Ejecuta el Transformer con Tensor2Tensor en Cloud TPU

En este instructivo, se muestra cómo entrenar el modelo Transformer (de Atención es todo lo que necesitas) con Tensor2Tensor en Cloud TPU.

Descripción del modelo

El modelo Transformer utiliza pilas de capas de autoatención y capas de feed anticipada para procesar la entrada secuencial como texto. Admite las variantes siguientes:

  • transformer (solo decodificador) para el modelado de una sola secuencia. Caso práctico de ejemplo: modelado de lenguaje
  • transformer (codificador-decodificador) para el modelado de secuencia a secuencia. Caso práctico de ejemplo: traducción
  • transformer_encoder (solo codificador) ejecuta solo el codificador para el modelado de secuencia a clase. Caso práctico de ejemplo: clasificación de opinión

El Transformer es solo uno de los modelos de la biblioteca Tensor2Tensor. Tensor2Tensor (T2T) es una biblioteca de modelos y conjuntos de datos de aprendizaje profundo, así como un conjunto de secuencias de comandos que te permiten entrenar los modelos y descargar y preparar los datos.

Objetivos

  • Genera el conjunto de datos de entrenamiento
  • Entrena un modelo de lenguaje en una sola Cloud TPU o en un pod de Cloud TPU
  • Entrena un modelo de traducción inglés-alemán en un solo Cloud TPU
  • Entrena un clasificador de opiniones en un solo Cloud TPU
  • Limpia los recursos 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

Si planeas entrenar en una porción de pod de TPU, asegúrate de leer el entrenamiento en pods de TPU que explica las consideraciones especiales para entrenar en una porción de pod.

Antes de comenzar este instructivo, sigue los pasos a continuación para verificar que tu proyecto de Google Cloud esté configurado de forma adecuada.

En esta sección, se proporciona información sobre cómo configurar el bucket de Cloud Storage y una VM de Compute Engine.

  1. Abre una ventana de Cloud Shell.

    Abra Cloud Shell

  2. Crea una variable para el ID de tu proyecto.

    export PROJECT_ID=project-id

  3. Configura la CLI de Google Cloud 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.

  4. 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

  5. Crea un bucket de Cloud Storage con el siguiente comando:

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

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

    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.

  6. Inicia una VM de Compute Engine con el comando 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

    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
    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 creada por 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 de gcloud compute tpus execution-groups de TensorFlow se instala en la VM.

    Para obtener más información sobre el comando de gcloud, consulta la Referencia de gcloud.

  7. Aparece la configuración que especificaste. Ingresa y para aprobar o n para cancelar.

    Cuando el comando gcloud compute tpus execution-groups termine de ejecutarse, verifica que el indicador de shell haya cambiado de username@projectname a username@vm-name. Este cambio indica que accediste a tu VM de Compute Engine.

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

    Mientras sigues estas instrucciones, ejecuta cada comando que comience con (vm)$ en tu instancia de Compute Engine.

En tu VM de Compute Engine

  1. Crea las variables de entorno siguientes:

    (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. Crea un directorio para almacenar archivos temporales:

    (vm)$ mkdir ${TMP_DIR}

  3. Agrega la ruta a las secuencias de comandos tensor2tensor usadas para procesar los datos del modelo:

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

Entrena un modelo de lenguaje en una sola Cloud TPU

  1. Genera el conjunto de datos de entrenamiento para el modelo de lenguaje.

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

    Descripciones de las marcas de comandos

    problem
    El nombre del problema.
    data_dir
    La ruta de entrada de entrenamiento en Cloud Storage.
    tmp_dir
    El directorio de almacenamiento temporal.

  2. Ejecuta el siguiente comando para crear tu recurso de Cloud TPU.

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

    Descripciones de las marcas de comandos

    tpu-only
    Crea una Cloud TPU sola. De forma predeterminada, el comando gcloud compute tpus execution-groups crea una VM y una Cloud TPU.
    zone
    Es la zona en la que deseas crear la Cloud TPU. Debería ser la misma zona que usaste para la VM de Compute Engine. Por ejemplo: europe-west4-a.
    tf-version
    La versión de ctpu de TensorFlow se instala en la VM.
    name
    El nombre de la Cloud TPU que se creará.

  3. Crea una variable de entorno para el nombre de la TPU.

    (vm)$ export TPU_NAME=transformer-tutorial

  4. Ejecuta la secuencia de comandos de entrenamiento.

    (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

    Descripciones de las marcas de comandos

    model
    El modelo que se entrenará.
    hparams_set
    Los hiperparámetros que se usarán durante el entrenamiento.
    problem
    El nombre del problema.
    eval-steps
    La cantidad de pasos que se deben evaluar.
    data_dir
    La ruta de Cloud Storage en la que se almacenan los datos de entrenamiento.
    output_dir
    Directorio de salida base que se ejecutará.
    use_tpu
    Se configura como “true” para usar una Cloud TPU; de lo contrario, es “false”.
    cloud_tpu_name
    El nombre de Cloud TPU que se usará para el entrenamiento.
    train_steps
    La cantidad de pasos para entrenar.

