Reserve a data! O Google I / O retorna de 18 a 20 de maio Registre-se agora
Esta página foi traduzida pela API Cloud Translation.
Switch to English

Treinamento personalizado com tf.distribute.Strategy

Ver no TensorFlow.org Executar no Google Colab Ver fonte no GitHub Baixar caderno

Este tutorial demonstra como usar tf.distribute.Strategy com loops de treinamento personalizados. Vamos treinar um modelo CNN simples no conjunto de dados MNIST de moda. O conjunto de dados da moda MNIST contém 60.000 imagens de trem de tamanho 28 x 28 e 10.000 imagens de teste de tamanho 28 x 28.

Estamos usando loops de treinamento personalizados para treinar nosso modelo porque eles nos dão flexibilidade e um maior controle sobre o treinamento. Além disso, é mais fácil depurar o modelo e o loop de treinamento.

# Import TensorFlow
import tensorflow as tf

# Helper libraries
import numpy as np
import os

print(tf.__version__)
2.3.0

Baixe o conjunto de dados de moda 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)
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz
32768/29515 [=================================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz
26427392/26421880 [==============================] - 1s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
8192/5148 [===============================================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz
4423680/4422102 [==============================] - 1s 0us/step

Crie uma estratégia para distribuir as variáveis ​​e o gráfico

Como a estratégia tf.distribute.MirroredStrategy funciona?

  • Todas as variáveis ​​e o gráfico do modelo são replicados nas réplicas.
  • A entrada é distribuída uniformemente pelas réplicas.
  • Cada réplica calcula a perda e gradientes para a entrada que recebeu.
  • Os gradientes são sincronizados em todas as réplicas somando-os.
  • Após a sincronização, a mesma atualização é feita nas cópias das variáveis ​​em cada réplica.
# If the list of devices is not specified in the
# `tf.distribute.MirroredStrategy` constructor, it will be auto-detected.
strategy = tf.distribute.MirroredStrategy()
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

Configurar pipeline de entrada

Exporte o gráfico e as variáveis ​​para o formato SavedModel independente de plataforma. Depois que seu modelo for salvo, você pode carregá-lo com ou sem o osciloscópio.

BUFFER_SIZE = len(train_images)

BATCH_SIZE_PER_REPLICA = 64
GLOBAL_BATCH_SIZE = BATCH_SIZE_PER_REPLICA * strategy.num_replicas_in_sync

EPOCHS = 10

Crie os conjuntos de dados e distribua-os:

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)

Crie o modelo

Crie um modelo usando tf.keras.Sequential . Você também pode usar a API Model Subclassing para fazer isso.

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")

Defina a função de perda

Normalmente, em uma única máquina com 1 GPU / CPU, a perda é dividida pelo número de exemplos no lote de entrada.

Então, como a perda deve ser calculada ao usar um tf.distribute.Strategy ?

  • Por exemplo, digamos que você tenha 4 GPUs e um tamanho de lote de 64. Um lote de entrada é distribuído pelas réplicas (4 GPUs), cada réplica recebendo uma entrada de tamanho 16.

  • O modelo em cada réplica faz um passe para frente com sua respectiva entrada e calcula a perda. Agora, ao invés de dividir a perda pelo número de exemplos em sua respectiva entrada (BATCH_SIZE_PER_REPLICA = 16), a perda deve ser dividida pelo GLOBAL_BATCH_SIZE (64).

Por que fazer isso?

  • Isso precisa ser feito porque depois que os gradientes são calculados em cada réplica, eles são sincronizados entre as réplicas somando- os.

Como fazer isso no TensorFlow?

  • Se você estiver escrevendo um loop de treinamento personalizado, como neste tutorial, você deve somar as perdas por exemplo e dividir a soma por GLOBAL_BATCH_SIZE: scale_loss = tf.reduce_sum(loss) * (1. / GLOBAL_BATCH_SIZE) ou você pode usar tf.nn.compute_average_loss que leva a perda por exemplo, pesos de amostra opcionais e GLOBAL_BATCH_SIZE como argumentos e retorna a perda em escala.

  • Se você estiver usando perdas de regularização em seu modelo, será necessário dimensionar o valor de perda por número de réplicas. Você pode fazer isso usando a função tf.nn.scale_regularization_loss .

  • Usar tf.reduce_mean não é recomendado. Isso divide a perda pelo tamanho real do lote por réplica, que pode variar passo a passo.

  • Esta redução e dimensionamento são feitos automaticamente em keras model.compile e model.fit

  • Se estiver usandotf.keras.losses classestf.keras.losses (como no exemplo abaixo), a redução de perda precisa ser explicitamente especificada como NONE ou SUM . AUTO e SUM_OVER_BATCH_SIZE não são permitidos quando usados ​​com tf.distribute.Strategy . AUTO não é permitido porque o usuário deve pensar explicitamente sobre qual redução deseja para ter certeza de que está correta no caso distribuído. SUM_OVER_BATCH_SIZE não é permitido porque atualmente ele apenas dividiria por tamanho de lote de réplica e deixaria a divisão pelo número de réplicas para o usuário, o que pode ser fácil de perder. Em vez disso, pedimos ao usuário que faça a redução explicitamente.

