Prestazioni dell'addestramento del modello di profilo utilizzando Profiler

Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

Questa pagina mostra come abilitare Vertex AI TensorBoard Profiler in modo da poter eseguire il debug delle prestazioni di addestramento dei modelli per i job di addestramento personalizzati.

L'addestramento dei modelli può essere costoso dal punto di vista computazionale. Vertex AI TensorBoard Profiler ti consente di monitorare e ottimizzare le prestazioni dell'addestramento del modello aiutandoti a comprendere il consumo di risorse delle operazioni di addestramento. Con queste informazioni, puoi individuare e correggere i colli di bottiglia delle prestazioni per addestrare i modelli in modo più rapido ed economico.

Prima di iniziare

Abilita Vertex AI TensorBoard Profiler

Per abilitare Vertex AI TensorBoard Profiler per il job di addestramento, aggiungi quanto segue allo script di addestramento:

  1. Aggiungi l'importazione cloud_profiler alle importazioni di primo livello:

    from google.cloud.aiplatform.training_utils import cloud_profiler
    
  2. Inizializza il plug-in cloud_profiler aggiungendo:

    cloud_profiler.init()
    

Esempio

Di seguito è riportato uno script di addestramento di esempio:

#!/usr/bin/env python

import tensorflow as tf
import argparse
import os
from google.cloud.aiplatform.training_utils import cloud_profiler
import time

"""Train an mnist model and use cloud_profiler for profiling."""

def _create_model():
    model = tf.keras.models.Sequential(
        [
            tf.keras.layers.Flatten(input_shape=(28, 28)),
            tf.keras.layers.Dense(128, activation="relu"),
            tf.keras.layers.Dropout(0.2),
            tf.keras.layers.Dense(10),
        ]
    )
    return model

def main(args):
    strategy = None
    if args.distributed:
        strategy = tf.distribute.MultiWorkerMirroredStrategy()

    mnist = tf.keras.datasets.mnist

    (x_train, y_train), (x_test, y_test) = mnist.load_data()
    x_train, x_test = x_train / 255.0, x_test / 255.0

    if args.distributed:
        strategy = tf.distribute.MultiWorkerMirroredStrategy()
        with strategy.scope():
            model = _create_model()
            model.compile(
                optimizer="adam",
                loss=tf.keras.losses.sparse_categorical_crossentropy,
                metrics=["accuracy"],
            )
    else:
        model = _create_model()
        model.compile(
            optimizer="adam",
            loss=tf.keras.losses.sparse_categorical_crossentropy,
            metrics=["accuracy"],
        )

    # Initialize the profiler.
    cloud_profiler.init()

    # Use AIP_TENSORBOARD_LOG_DIR to update where logs are written to.
    tensorboard_callback = tf.keras.callbacks.TensorBoard(
        log_dir=os.environ["AIP_TENSORBOARD_LOG_DIR"], histogram_freq=1
    )

    model.fit(
        x_train,
        y_train,
        epochs=args.epochs,
        verbose=0,
        callbacks=[tensorboard_callback],
    )

if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument(
        "--epochs", type=int, default=100, help="Number of epochs to run model."
    )
    parser.add_argument(
        "--distributed", action="store_true", help="Use MultiWorkerMirroredStrategy"
    )
    args = parser.parse_args()
    main(args)

Accedi alla dashboard di Vertex AI TensorBoard Profiler

Dopo aver configurato lo script di addestramento per abilitare Profiler TensorBoard di Vertex AI, esegui lo script di addestramento con un'istanza di TensorBoard di Vertex AI.

Nello script di addestramento, assicurati che le seguenti configurazioni:

  • Imposta BASE_OUTPUT_DIR: nel bucket Cloud Storage in cui vuoi archiviare i log di Vertex AI TensorBoard generati dallo script di addestramento.
  • Imposta 'serviceAccount': sull'account di servizio che hai creato con i ruoli roles/storage.admin e roles/aiplatform.user.
  • Imposta 'tensorboard': sul nome completo dell'istanza TensorBoard di Vertex AI che vuoi utilizzare con questo job di addestramento. Il nome completo ha il seguente formato:

    projects/PROJECT_NUMBER_OR_ID/locations/REGION/tensorboards/TENSORBOARD_INSTANCE_ID
    

Esistono due modi per accedere alla dashboard di Vertex AI TensorBoard di Profiler dalla console Google Cloud:

  • Dalla pagina Job personalizzati.
  • Dalla pagina Esperimenti.

Accedi alla dashboard di Profiler tramite la pagina Job personalizzati

Puoi utilizzare questo metodo per accedere alla dashboard di Vertex AI TensorBoard Profiler anche se il job di addestramento è in stato Completato.

  1. Nella console Google Cloud, vai alla scheda Job personalizzati nella pagina Formazione.

    Vai a Job personalizzati

  2. Fai clic sul nome del job di addestramento appena creato per accedere alla pagina dei dettagli del job.

  3. Fai clic su Apri TensorBoard.

  4. Fai clic sulla scheda Profiler.

Accedi alla dashboard di Profiler dalla pagina Esperimenti

Puoi utilizzare questo metodo per accedere alla dashboard di Vertex AI TensorBoard Profiler solo quando il job di addestramento è in stato In esecuzione.

  1. Nella console Google Cloud, vai alla pagina Esperimenti Vertex AI.

    Vai a Esperimenti Vertex AI

  2. Seleziona la regione del job di addestramento appena creato.

  3. Fai clic su Apri TensorBoard accanto al nome del job di addestramento.

  4. Fai clic sulla scheda Profiler.

Acquisisci una sessione di profilazione

Per acquisire una sessione di profilazione, il job di addestramento deve essere in stato In esecuzione. Dalla scheda Profiler nell'istanza di Vertex AI TensorBoard, esegui i seguenti passaggi:

  1. Fai clic su Acquisisci profilo.
  2. Nel campo URL del profilo o dei nomi di TPU, inserisci:

    workerpool0-0
    
  3. In Tipo di indirizzo, seleziona Indirizzo IP.

  4. Fai clic su Acquisisci.

Passaggi successivi