Vertex AI Neural Architecture Search クライアントライブラリ

このドキュメントでは、Vertex AI Neural Architecture Search クライアントライブラリについて説明します。

Neural Architecture Search クライアント（vertex_nas_cli.py 内）は job-management API をラップします。これにより、Neural Architecture Search の開発を簡単に行うことができます。次のサブコマンドを使用できます。

vertex_nas_cli.py build: Neural Architecture Search コンテナをビルドし、Google Cloud Container Registry に push します。
vertex_nas_cli.py run_latency_calculator_local: Neural Architecture Search ステージ 1 検索ジョブのレイテンシ計算ツールをローカルで実行します。
vertex_nas_cli.py search_in_local: ランダムにサンプリングされたアーキテクチャを使用して、マシンのローカルで Neural Architecture Search ジョブを実行します。
vertex_nas_cli.py search: Google Cloud で、ステージ 1 検索とステージ 2 トレーニングを備えた Neural Architecture Search ジョブを実行します。
vertex_nas_cli.py search_resume: Google Cloud で以前の Neural Architecture Search ジョブを再開します。
vertex_nas_cli.py list_trials: 特定のジョブ用の Neural Architecture Search トライアルを一覧表示します。
vertex_nas_cli.py train: Google Cloud で、検索されたモデルアーキテクチャ（トライアル）をトレーニングします。

ビルド

次のコマンドを実行して、vertex_nas_cli.py build でサポートされている引数のリストを表示します。

python3 vertex_nas_cli.py build -h

--trainer_docker_id を指定すると、--trainer_docker_file フラグで指定された Docker ファイルからトレーナー Docker がビルドされます。Docker は完全な URI gcr.io/project_id/trainer_docker_id でビルドされ、Google Cloud Container Registry に push されます。

--latency_calculator_docker_id を指定すると、--latency_calculator_docker_file フラグで指定された Docker ファイルからレイテンシ計算 Docker がビルドされます。Docker は完全な URI gcr.io/project_id/latency_calculator_docker_id でビルドされ、Google Cloud Container Registry に push されます。

Dockerfile でビルドするのではなく、bazel などのツールを使用してトレーナーをビルドし、Neural Architecture Search サービスで使用することもできます。

レイテンシ計算ツールをローカルで実行する

次のコマンドを実行して、vertex_nas_cli.py run_latency_calculator_local でサポートされている引数のリストを表示します。

python3 vertex_nas_cli.py run_latency_calculator_local -h

ローカルでの検索

次のコマンドを実行して、vertex_nas_cli.py search_in_local でサポートされている引数のリストを表示します。

python3 vertex_nas_cli.py search_in_local -h

vertex_nas_cli.py が使用するランダムモデルアーキテクチャを内部で生成するように、--search_space_module または --prebuilt_search_space のいずれかを指定する必要があります。

このコマンドは、ランダムにサンプリングされたアーキテクチャを使用して、ローカルマシンで Docker gcr.io/project_id/trainer_docker_id:latest を実行します。

--search_docker_flags の後に、コンテナで使用するフラグを渡すことができます。たとえば、--training_data_path と validation_data_path をコンテナに渡すことができます。

python3 vertex_nas_cli.py search_in_local \
--project_id=${PROJECT_ID} \
--trainer_docker_id=${TRAINER_DOCKER_ID} \
--prebuilt_search_space=spinenet \
--use_prebuilt_trainer=True \
--local_output_dir=${JOB_DIR} \
--search_docker_flags \
training_data_path=/test_data/test-coco.tfrecord \
validation_data_path=/test_data/test-coco.tfrecord \
model=retinanet

検索

次のコマンドを実行して、vertex_nas_cli.py search でサポートされている引数のリストを表示します。

python3 vertex_nas_cli.py search -h

vertex_nas_cli.py が内部で search_space_spec を作成するように、--search_space_module または --prebuilt_search_space のいずれかを指定する必要があります。

Neural Architecture Search ジョブを実行するマシンは、--accelerator_type で指定できます。より多くの GPU を使用するなど、独自の要件に合わせてカスタマイズする方法については、add_machine_configurations をご覧ください。

接頭辞 train_ の付いたフラグを使用して、ステージ 2 トレーニング関連のパラメータを設定します。

検索の再開

次のコマンドを実行して、vertex_nas_cli.py search_resume でサポートされている引数のリストを表示します。

python3 vertex_nas_cli.py search_resume -h

以前に実行した検索ジョブを再開するには、previous_nas_job_id と、必要に応じて previous_latency_job_id を渡します。previous_latency_job_id フラグは、前の検索ジョブに Google Cloud のレイテンシジョブが含まれていた場合にのみ必要です。Google Cloud のレイテンシジョブではなくオンプレミスのレイテンシ計算ツールを使用した場合は、そのオンプレミスレイテンシ計算ジョブを個別に再度実行する必要があります。前の検索ジョブ自体が再開ジョブであってはなりません。検索再開ジョブのリージョンは、前の検索ジョブのリージョンと同じものにする必要があります。search_resume コマンドの例を以下に示します。

python3 vertex_nas_cli.py search_resume \
  --project_id=${PROJECT} \
  --region=${REGION} \
  --job_name="${JOB_NAME}" \
  --previous_nas_job_id=${previous_nas_job_id} \
  --previous_latency_job_id=${previous_latency_job_id} \
  --root_output_dir=${GCS_ROOT_DIR} \
  --max_nas_trial=2 \
  --max_parallel_nas_trial=2 \
  --max_failed_nas_trial=2

トライアルを一覧表示する

次のコマンドを実行して、vertex_nas_cli.py list_trials でサポートされている引数のリストを表示します。

python3 vertex_nas_cli.py list_trials -h

トレーニング

次のコマンドを実行して、vertex_nas_cli.py train でサポートされている引数のリストを表示します。

python3 vertex_nas_cli.py train -h

プロキシタスクの分散の測定

次のコマンドを実行して、vertex_nas_cli.py measure_proxy_task_variance でサポートされている引数のリストを表示します。

python3 vertex_nas_cli.py measure_proxy_task_variance -h

プロキシタスクのモデルの選択

次のコマンドを実行して、vertex_nas_cli.py select_proxy_task_models でサポートされている引数のリストを表示します。

python3 vertex_nas_cli.py select_proxy_task_models -h

プロキシタスクの検索

次のコマンドを実行して、vertex_nas_cli.py search_proxy_task でサポートされている引数のリストを表示します。

python3 vertex_nas_cli.py search_proxy_task -h