Szkolenie niestandardowe z tf.distribute.Strategy

Zobacz na TensorFlow.org Uruchom w Google Colab Wyświetl źródło na GitHub Pobierz notatnik

Ten samouczek pokazuje, jak używać tf.distribute.Strategy z niestandardowymi pętlami treningowymi. Wytrenujemy prosty model CNN na zbiorze danych MNIST mody. Zbiór danych MNIST mody zawiera 60000 obrazów pociągów o rozmiarze 28 x 28 i 10000 obrazów testowych o rozmiarze 28 x 28.

Używamy niestandardowych pętli treningowych do trenowania naszego modelu, ponieważ zapewniają nam elastyczność i większą kontrolę nad treningiem. Co więcej, łatwiej jest debugować model i pętlę treningową.

# Import TensorFlow
import tensorflow as tf

# Helper libraries
import numpy as np
import os

print(tf.__version__)
2.5.0

Pobierz zestaw danych mody MNIST

fashion_mnist = tf.keras.datasets.fashion_mnist

(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

# Adding a dimension to the array -> new shape == (28, 28, 1)
# We are doing this because the first layer in our model is a convolutional
# layer and it requires a 4D input (batch_size, height, width, channels).
# batch_size dimension will be added later on.
train_images = train_images[..., None]
test_images = test_images[..., None]

# Getting the images in [0, 1] range.
train_images = train_images / np.float32(255)
test_images = test_images / np.float32(255)

Stwórz strategię dystrybucji zmiennych i wykresu

Jak działa strategia tf.distribute.MirroredStrategy ?

  • Wszystkie zmienne i wykres modelu są replikowane na replikach.
  • Dane wejściowe są równomiernie rozłożone w replikach.
  • Każda replika oblicza straty i gradienty otrzymanego sygnału wejściowego.
  • Gradienty są synchronizowane we wszystkich replikach poprzez ich sumowanie.
  • Po synchronizacji ta sama aktualizacja jest wykonywana na kopiach zmiennych w każdej replice.
# If the list of devices is not specified in the
# `tf.distribute.MirroredStrategy` constructor, it will be auto-detected.
strategy = tf.distribute.MirroredStrategy()
WARNING:tensorflow:Collective ops is not configured at program startup. Some performance features may not be enabled.
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0',)
print ('Number of devices: {}'.format(strategy.num_replicas_in_sync))
Number of devices: 1

Konfiguracja potoku wejściowego

Wyeksportuj wykres i zmienne do formatu SavedModel niezależnego od platformy. Po zapisaniu modelu możesz go wczytać z zakresem lub bez niego.

BUFFER_SIZE = len(train_images)

BATCH_SIZE_PER_REPLICA = 64
GLOBAL_BATCH_SIZE = BATCH_SIZE_PER_REPLICA * strategy.num_replicas_in_sync

EPOCHS = 10

Twórz zbiory danych i rozpowszechniaj je:

train_dataset = tf.data.Dataset.from_tensor_slices((train_images, train_labels)).shuffle(BUFFER_SIZE).batch(GLOBAL_BATCH_SIZE) 
test_dataset = tf.data.Dataset.from_tensor_slices((test_images, test_labels)).batch(GLOBAL_BATCH_SIZE) 

train_dist_dataset = strategy.experimental_distribute_dataset(train_dataset)
test_dist_dataset = strategy.experimental_distribute_dataset(test_dataset)

Stwórz model

Utwórz model za pomocą tf.keras.Sequential . W tym celu można również użyć interfejsu API podklasowania modelu.

def create_model():
  model = tf.keras.Sequential([
      tf.keras.layers.Conv2D(32, 3, activation='relu'),
      tf.keras.layers.MaxPooling2D(),
      tf.keras.layers.Conv2D(64, 3, activation='relu'),
      tf.keras.layers.MaxPooling2D(),
      tf.keras.layers.Flatten(),
      tf.keras.layers.Dense(64, activation='relu'),
      tf.keras.layers.Dense(10)
    ])

  return model
# Create a checkpoint directory to store the checkpoints.
checkpoint_dir = './training_checkpoints'
checkpoint_prefix = os.path.join(checkpoint_dir, "ckpt")

Zdefiniuj funkcję straty

Zwykle na pojedynczej maszynie z 1 GPU/CPU straty są dzielone przez liczbę przykładów w partii danych wejściowych.

