, définissez-la sur "false".
    cloud_tpu_name
    Nom du Cloud TPU à utiliser pour l'entraînement.
    train_steps
    Nombre d'étapes d'entraînement.

    La commande ci-dessus exécute 10 pas d'apprentissage, puis trois pas d'évaluation. Le processus prend environ 5 minutes sur un nœud TPU v3-8. Pour améliorer la précision de ce modèle, vous devez augmenter le nombre de pas d'entraînement en ajustant l'indicateur --train_steps. Il est recommandé d'entraîner le modèle en utilisant au moins 40 000 pas. Le modèle atteint habituellement sa qualité maximale au bout d'environ 250 000 pas.

  5. Supprimez la ressource Cloud TPU que vous avez créée.

    $ gcloud compute tpus execution-groups delete transformer-tutorial \
      --zone=europe-west4-a \
      --tpu-only

Entraîner un modèle de langage sur un pod Cloud TPU

  1. Exécutez la commande gcloud à l'aide du paramètre accelerator-type pour spécifier la tranche de pod que vous souhaitez utiliser. Par exemple, la commande suivante utilise une tranche de pod v2-32.

    (vm)$ gcloud compute tpus execution-groups create \
     --tpu-only \
     --accelerator-type=v2-32 \
     --name=transformer-tutorial-pod \
     --zone=europe-west4-a \
     --tf-version=1.15.5

    Description des options de commande

    tpu-only
    Crée le Cloud TPU sans créer de VM. Par défaut, la commande gcloud compute tpus execution-groups crée une VM et un Cloud TPU.
    accelerator-type
    Type du Cloud TPU à créer.
    name
    Nom du Cloud TPU à créer.
    zone
    Zone dans laquelle vous prévoyez de créer votre Cloud TPU.
    tf-version
    Version de TensorFlow ctpu installée sur la VM.
  2. Définissez une variable d'environnement pour le nouveau nom de TPU.

    (vm)$ export TPU_NAME=transformer-tutorial-pod
  3. Exécutez le script d'entraînement.

    (vm)$ t2t-trainer \
     --model=transformer \
     --hparams_set=transformer_tpu \
     --problem=languagemodel_lm1b32k_packed \
     --eval_steps=3 \
     --data_dir=${DATA_DIR} \
     --output_dir=${MODEL_DIR}/language_lm1b32k_pod \
     --use_tpu=True \
     --cloud_tpu_name=${TPU_NAME} \
     --tpu_num_shards=32  \
     --schedule=train \
     --train_steps=25000

    Description des options de commande

    model
    Modèle à entraîner.
    hparams_set
    Hyperparamètres à utiliser lors de l'entraînement.
    problem
    Nom du problème.
    eval-steps
    Nombre d'étapes à évaluer.
    data_dir
    Chemin d'accès Cloud Storage où les données d'entraînement sont stockées.
    output_dir
    Répertoire de sortie de base à exécuter.
    use_tpu
    Définissez la valeur sur "true" pour utiliser un Cloud TPU. Sinon, définissez-la sur "false".
    cloud_tpu_name
    Nom du Cloud TPU à utiliser pour l'entraînement.
    tpu_num_shards
    Nombre de segments Cloud TPU. La valeur par défaut est 8.
    schedule
    Méthode de test à exécuter.
    train_steps
    Nombre d'étapes d'entraînement du modèle.

    La commande ci-dessus exécute 25 000 pas d'entraînement, puis trois pas d'évaluation. Cet entraînement prend environ 30 minutes sur un Cloud TPU v2-32.

    Il est recommandé d'entraîner le modèle en utilisant au moins 40 000 pas. Le modèle atteint habituellement sa qualité maximale au bout d'environ 250 000 pas.