    El comando anterior ejecuta 10 pasos de entrenamiento, luego, 3 pasos de evaluación. Se ejecuta en unos 5 minutos en un nodo TPU v3-8. Para que este modelo sea más exacto, debes aumentar la cantidad de pasos de entrenamiento mediante el ajuste de la marca --train_steps. Se recomienda entrenar el modelo con al menos 40,000 pasos. En general, el modelo converge a su máxima calidad después de ~250,000 pasos.

  5. Borra el recurso de Cloud TPU que creaste.

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

Entrena un modelo de lenguaje en un Pod de Cloud TPU

  1. Ejecuta el comando gcloud, con el parámetro accelerator-type para especificar el segmento pod que desea usar. Por ejemplo, el comando siguiente usa una porción 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

    Descripciones de las marcas de comandos

    tpu-only
    Crea la Cloud TPU sin crear una VM. De forma predeterminada, el comando gcloud compute tpus execution-groups crea una VM y una Cloud TPU.
    accelerator-type
    El tipo de Cloud TPU que se creará.
    name
    El nombre de la Cloud TPU que se creará.
    zone
    La zona en la que planeas crear tu Cloud TPU.
    tf-version
    La versión de ctpu de TensorFlow se instala en la VM.

  2. Crea una variable de entorno para el nombre de la TPU.

    (vm)$ export TPU_NAME=transformer-tutorial-pod

  3. Ejecuta la secuencia de comandos de entrenamiento.

    (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

    Descripciones de las marcas de comandos

    model
    El modelo que se entrenará.
    hparams_set
    Los hiperparámetros que se usarán durante el entrenamiento.
    problem
    El nombre del problema.
    eval-steps
    La cantidad de pasos que se deben evaluar.
    data_dir
    La ruta de Cloud Storage en la que se almacenan los datos de entrenamiento.
    output_dir
    Directorio de salida base que se ejecutará.
    use_tpu
    Se configura como “true” para usar una Cloud TPU; de lo contrario, es “false”.
    cloud_tpu_name
    El nombre de Cloud TPU que se usará para el entrenamiento.
    tpu_num_shards
    Es la cantidad de fragmentos de Cloud TPU. El valor predeterminado es “8”.
    schedule
    El método con el que se ejecutará el experimento.
    train_steps
    La cantidad de pasos para entrenar el modelo.

    El comando anterior ejecuta 25,000 pasos de entrenamiento y, luego, ejecuta tres pasos de evaluación. Completar este entrenamiento en una Cloud TPU v2-32 demora alrededor de 30 minutos.

    Se recomienda entrenar el modelo con al menos 40,000 pasos. En general, el modelo converge a su máxima calidad después de ~250,000 pasos.

  4. Borra el recurso de Cloud TPU que creaste para el entrenamiento.

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

Entrena un modelo de traducción inglés-alemán en un solo Cloud TPU

  1. Usa la secuencia de comandos t2t-datagen a fin de generar los datos de entrenamiento y de evaluación para el modelo de traducción en el depósito de Cloud Storage:

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

    Descripciones de las marcas de comandos

    problem
    El nombre del problema.
    data_dir
    La ruta de entrada de entrenamiento en Cloud Storage.
    tmp_dir
    El directorio de almacenamiento temporal.

  2. Ejecuta el siguiente comando para crear tu recurso de Cloud TPU.

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

    Descripciones de las marcas de comandos

    tpu-only
    Crea una Cloud TPU sola. De forma predeterminada, el comando gcloud compute tpus execution-groups crea una VM y una Cloud TPU.
    zone
    La zona en la que planeas crear tu Cloud TPU.
    tf-version
    La versión de gcloud compute tpus execution-groups de TensorFlow se instala en la VM.
    name
    El nombre de la Cloud TPU que se creará.

  3. Crea una variable de entorno para el nombre de la TPU.

    (vm)$ export TPU_NAME=transformer-tutorial

  4. Ejecuta t2t-trainer para entrenar y evaluar el modelo:

    (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

    Descripciones de las marcas de comandos

    model
    El modelo que se entrenará.
    hparams_set
    Los hiperparámetros que se usarán durante el entrenamiento.
    problem
    El nombre del problema.
    eval-steps
    La cantidad de pasos que se deben evaluar.
    data_dir
    La ruta de Cloud Storage en la que se almacenan los datos de entrenamiento.
    output_dir
    Directorio de salida base que se ejecutará.
    use_tpu
    Se configura como “true” para usar una Cloud TPU; de lo contrario, es “false”.
    cloud_tpu_name
    El nombre de Cloud TPU que se usará para el entrenamiento.
    train_steps
    La cantidad de pasos para entrenar el modelo.

