Prestazioni di addestramento del modello di profilo utilizzando Profiler

Questa pagina mostra come attivare Cloud Profiler in modo da poter eseguire il debug delle prestazioni di addestramento dei modelli per i job di addestramento personalizzato.

L'addestramento dei modelli può essere costoso dal punto di vista dell'elaborazione. Profiler consente di monitorare e ottimizzare le prestazioni di 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 dei modelli in modo rapido ed economico.

Prima di iniziare

Abilita Profiler

Per abilitare Profiler per il tuo job di addestramento, aggiungi il parametro seguendo lo 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

Ecco 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 Profiler

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

Nello script di addestramento, verifica le seguenti configurazioni:

  • Imposta BASE_OUTPUT_DIR: sul 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 Ruoli roles/storage.admin e roles/aiplatform.user.

  • Imposta 'tensorboard': sul nome completo del Istanza Vertex AI TensorBoard che vuoi utilizzare con questo addestramento un lavoro. Il nome completo ha il seguente formato:

    projects/PROJECT_NUMBER_OR_ID/locations/REGION/tensorboards/TENSORBOARD_INSTANCE_ID

Ci sono due modi per accedere alla dashboard di Profiler dalla console Google Cloud:

  • Dalla pagina Job personalizzati.
  • Dalla pagina Esperimenti.

Accedi alla dashboard Profiler tramite la pagina Job personalizzati

Puoi utilizzare questo metodo per accedere a Profiler anche se il job di addestramento è nello stato Terminato.

  1. Nella console Google Cloud, vai alla scheda Job personalizzati in Addestramento. .

    Vai a Job personalizzati.

  2. Fai clic sul nome del job di addestramento appena creato per passare ai dettagli del job .

  3. Fai clic su Apri TensorBoard.

  4. Fai clic sulla scheda Profilo.

Accedere alla dashboard Profiler dalla pagina Esperimenti

Puoi utilizzare questo metodo per accedere a Profiler dashboard solo quando il job di addestramento è nello stato In esecuzione.

  1. Nella console Google Cloud, vai alla pagina degli esperimenti di Vertex AI.

    Vai a Vertex AI Experiments

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

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

  4. Fai clic sulla scheda Profilo.

Acquisisci una sessione di profilazione

Per acquisire una sessione di profilazione, il job di addestramento deve trovarsi nel percorso In esecuzione stato. Dalla scheda Profilo nell'istanza Vertex AI TensorBoard, segui questi passaggi:

  1. Fai clic su Acquisisci profilo.

  2. Nel campo URL del servizio profilo o nome TPU, inserisci:

    workerpool0-0

  3. Per Tipo di indirizzo, seleziona Indirizzo IP.

  4. Fai clic su Acquisisci.

Blocco note

Passaggi successivi