  4. Supprimez la ressource Cloud TPU que vous avez créée pour l'entraînement.

    (vm)$ gcloud compute tpus execution-groups delete transformer-tutorial \
      --zone=europe-west4-a \
      --tpu-only

Entraîner un modèle de traduction anglais/allemand sur un seul Cloud TPU

  1. Utilisez le script t2t-datagen pour générer les données d'entraînement et d'évaluation du modèle de traduction sur le bucket Cloud Storage :

    (vm)$ t2t-datagen \
     --problem=translate_ende_wmt32k_packed \
     --data_dir=${DATA_DIR} \
     --tmp_dir=${TMP_DIR}

    Description des options de commande

    problem
    Nom du problème.
    data_dir
    Chemin d'accès Cloud Storage de l'entrée d'entraînement.
    tmp_dir
    Répertoire de stockage temporaire.
  2. Exécutez la commande suivante pour créer votre ressource Cloud TPU.

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

    Description des options de commande

    tpu-only
    Crée un Cloud TPU uniquement. Par défaut, la commande gcloud compute tpus execution-groups crée une VM et un Cloud TPU.
    zone
    Zone dans laquelle vous prévoyez de créer votre Cloud TPU.
    tf-version
    Version de TensorFlow gcloud compute tpus execution-groups installée sur la VM.
    name
    Nom du Cloud TPU à créer.
  3. Définissez une variable d'environnement pour le nouveau nom de TPU.

    (vm)$ export TPU_NAME=transformer-tutorial
  4. Exécutez t2t-trainer pour entraîner et évaluer le modèle:

    (vm)$ t2t-trainer \
     --model=transformer \
     --hparams_set=transformer_tpu \
     --problem=translate_ende_wmt32k_packed \
     --eval_steps=3 \
     --data_dir=${DATA_DIR} \
     --output_dir=${MODEL_DIR}/translate_ende \
     --use_tpu=True \
     --cloud_tpu_name=${TPU_NAME} \
     --train_steps=10

    Description des options de commande

    model
    Modèle à entraîner.
    hparams_set
    Hyperparamètres à utiliser lors de l'entraînement.
    problem
    Nom du problème.
    eval-steps
    Nombre d'étapes à évaluer.
    data_dir
    Chemin d'accès Cloud Storage où les données d'entraînement sont stockées.
    output_dir
    Répertoire de sortie de base à exécuter.
    use_tpu
    Définissez la valeur sur "true" pour utiliser un Cloud TPU. Sinon, définissez-la sur "false".
    cloud_tpu_name
    Nom du Cloud TPU à utiliser pour l'entraînement.
    train_steps
    Nombre d'étapes d'entraînement du modèle.

    La commande ci-dessus exécute 10 pas d'apprentissage, puis trois pas d'évaluation. Le processus prend environ 5 minutes sur un nœud TPU v3-8. Vous pouvez (et devez) augmenter le nombre de pas d'entraînement en ajustant l'indicateur --train_steps. Les traductions commencent généralement à être acceptables après environ 40 000 pas. Le modèle atteint habituellement sa qualité maximale au bout d'environ 250 000 pas.

  5. Supprimez la ressource Cloud TPU que vous avez créée pour entraîner le modèle sur un seul appareil.

    (vm)$ gcloud compute tpus execution-groups delete transformer-tutorial \
     --tpu-only \
     --zone=europe-west4-a 

Entraîner un classificateur de sentiments sur un seul Cloud TPU

  1. Générez l'ensemble de données du modèle de classificateur de sentiments.

    (vm)$ t2t-datagen --problem=sentiment_imdb \
     --data_dir=${DATA_DIR} \
     --tmp_dir=${TMP_DIR}
  2. Exécutez la commande suivante pour créer votre ressource Cloud TPU.

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

    Description des options de commande

    tpu-only
    Crée un Cloud TPU uniquement. Par défaut, la commande gcloud compute tpus execution-groups crée une VM et un Cloud TPU.
    zone
    Zone dans laquelle vous prévoyez de créer votre Cloud TPU.
    tf-version
    Version de TensorFlow gcloud compute tpus execution-groups installée sur la VM.
    name
    Nom du Cloud TPU à créer.
  3. Exécutez le script d'entraînement.