    El comando anterior ejecuta 10 pasos de entrenamiento, luego, 3 pasos de evaluación. Se ejecuta en unos 5 minutos en un nodo TPU v3-8. Para que este modelo sea más preciso, puedes (y deberías) ajustar la marca --train_steps a fin de aumentar el número de pasos de entrenamiento. Por lo general, las traducciones comienzan a ser razonables después de ~40,000 pasos. En general, el modelo converge a su máxima calidad después de ~250,000 pasos.

  5. Borra el recurso de Cloud TPU que creaste a fin de entrenar el modelo en un solo dispositivo.

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

Entrena un clasificador de opiniones en una sola Cloud TPU

  1. Genera el conjunto de datos para el modelo de clasificador de opiniones.

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

  2. Ejecuta el siguiente comando para crear tu recurso de Cloud TPU.

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

    Descripciones de las marcas de comandos

    tpu-only
    Crea una Cloud TPU sola. De forma predeterminada, el comando gcloud compute tpus execution-groups crea una VM y una Cloud TPU.
    zone
    La zona en la que planeas crear tu Cloud TPU.
    tf-version
    La versión de gcloud compute tpus execution-groups de TensorFlow se instala en la VM.
    name
    El nombre de la Cloud TPU que se creará.

  3. Ejecuta la secuencia de comandos de entrenamiento.

    (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

    Descripciones de las marcas de comandos

    model
    El modelo que se entrenará.
    hparams_set
    Los hiperparámetros que se usarán durante el entrenamiento.
    problem
    El nombre del problema.
    eval-steps
    La cantidad de pasos que se deben evaluar.
    data_dir
    La ruta de Cloud Storage en la que se almacenan los datos de entrenamiento.
    output_dir
    Directorio de salida base que se ejecutará.
    use_tpu
    Se configura como “true” para usar una Cloud TPU; de lo contrario, es “false”.
    cloud_tpu_name
    El nombre de Cloud TPU que se usará para el entrenamiento.
    train_steps
    La cantidad de pasos para entrenar el modelo.

    El comando anterior ejecuta 10 pasos de entrenamiento, luego, 3 pasos de evaluación. Se ejecuta en unos 5 minutos en un nodo TPU v3-8. El modelo logra alrededor de un 85% de exactitud después de unos 2,000 pasos.

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.

  1. 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.

  2. En Cloud Shell, ejecuta gcloud compute tpus execution-groups con la marca --zone que usaste cuando configuraste la Cloud TPU para borrar la VM de Compute Engine y la Cloud TPU:

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

  3. Ejecuta gcloud compute tpus execution-groups list para verificar que los recursos se hayan borrado. La eliminación puede tardar varios minutos. Una respuesta como la que se muestra a continuación indica que tus instancias se borraron de forma correcta.

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

    Deberías ver una lista vacía de TPU como la siguiente:

       NAME             STATUS

  4. Borra el bucket de Cloud Storage con gsutil como se muestra a continuación. Reemplaza bucket-name por el nombre de tu bucket de Cloud Storage.

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

¿Qué sigue?

Los instructivos de TensorFlow Cloud TPU suelen entrenar el modelo con un conjunto de datos de muestra. Los resultados de este entrenamiento no se pueden usar para la inferencia. Si quieres usar un modelo para la inferencia, puedes entrenar los datos en un conjunto de datos público o en tu propio conjunto de datos. Por lo general, los modelos de TensorFlow entrenados en Cloud TPU requieren que los conjuntos de datos tengan el formato TFRecord.

Puedes usar la muestra de la herramienta de conversión de conjuntos de datos para convertir un conjunto de datos de clasificación de imágenes en formato TFRecord. Si no usas un modelo de clasificación de imágenes, deberás convertir tú mismo el conjunto de datos en formato TFRecord. Para obtener más información, consulta TFRecord y tf.Example.

Ajuste de hiperparámetros

Para mejorar el rendimiento del modelo con tu conjunto de datos, puedes ajustar los hiperparámetros del modelo. Puedes encontrar información sobre hiperparámetros comunes para todos los modelos compatibles con TPU en GitHub. La información sobre los hiperparámetros específicos del modelo se puede encontrar en el código fuente para cada modelo. Para obtener más información sobre el ajuste de hiperparámetros, consulta Descripción general del ajuste de hiperparámetros, Usa el servicio de ajuste de hiperparámetros y Ajusta los hiperparámetros.

Inferencia

Una vez que entrenaste tu modelo, puedes usarlo para la inferencia (también llamada predicción). AI Platform es una solución basada en la nube que sirve para desarrollar, entrenar e implementar modelos de aprendizaje automático. Una vez que se implementa un modelo, puedes usar el servicio de AI Platform Prediction.