Jak więc obliczyć stratę przy użyciu tf.distribute.Strategy ?

  • Na przykład załóżmy, że masz 4 procesory GPU i wielkość partii 64. Jedna partia danych wejściowych jest rozdzielana na repliki (4 GPU), każda replika otrzymuje dane wejściowe o rozmiarze 16.

  • Model na każdej replice wykonuje przejście do przodu z odpowiednimi danymi wejściowymi i oblicza stratę. Teraz zamiast dzielić stratę przez liczbę przykładów w odpowiednich danych wejściowych (BATCH_SIZE_PER_REPLICA = 16), stratę należy podzielić przez GLOBAL_BATCH_SIZE (64).

Czemu to robić?

  • Należy to zrobić, ponieważ po obliczeniu gradientów dla każdej repliki są one synchronizowane w replikach poprzez ich zsumowanie .

Jak to zrobić w TensorFlow?

  • Jeśli piszesz niestandardową pętlę treningową, tak jak w tym samouczku, powinieneś zsumować straty na przykład i podzielić sumę przez GLOBAL_BATCH_SIZE: scale_loss = tf.reduce_sum(loss) * (1. / GLOBAL_BATCH_SIZE) lub możesz użyć tf.nn.compute_average_loss która przyjmuje jako argumenty straty na przykład, opcjonalne wagi próbek i GLOBAL_BATCH_SIZE i zwraca skalowaną stratę.

  • Jeśli używasz w swoim modelu strat regularyzacji, musisz przeskalować wartość strat według liczby replik. Możesz to zrobić za pomocą funkcji tf.nn.scale_regularization_loss .

  • Używanie tf.reduce_mean nie jest zalecane. W ten sposób dzieli się stratę przez rzeczywistą wielkość partii na replikę, która może się różnić w zależności od kroku.

  • Ta redukcja i skalowanie odbywa się automatycznie w keras model.compile i model.fit

  • Jeśli używasz klastf.keras.losses (jak w poniższym przykładzie), redukcja strat musi być wyraźnie określona jako jedna z NONE lub SUM . AUTO i SUM_OVER_BATCH_SIZE są niedozwolone, gdy są używane z tf.distribute.Strategy . AUTO jest niedozwolone, ponieważ użytkownik powinien wyraźnie zastanowić się, jaką redukcję chce się upewnić, że jest ona poprawna w przypadku rozproszonym. SUM_OVER_BATCH_SIZE jest niedozwolona, ​​ponieważ obecnie dzieliłaby tylko według rozmiaru partii replik, a dzielenie według liczby replik pozostawiłoby użytkownikowi, co może być łatwe do przeoczenia. Więc zamiast tego prosimy użytkownika, aby sam dokonał redukcji.

  • Jeśli labels są wielowymiarowe, per_example_loss dla liczby elementów w każdej próbce. Na przykład, jeśli kształt predictions to (batch_size, H, W, n_classes) a labels to (batch_size, H, W) , będziesz musiał zaktualizować per_example_loss np. per_example_loss /= tf.cast(tf.reduce_prod(tf.shape(labels)[1:]), tf.float32)

with strategy.scope():
  # Set reduction to `none` so we can do the reduction afterwards and divide by
  # global batch size.
  loss_object = tf.keras.losses.SparseCategoricalCrossentropy(
      from_logits=True,
      reduction=tf.keras.losses.Reduction.NONE)
  def compute_loss(labels, predictions):
    per_example_loss = loss_object(labels, predictions)
    return tf.nn.compute_average_loss(per_example_loss, global_batch_size=GLOBAL_BATCH_SIZE)