    (vm)$ t2t-trainer \
     --model=transformer_encoder \
     --hparams_set=transformer_tiny_tpu \
     --problem=sentiment_imdb \
     --eval_steps=1 \
     --data_dir=${DATA_DIR} \
     --output_dir=${MODEL_DIR}/sentiment_classifier \
     --use_tpu=True \
     --cloud_tpu_name=${TPU_NAME} \
     --train_steps=10

    Description des options de commande

    model
    Modèle à entraîner.
    hparams_set
    Hyperparamètres à utiliser lors de l'entraînement.
    problem
    Nom du problème.
    eval-steps
    Nombre d'étapes à évaluer.
    data_dir
    Chemin d'accès Cloud Storage où les données d'entraînement sont stockées.
    output_dir
    Répertoire de sortie de base à exécuter.
    use_tpu
    Définissez la valeur sur "true" pour utiliser un Cloud TPU. Sinon, définissez-la sur "false".
    cloud_tpu_name
    Nom du Cloud TPU à utiliser pour l'entraînement.
    train_steps
    Nombre d'étapes d'entraînement du modèle.

    La commande ci-dessus exécute 10 pas d'apprentissage, puis trois pas d'évaluation. Le processus prend environ 5 minutes sur un nœud TPU v3-8. Le modèle atteint une précision avoisinant les 85 % après environ 2 000 pas.

Effectuer un nettoyage

Pour éviter que les ressources utilisées lors de ce tutoriel soient facturées sur votre compte Google Cloud, supprimez le projet contenant les ressources, ou conservez le projet et supprimez les ressources individuelles.

  1. Déconnectez-vous de l'instance Compute Engine, si vous ne l'avez pas déjà fait :

    (vm)$ exit

    Votre invite devrait maintenant être username@projectname, indiquant que vous êtes dans Cloud Shell.

  2. Dans Cloud Shell, exécutez la commande gcloud compute tpus execution-groups avec l'option --zone utilisée lors de votre configuration Cloud TPU pour supprimer votre VM Compute Engine et votre Cloud TPU :

    $ gcloud compute tpus execution-groups delete transformer-tutorial \
    --zone=europe-west4-a
  3. Vérifiez que les ressources ont été supprimées en exécutant la commande gcloud compute tpus execution-groups list. La suppression peut prendre plusieurs minutes. Une réponse semblable à la suivante indique que vos instances ont bien été supprimées.

    $ gcloud compute tpus execution-groups list \
     --zone=europe-west4-a

    Vous devriez voir une liste vide de TPU comme ci-dessous:

       NAME             STATUS
  4. Supprimez votre bucket Cloud Storage à l'aide de gsutil, comme indiqué ci-dessous. Remplacez bucket-name par le nom de votre bucket Cloud Storage.

    $ gsutil rm -r gs://bucket-name

Étapes suivantes

Les tutoriels TensorFlow Cloud TPU permettent généralement d'entraîner le modèle à l'aide d'un exemple d'ensemble de données. Les résultats de cet entraînement ne sont pas utilisables pour l'inférence. Pour utiliser un modèle d'inférence, vous pouvez entraîner les données sur un ensemble de données public ou votre propre ensemble de données. Les modèles TensorFlow entraînés sur des Cloud TPU nécessitent généralement des ensembles de données au format TFRecord.

Vous pouvez utiliser l'exemple d'outil de conversion d'ensemble de données pour convertir un ensemble de données de classification d'images au format TFRecord. Si vous n'utilisez pas de modèle de classification d'images, vous devez convertir vous-même votre ensemble de données au format TFRecord. Pour en savoir plus, consultez la page TFRecord et tf.Example.

Réglages d'hyperparamètres

Pour améliorer les performances du modèle sur votre ensemble de données, vous pouvez régler ses hyperparamètres. Vous trouverez des informations sur les hyperparamètres communs à tous les modèles compatibles avec des TPU sur GitHub. Des informations sur les hyperparamètres spécifiques aux modèles sont disponibles dans le code source de chaque modèle. Pour en savoir plus sur ces réglages, consultez les pages Présentation des réglages d'hyperparamètres, Utiliser le service de réglage d'hyperparamètres et Régler les hyperparamètres.

Inférence

Une fois votre modèle entraîné, vous pouvez l'utiliser pour l'inférence (également appelée prédiction). AI Platform est une solution cloud permettant de développer, d'entraîner et de déployer des modèles de machine learning. Une fois un modèle déployé, vous pouvez utiliser le service AI Platform Prediction.