 TensorFlow.orgで表示 |  GoogleColabで実行 |  GitHubでソースを表示 |  ノートブックをダウンロード |
ランタイム>変更の実行時の型>ハードウェア・アクセラレータ> TPUを：あなたはこのコラボノートブックを実行する前に、ハードウェアアクセラレータは、お使いのノートブックの設定をチェックしてTPUであることを確認してください。
設定
import tensorflow as tf
import os
import tensorflow_datasets as tfds
/tmpfs/src/tf_docs_env/lib/python3.6/site-packages/requests/__init__.py:104: RequestsDependencyWarning: urllib3 (1.26.7) or chardet (2.3.0)/charset_normalizer (2.0.9) doesn't match a supported version! RequestsDependencyWarning)
TPUの初期化
TPUは通常、クラウドTPUワーカーであり、ユーザーのPythonプログラムを実行するローカルプロセスとは異なります。したがって、リモートクラスターに接続してTPUを初期化するには、初期化作業を行う必要があります。注意tpu引数tf.distribute.cluster_resolver.TPUClusterResolverちょうどコラボのために特別なアドレスです。 Google Compute Engine（GCE）でコードを実行している場合は、代わりにCloudTPUの名前を渡す必要があります。
resolver = tf.distribute.cluster_resolver.TPUClusterResolver(tpu='')
tf.config.experimental_connect_to_cluster(resolver)
# This is the TPU initialization code that has to be at the beginning.
tf.tpu.experimental.initialize_tpu_system(resolver)
print("All devices: ", tf.config.list_logical_devices('TPU'))
INFO:tensorflow:Clearing out eager caches INFO:tensorflow:Clearing out eager caches INFO:tensorflow:Initializing the TPU system: grpc://10.240.1.26:8470 INFO:tensorflow:Initializing the TPU system: grpc://10.240.1.26:8470 INFO:tensorflow:Finished initializing TPU system. INFO:tensorflow:Finished initializing TPU system. All devices: [LogicalDevice(name='/job:worker/replica:0/task:0/device:TPU:0', device_type='TPU'), LogicalDevice(name='/job:worker/replica:0/task:0/device:TPU:1', device_type='TPU'), LogicalDevice(name='/job:worker/replica:0/task:0/device:TPU:2', device_type='TPU'), LogicalDevice(name='/job:worker/replica:0/task:0/device:TPU:3', device_type='TPU'), LogicalDevice(name='/job:worker/replica:0/task:0/device:TPU:4', device_type='TPU'), LogicalDevice(name='/job:worker/replica:0/task:0/device:TPU:5', device_type='TPU'), LogicalDevice(name='/job:worker/replica:0/task:0/device:TPU:6', device_type='TPU'), LogicalDevice(name='/job:worker/replica:0/task:0/device:TPU:7', device_type='TPU')]
デバイスの手動配置
TPUが初期化された後、手動のデバイス配置を使用して、単一のTPUデバイスに計算を配置できます。
a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])
with tf.device('/TPU:0'):
c = tf.matmul(a, b)
print("c device: ", c.device)
print(c)
c device: /job:worker/replica:0/task:0/device:TPU:0 tf.Tensor( [[22. 28.] [49. 64.]], shape=(2, 2), dtype=float32)
流通戦略
通常、データ並列の方法で複数のTPUでモデルを実行します。モデルを複数のTPU（または他のアクセラレータ）に配布するために、TensorFlowはいくつかの配布戦略を提供します。配布戦略を置き換えることができ、モデルは任意の（TPU）デバイスで実行されます。チェック流通戦略ガイドを詳細については。
これを実証するために、作成tf.distribute.TPUStrategyオブジェクトを：
strategy = tf.distribute.TPUStrategy(resolver)
INFO:tensorflow:Found TPU system: INFO:tensorflow:Found TPU system: INFO:tensorflow:*** Num TPU Cores: 8 INFO:tensorflow:*** Num TPU Cores: 8 INFO:tensorflow:*** Num TPU Workers: 1 INFO:tensorflow:*** Num TPU Workers: 1 INFO:tensorflow:*** Num TPU Cores Per Worker: 8 INFO:tensorflow:*** Num TPU Cores Per Worker: 8 INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:CPU:0, CPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:CPU:0, CPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:CPU:0, CPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:CPU:0, CPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:0, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:0, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:1, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:1, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:2, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:2, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:3, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:3, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:4, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:4, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:5, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:5, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:6, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:6, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:7, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU:7, TPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU_SYSTEM:0, TPU_SYSTEM, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:TPU_SYSTEM:0, TPU_SYSTEM, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:XLA_CPU:0, XLA_CPU, 0, 0) INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:worker/replica:0/task:0/device:XLA_CPU:0, XLA_CPU, 0, 0)
それは、すべてのTPUコアで実行できるように、計算を複製するには、にそれを渡すことができstrategy.run API。以下に示すすべてのコアが同じ入力受信する例である(a, b)独立して各コア上でマトリックス乗算を行います。出力は、すべてのレプリカからの値になります。
@tf.function
def matmul_fn(x, y):
z = tf.matmul(x, y)
return z
z = strategy.run(matmul_fn, args=(a, b))
print(z)
PerReplica:{
0: tf.Tensor(
[[22. 28.]