Zdefiniuj metryki, aby śledzić straty i dokładność

Te metryki śledzą utratę testów, szkolenia i dokładność testów. Możesz użyć .result() aby uzyskać skumulowane statystyki w dowolnym momencie.

with strategy.scope():
  test_loss = tf.keras.metrics.Mean(name='test_loss')

  train_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(
      name='train_accuracy')
  test_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(
      name='test_accuracy')
INFO:tensorflow:Reduce to /job:localhost/replica:0/task:0/device:CPU:0 then broadcast to ('/job:localhost/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /job:localhost/replica:0/task:0/device:CPU:0 then broadcast to ('/job:localhost/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /job:localhost/replica:0/task:0/device:CPU:0 then broadcast to ('/job:localhost/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /job:localhost/replica:0/task:0/device:CPU:0 then broadcast to ('/job:localhost/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /job:localhost/replica:0/task:0/device:CPU:0 then broadcast to ('/job:localhost/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /job:localhost/replica:0/task:0/device:CPU:0 then broadcast to ('/job:localhost/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /job:localhost/replica:0/task:0/device:CPU:0 then broadcast to ('/job:localhost/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /job:localhost/replica:0/task:0/device:CPU:0 then broadcast to ('/job:localhost/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /job:localhost/replica:0/task:0/device:CPU:0 then broadcast to ('/job:localhost/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /job:localhost/replica:0/task:0/device:CPU:0 then broadcast to ('/job:localhost/replica:0/task:0/device:CPU:0',).

Pętla treningowa

# model, optimizer, and checkpoint must be created under `strategy.scope`.
with strategy.scope():
  model = create_model()

  optimizer = tf.keras.optimizers.Adam()

  checkpoint = tf.train.Checkpoint(optimizer=optimizer, model=model)
def train_step(inputs):
  images, labels = inputs

  with tf.GradientTape() as tape:
    predictions = model(images, training=True)
    loss = compute_loss(labels, predictions)

  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

  train_accuracy.update_state(labels, predictions)
  return loss 

def test_step(inputs):
  images, labels = inputs

  predictions = model(images, training=False)
  t_loss = loss_object(labels, predictions)

  test_loss.update_state(t_loss)
  test_accuracy.update_state(labels, predictions)
# `run` replicates the provided computation and runs it
# with the distributed input.
@tf.function
def distributed_train_step(dataset_inputs):
  per_replica_losses = strategy.run(train_step, args=(dataset_inputs,))
  return strategy.reduce(tf.distribute.ReduceOp.SUM, per_replica_losses,
                         axis=None)

@tf.function
def distributed_test_step(dataset_inputs):
  return strategy.run(test_step, args=(dataset_inputs,))

for epoch in range(EPOCHS):
  # TRAIN LOOP
  total_loss = 0.0
  num_batches = 0
  for x in train_dist_dataset:
    total_loss += distributed_train_step(x)
    num_batches += 1
  train_loss = total_loss / num_batches

  # TEST LOOP
  for x in test_dist_dataset:
    distributed_test_step(x)

  if epoch % 2 == 0:
    checkpoint.save(checkpoint_prefix)

  template = ("Epoch {}, Loss: {}, Accuracy: {}, Test Loss: {}, "
              "Test Accuracy: {}")
  print (template.format(epoch+1, train_loss,
                         train_accuracy.result()*100, test_loss.result(),
                         test_accuracy.result()*100))

  test_loss.reset_states()
  train_accuracy.reset_states()
  test_accuracy.reset_states()
Epoch 1, Loss: 0.5044084787368774, Accuracy: 81.87333679199219, Test Loss: 0.3816865086555481, Test Accuracy: 86.5999984741211
Epoch 2, Loss: 0.3375805616378784, Accuracy: 87.8566665649414, Test Loss: 0.3369813859462738, Test Accuracy: 87.76000213623047
Epoch 3, Loss: 0.2896445095539093, Accuracy: 89.50499725341797, Test Loss: 0.299490362405777, Test Accuracy: 89.22000122070312
Epoch 4, Loss: 0.259074866771698, Accuracy: 90.58833312988281, Test Loss: 0.2881558835506439, Test Accuracy: 89.33000183105469
Epoch 5, Loss: 0.2341146171092987, Accuracy: 91.38999938964844, Test Loss: 0.2916182577610016, Test Accuracy: 89.61000061035156
Epoch 6, Loss: 0.21513047814369202, Accuracy: 92.02333068847656, Test Loss: 0.2755740284919739, Test Accuracy: 89.85000610351562
Epoch 7, Loss: 0.1952667236328125, Accuracy: 92.88333129882812, Test Loss: 0.27464523911476135, Test Accuracy: 90.36000061035156
Epoch 8, Loss: 0.17831537127494812, Accuracy: 93.3566665649414, Test Loss: 0.26432710886001587, Test Accuracy: 90.19000244140625
Epoch 9, Loss: 0.16429665684700012, Accuracy: 93.85333251953125, Test Loss: 0.2659859359264374, Test Accuracy: 91.0999984741211
Epoch 10, Loss: 0.1503313183784485, Accuracy: 94.42166900634766, Test Loss: 0.2602477967739105, Test Accuracy: 91.06999969482422

Rzeczy do odnotowania w powyższym przykładzie:

Przywróć najnowszy punkt kontrolny i przetestuj

Model z punktem kontrolnym tf.distribute.Strategy można przywrócić ze strategią lub bez niej.

eval_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(
      name='eval_accuracy')

new_model = create_model()
new_optimizer = tf.keras.optimizers.Adam()

test_dataset = tf.data.Dataset.from_tensor_slices((test_images, test_labels)).batch(GLOBAL_BATCH_SIZE)
@tf.function
def eval_step(images, labels):
  predictions = new_model(images, training=False)
  eval_accuracy(labels, predictions)
checkpoint = tf.train.Checkpoint(optimizer=new_optimizer, model=new_model)
checkpoint.restore(tf.train.latest_checkpoint(checkpoint_dir))

for images, labels in test_dataset:
  eval_step(images, labels)

print ('Accuracy after restoring the saved model without strategy: {}'.format(
    eval_accuracy.result()*100))
Accuracy after restoring the saved model without strategy: 91.0999984741211

Alternatywne sposoby iteracji po zbiorze danych

Korzystanie z iteratorów

Jeśli chcesz iterować przez określoną liczbę kroków, a nie przez cały zestaw danych, możesz utworzyć iterator za pomocą wywołania iter i jawnego wywołania next iteratora. Możesz wybrać iterację po zbiorze danych zarówno wewnątrz, jak i na zewnątrz funkcji tf.function. Oto mały fragment pokazujący iterację zbioru danych poza tf.function przy użyciu iteratora.

for _ in range(EPOCHS):
  total_loss = 0.0
  num_batches = 0
  train_iter = iter(train_dist_dataset)

  for _ in range(10):
    total_loss += distributed_train_step(next(train_iter))
    num_batches += 1
  average_train_loss = total_loss / num_batches

  template = ("Epoch {}, Loss: {}, Accuracy: {}")
  print (template.format(epoch+1, average_train_loss, train_accuracy.result()*100))
  train_accuracy.reset_states()
Epoch 10, Loss: 0.14126229286193848, Accuracy: 95.0
Epoch 10, Loss: 0.1343936026096344, Accuracy: 95.0
Epoch 10, Loss: 0.12443388998508453, Accuracy: 94.84375
Epoch 10, Loss: 0.1607474684715271, Accuracy: 94.21875
Epoch 10, Loss: 0.10524413734674454, Accuracy: 96.71875
Epoch 10, Loss: 0.11492376029491425, Accuracy: 96.71875
Epoch 10, Loss: 0.16041627526283264, Accuracy: 94.21875
Epoch 10, Loss: 0.13022005558013916, Accuracy: 94.6875
Epoch 10, Loss: 0.17113295197486877, Accuracy: 93.28125
Epoch 10, Loss: 0.12315043061971664, Accuracy: 95.625

Iteracja wewnątrz funkcji tf.