[49. 64.]], shape=(2, 2), dtype=float32),
1: tf.Tensor(
[[22. 28.]
[49. 64.]], shape=(2, 2), dtype=float32),
2: tf.Tensor(
[[22. 28.]
[49. 64.]], shape=(2, 2), dtype=float32),
3: tf.Tensor(
[[22. 28.]
[49. 64.]], shape=(2, 2), dtype=float32),
4: tf.Tensor(
[[22. 28.]
[49. 64.]], shape=(2, 2), dtype=float32),
5: tf.Tensor(
[[22. 28.]
[49. 64.]], shape=(2, 2), dtype=float32),
6: tf.Tensor(
[[22. 28.]
[49. 64.]], shape=(2, 2), dtype=float32),
7: tf.Tensor(
[[22. 28.]
[49. 64.]], shape=(2, 2), dtype=float32)
}
TPUの分類
基本的な概念をカバーしたので、より具体的な例を考えてみましょう。このセクションでは、流通戦略-使用する方法を示しtf.distribute.TPUStrategyクラウドTPUにKerasモデルを訓練-to。
Kerasモデルを定義する
定義で始まるSequential Kerasを使用してMNISTデータセットの画像分類のためのKerasモデル。 CPUまたはGPUでトレーニングしている場合に使用するものと同じです。 Kerasモデルの作成が内側にする必要があることを注意strategy.scope変数は、各TPUデバイス上に作成することができますので、。コードの他の部分は、戦略スコープ内にある必要はありません。
def create_model():
return tf.keras.Sequential(
[tf.keras.layers.Conv2D(256, 3, activation='relu', input_shape=(28, 28, 1)),
tf.keras.layers.Conv2D(256, 3, activation='relu'),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(256, activation='relu'),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10)])
データセットをロードする
効率的な使用tf.data.DatasetクラウドTPUを使用しているとき、あなたが十分にすぐにそれらのデータを送ることができない限り、クラウドのTPUを使用することは不可能であるとして、APIは、非常に重要です。あなたは内のデータセットのパフォーマンスについて詳しく学ぶことができ、入力パイプラインパフォーマンスガイド。
すべてが、（使用する最も簡単な実験についてはtf.data.Dataset.from_tensor_slicesまたはその他でグラフデータを）、あなたはすべてのデータファイルを格納する必要がGoogleのクラウドストレージ（GCS）バケットにデータセットで読み取ります。
ほとんどのユースケースでは、あなたにデータを変換することをお勧めしTFRecord形式と使用tf.data.TFRecordDatasetそれを読みます。チェックTFRecordとtf.Exampleチュートリアルこれを行う方法の詳細については、を。それは難しい要件ではなく、あなたのような他のデータセットの読者、使用することができますtf.data.FixedLengthRecordDatasetまたはtf.data.TextLineDataset 。
あなたは使用して全体をメモリに小さなデータセットを読み込むことができtf.data.Dataset.cache 。
使用するデータ形式に関係なく、100MB程度の大きなファイルを使用することを強くお勧めします。これは、ファイルを開くオーバーヘッドが大幅に高くなるため、このネットワーク設定では特に重要です。
以下のコードに示すように、あなたは使うべきtensorflow_datasets MNISTトレーニングとテストデータのコピーを取得するためのモジュール。ことを注意try_gcs公共GCSバケットで利用可能なコピーを使用するように指定されています。これを指定しない場合、TPUはダウンロードされたデータにアクセスできません。
def get_dataset(batch_size, is_training=True):
split = 'train' if is_training else 'test'
dataset, info = tfds.load(name='mnist', split=split, with_info=True,
as_supervised=True, try_gcs=True)
# Normalize the input data.
def scale(image, label):
image = tf.cast(image, tf.float32)
image /= 255.0
return image, label
dataset = dataset.map(scale)