Możesz także iterować po całym wejściowym train_dist_dataset danych train_dist_dataset wewnątrz funkcji tf.function za pomocą konstrukcji for x in ... lub tworząc iteratory, tak jak to zrobiliśmy powyżej. Poniższy przykład ilustruje zawijanie jednej epoki szkolenia w tf.function i iterację po train_dist_dataset wewnątrz funkcji.

@tf.function
def distributed_train_epoch(dataset):
  total_loss = 0.0
  num_batches = 0
  for x in dataset:
    per_replica_losses = strategy.run(train_step, args=(x,))
    total_loss += strategy.reduce(
      tf.distribute.ReduceOp.SUM, per_replica_losses, axis=None)
    num_batches += 1
  return total_loss / tf.cast(num_batches, dtype=tf.float32)

for epoch in range(EPOCHS):
  train_loss = distributed_train_epoch(train_dist_dataset)

  template = ("Epoch {}, Loss: {}, Accuracy: {}")
  print (template.format(epoch+1, train_loss, train_accuracy.result()*100))

  train_accuracy.reset_states()
Epoch 1, Loss: 0.13766956329345703, Accuracy: 94.89666748046875
Epoch 2, Loss: 0.12510614097118378, Accuracy: 95.35166931152344
Epoch 3, Loss: 0.11464647948741913, Accuracy: 95.70333099365234
Epoch 4, Loss: 0.10295023769140244, Accuracy: 96.12000274658203
Epoch 5, Loss: 0.09352775663137436, Accuracy: 96.49666595458984
Epoch 6, Loss: 0.08494547754526138, Accuracy: 96.87166595458984
Epoch 7, Loss: 0.07917638123035431, Accuracy: 97.09166717529297
Epoch 8, Loss: 0.07128290832042694, Accuracy: 97.37833404541016
Epoch 9, Loss: 0.06662175804376602, Accuracy: 97.47999572753906
Epoch 10, Loss: 0.06016768515110016, Accuracy: 97.82833099365234

Śledzenie utraty treningu w replikach

Nie zalecamy korzystania tf.metrics.Mean śledzić utratę szkolenia na różnych replikach, ze względu na obliczenia strat skalowania, które jest prowadzone.

Na przykład, jeśli prowadzisz zadanie szkoleniowe o następujących cechach:

  • Dwie repliki
  • Na każdej replice przetwarzane są dwie próbki
  • Wynikowe wartości strat: [2, 3] i [4, 5] na każdej replice
  • Globalna wielkość partii = 4

Dzięki skalowaniu strat można obliczyć wartość strat na próbkę w każdej replice, dodając wartości strat, a następnie dzieląc je przez globalny rozmiar partii. W tym przypadku: (2 + 3) / 4 = 1.25 i (4 + 5) / 4 = 2.25 .

Jeśli używasz tf.metrics.Mean do śledzenia strat w dwóch replikach, wynik jest inny. W tym przykładzie otrzymujesz total 3,50 i count 2, co daje total / count = 1,75, gdy result() jest wywoływany w metryce. Strata obliczona za pomocą tf.keras.Metrics jest skalowana przez dodatkowy czynnik, który jest równy liczbie zsynchronizowanych replik.

Przewodnik i przykłady

Oto kilka przykładów wykorzystania strategii dystrybucji z niestandardowymi pętlami treningowymi:

  1. Rozproszony przewodnik szkoleniowy
  2. Przykład DenseNet przy użyciu MirroredStrategy .
  3. Przykład BERT przeszkolony przy użyciu MirroredStrategy i TPUStrategy . Ten przykład jest szczególnie pomocny w zrozumieniu, jak ładować z punktu kontrolnego i generować okresowe punkty kontrolne podczas szkolenia rozproszonego itp.
  4. Przykład NCF wyszkolony przy użyciu MirroredStrategy który można włączyć za pomocą flagi keras_use_ctl .
  5. Przykład NMT przeszkolony przy użyciu MirroredStrategy .

Więcej przykładów można znaleźć w przewodniku po strategii dystrybucji .

Następne kroki