# Only shuffle and repeat the dataset in training. The advantage of having an
# infinite dataset for training is to avoid the potential last partial batch
# in each epoch, so that you don't need to think about scaling the gradients
# based on the actual batch size.
if is_training:
dataset = dataset.shuffle(10000)
dataset = dataset.repeat()
dataset = dataset.batch(batch_size)
return dataset
Kerasの高水準APIを使用してモデルをトレーニングする
あなたはKerasのを使用してモデルを訓練することができますfitしてcompileするAPI。このステップ-あなたはmutlipleのGPUを使用したかのようにコードを書くに何もないのTPU固有ありMirroredStrategyの代わりTPUStrategy 。あなたにはもっと学ぶことができKerasを持つ分散型トレーニングチュートリアル。
with strategy.scope():
model = create_model()
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['sparse_categorical_accuracy'])
batch_size = 200
steps_per_epoch = 60000 // batch_size
validation_steps = 10000 // batch_size
train_dataset = get_dataset(batch_size, is_training=True)
test_dataset = get_dataset(batch_size, is_training=False)
model.fit(train_dataset,
epochs=5,
steps_per_epoch=steps_per_epoch,
validation_data=test_dataset,
validation_steps=validation_steps)
Epoch 1/5 300/300 [==============================] - 19s 32ms/step - loss: 0.1344 - sparse_categorical_accuracy: 0.9581 - val_loss: 0.0481 - val_sparse_categorical_accuracy: 0.9852 Epoch 2/5 300/300 [==============================] - 6s 21ms/step - loss: 0.0347 - sparse_categorical_accuracy: 0.9891 - val_loss: 0.0440 - val_sparse_categorical_accuracy: 0.9870 Epoch 3/5 300/300 [==============================] - 6s 21ms/step - loss: 0.0190 - sparse_categorical_accuracy: 0.9938 - val_loss: 0.0404 - val_sparse_categorical_accuracy: 0.9881 Epoch 4/5 300/300 [==============================] - 6s 21ms/step - loss: 0.0123 - sparse_categorical_accuracy: 0.9963 - val_loss: 0.0366 - val_sparse_categorical_accuracy: 0.9895 Epoch 5/5 300/300 [==============================] - 6s 21ms/step - loss: 0.0100 - sparse_categorical_accuracy: 0.9965 - val_loss: 0.0422 - val_sparse_categorical_accuracy: 0.9881 <keras.callbacks.History at 0x7f9d7c0e73c8>
Pythonのオーバーヘッドを削減し、あなたのTPUのパフォーマンスを最大化するために、argument-に渡すsteps_per_execution -to Model.compile 。この例では、スループットが約50％増加します。
with strategy.scope():
model = create_model()
model.compile(optimizer='adam',
# Anything between 2 and `steps_per_epoch` could help here.
steps_per_execution = 50,
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['sparse_categorical_accuracy'])
model.fit(train_dataset,
epochs=5,
steps_per_epoch=steps_per_epoch,
validation_data=test_dataset,
validation_steps=validation_steps)
Epoch 1/5 300/300 [==============================] - 12s 41ms/step - loss: 0.1656 - sparse_categorical_accuracy: 0.9512 - val_loss: 0.0429 - val_sparse_categorical_accuracy: 0.9863 Epoch 2/5 300/300 [==============================] - 3s 10ms/step - loss: 0.0354 - sparse_categorical_accuracy: 0.9890 - val_loss: 0.0460 - val_sparse_categorical_accuracy: 0.9862 Epoch 3/5 300/300 [==============================] - 3s 10ms/step - loss: 0.0204 - sparse_categorical_accuracy: 0.9930 - val_loss: 0.0522 - val_sparse_categorical_accuracy: 0.9843 Epoch 4/5 300/300 [==============================] - 3s 10ms/step - loss: 0.0121 - sparse_categorical_accuracy: 0.9962 - val_loss: 0.0483 - val_sparse_categorical_accuracy: 0.9866 Epoch 5/5 300/300 [==============================] - 3s 10ms/step - loss: 0.0089 - sparse_categorical_accuracy: 0.9973 - val_loss: 0.0457 - val_sparse_categorical_accuracy: 0.9883 <keras.callbacks.History at 0x7f9d7c13f2e8>
カスタムトレーニングループを使用してモデルをトレーニングします
また、使用してモデルを作成し、訓練することができtf.functionとtf.distribute直接APIを。あなたは使用することができますstrategy.experimental_distribute_datasets_from_functionデータセット機能与えられたデータセットを配布するためにAPIを。以下の例では、データセットに渡されるバッチサイズは、グローバルバッチサイズではなく、レプリカごとのバッチサイズであることに注意してください。より多くを学ぶために、チェックアウトtf.distribute.Strategyを持つカスタムトレーニングチュートリアルを。
まず、モデル、データセット、tf.functionsを作成します。
# Create the model, optimizer and metrics inside the strategy scope, so that the
# variables can be mirrored on each device.
with strategy.scope():
model = create_model()
optimizer = tf.keras.optimizers.Adam()
training_loss = tf.keras.metrics.Mean('training_loss', dtype=tf.float32)
training_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(
'training_accuracy', dtype=tf.float32)
# Calculate per replica batch size, and distribute the datasets on each TPU
# worker.
per_replica_batch_size = batch_size // strategy.num_replicas_in_sync
train_dataset = strategy.experimental_distribute_datasets_from_function(
lambda _: get_dataset(per_replica_batch_size, is_training=True))
@tf.function
def train_step(iterator):
"""The step function for one training step."""
def step_fn(inputs):
"""The computation to run on each TPU device."""
images, labels = inputs
with tf.GradientTape() as tape:
logits = model(images, training=True)
loss = tf.keras.losses.sparse_categorical_crossentropy(
labels, logits, from_logits=True)
loss = tf.nn.compute_average_loss(loss, global_batch_size=batch_size)
grads = tape.gradient(loss, model.trainable_variables)
optimizer.apply_gradients(list(zip(grads, model.trainable_variables)))
training_loss.update_state(loss * strategy.num_replicas_in_sync)
training_accuracy.update_state(labels, logits)
strategy.run(step_fn, args=(next(iterator),))
WARNING:tensorflow:From <ipython-input-1-5625c2a14441>:15: StrategyBase.experimental_distribute_datasets_from_function (from tensorflow.python.distribute.distribute_lib) is deprecated and will be removed in a future version. Instructions for updating: rename to distribute_datasets_from_function WARNING:tensorflow:From <ipython-input-1-5625c2a14441>:15: StrategyBase.experimental_distribute_datasets_from_function (from tensorflow.python.distribute.distribute_lib) is deprecated and will be removed in a future version. Instructions for updating: rename to distribute_datasets_from_function
次に、トレーニングループを実行します。
steps_per_eval = 10000 // batch_size
train_iterator = iter(train_dataset)
for epoch in range(5):
print('Epoch: {}/5'.format(epoch))
for step in range(steps_per_epoch):
train_step(train_iterator)
print('Current step: {}, training loss: {}, accuracy: {}%'.format(
optimizer.iterations.numpy(),
round(float(training_loss.result()), 4),
round(float(training_accuracy.result()) * 100, 2)))
training_loss.reset_states()
training_accuracy.reset_states()
Epoch: 0/5 Current step: 300, training loss: 0.2007, accuracy: 94.27% Epoch: 1/5 Current step: 600, training loss: 0.0374, accuracy: 98.8% Epoch: 2/5 Current step: 900, training loss: 0.0203, accuracy: 99.35% Epoch: 3/5 Current step: 1200, training loss: 0.0138, accuracy: 99.57% Epoch: 4/5 Current step: 1500, training loss: 0.0105, accuracy: 99.66%
内部に複数のステップによるパフォーマンスの向上tf.function
あなたは内に複数のステップを実行することでパフォーマンスを向上させることができtf.function 。これは、ラップすることによって達成されるstrategy.runでコールをtf.range内部tf.function 、およびサイン会をに変換しますtf.while_loop TPUワーカーに。
改善された性能にもかかわらず、内部の単一ステップ実行と比較して、この方法でトレードオフがあるtf.function 。で複数のステップを実行するtf.functionあまり柔軟-youがある熱心に物事を実行するか、またはステップ内の任意のPythonコードすることはできません。
@tf.function
def train_multiple_steps(iterator, steps):
"""The step function for one training step."""
def step_fn(inputs):
"""The computation to run on each TPU device."""
images, labels = inputs
with tf.GradientTape() as tape:
logits = model(images, training=True)
loss = tf.keras.losses.sparse_categorical_crossentropy(
labels, logits, from_logits=True)
loss = tf.nn.compute_average_loss(loss, global_batch_size=batch_size)
grads = tape.gradient(loss, model.trainable_variables)
optimizer.apply_gradients(list(zip(grads, model.trainable_variables)))
training_loss.update_state(loss * strategy.num_replicas_in_sync)
training_accuracy.update_state(labels, logits)
for _ in tf.range(steps):
strategy.run(step_fn, args=(next(iterator),))
# Convert `steps_per_epoch` to `tf.Tensor` so the `tf.function` won't get
# retraced if the value changes.
train_multiple_steps(train_iterator, tf.convert_to_tensor(steps_per_epoch))
print('Current step: {}, training loss: {}, accuracy: {}%'.format(
optimizer.iterations.numpy(),
round(float(training_loss.result()), 4),
round(float(training_accuracy.result()) * 100, 2)))
Current step: 1800, training loss: 0.0079, accuracy: 99.77%
次のステップ
- GoogleクラウドTPUドキュメント：セットアップし、GoogleクラウドTPUを実行する方法。
- GoogleクラウドTPUコラボノート：エンドツーエンドの学習例。
- GoogleクラウドTPUパフォーマンスガイド：アプリケーションのクラウドTPUの設定パラメータを調整することによって、さらにクラウドTPUのパフォーマンスを強化
- TensorFlowした分散型トレーニング：流通戦略-などの使用方法
tf.distribute.TPUStrategyのベストプラクティスを示す-with例を。