  • Se os labels forem multidimensionais, per_example_loss a média de per_example_loss em relação ao número de elementos em cada amostra. Por exemplo, se a forma das predictions for (batch_size, H, W, n_classes) e os labels for (batch_size, H, W) , você precisará atualizar per_example_loss como: 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)

Defina as métricas para rastrear perda e precisão

Essas métricas rastreiam a perda e o treinamento do teste e a precisão do teste. Você pode usar .result() para obter as estatísticas acumuladas a qualquer momento.

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')

Loop de treinamento

# 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()
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/data/ops/multi_device_iterator_ops.py:601: get_next_as_optional (from tensorflow.python.data.ops.iterator_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.data.Iterator.get_next_as_optional()` instead.
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',).
Epoch 1, Loss: 0.50295090675354, Accuracy: 82.1116714477539, Test Loss: 0.3852590322494507, Test Accuracy: 86.5999984741211
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',).
Epoch 2, Loss: 0.32958829402923584, Accuracy: 88.20333862304688, Test Loss: 0.3391425311565399, Test Accuracy: 87.6500015258789
Epoch 3, Loss: 0.2872008979320526, Accuracy: 89.57167053222656, Test Loss: 0.2974696457386017, Test Accuracy: 89.31000518798828
Epoch 4, Loss: 0.255713552236557, Accuracy: 90.58499908447266, Test Loss: 0.2988712787628174, Test Accuracy: 89.31999969482422
Epoch 5, Loss: 0.23122134804725647, Accuracy: 91.41667175292969, Test Loss: 0.27742496132850647, Test Accuracy: 89.99000549316406
Epoch 6, Loss: 0.212575763463974, Accuracy: 92.17333221435547, Test Loss: 0.2573488652706146, Test Accuracy: 90.75
Epoch 7, Loss: 0.1963273137807846, Accuracy: 92.77166748046875, Test Loss: 0.2587501108646393, Test Accuracy: 90.66000366210938
Epoch 8, Loss: 0.1779220998287201, Accuracy: 93.46666717529297, Test Loss: 0.267805814743042, Test Accuracy: 90.55999755859375
Epoch 9, Loss: 0.16410504281520844, Accuracy: 93.91333770751953, Test Loss: 0.25632956624031067, Test Accuracy: 91.00999450683594
Epoch 10, Loss: 0.14829590916633606, Accuracy: 94.47833251953125, Test Loss: 0.25820475816726685, Test Accuracy: 91.00999450683594

Coisas a serem observadas no exemplo acima:

Restaure o último ponto de verificação e teste

Um ponto de verificação do modelo com um tf.distribute.Strategy pode ser restaurado com ou sem uma estratégia.

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: 91.00999450683594

Formas alternativas de iteração em um conjunto de dados

Usando iteradores

Se quiser iterar em um determinado número de etapas e não em todo o conjunto de dados, você pode criar um iterador usando a chamada do iter e a chamada explicita next no iterador. Você pode optar por iterar no conjunto de dados dentro e fora de tf.function. Aqui está um pequeno fragmento que demonstra a iteração do conjunto de dados fora do tf.function usando um iterador.

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: 0.12157603353261948, Accuracy: 95.0
Epoch 10, Loss: 0.1367541253566742, Accuracy: 94.6875
Epoch 10, Loss: 0.14902949333190918, Accuracy: 93.90625
Epoch 10, Loss: 0.12149540334939957, Accuracy: 95.625
Epoch 10, Loss: 0.13160167634487152, Accuracy: 94.6875
Epoch 10, Loss: 0.13297739624977112, Accuracy: 95.3125
Epoch 10, Loss: 0.16038034856319427, Accuracy: 94.53125
Epoch 10, Loss: 0.1035340279340744, Accuracy: 96.40625
Epoch 10, Loss: 0.11846740543842316, Accuracy: 95.625
Epoch 10, Loss: 0.09006750583648682, Accuracy: 96.71875

Iterando dentro de um tf.function

Você também pode iterar sobre toda a entrada train_dist_dataset dentro de uma função tf.function usando a construção for x in ... ou criando iteradores como fizemos acima. O exemplo a seguir demonstra o empacotamento de uma época de treinamento em um tf.function e a iteração em train_dist_dataset dentro da função.

@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: 0.13680464029312134, Accuracy: 94.90499877929688
Epoch 2, Loss: 0.12503673136234283, Accuracy: 95.33499908447266
Epoch 3, Loss: 0.11472766101360321, Accuracy: 95.71333312988281
Epoch 4, Loss: 0.10419528931379318, Accuracy: 96.13500213623047
Epoch 5, Loss: 0.09566374123096466, Accuracy: 96.44833374023438
Epoch 6, Loss: 0.08704081922769547, Accuracy: 96.82499694824219
Epoch 7, Loss: 0.08157625794410706, Accuracy: 96.96333312988281
Epoch 8, Loss: 0.07562965154647827, Accuracy: 97.11000061035156
Epoch 9, Loss: 0.0676642507314682, Accuracy: 97.47999572753906
Epoch 10, Loss: 0.06430575996637344, Accuracy: 97.58333587646484

Rastreamento de perda de treinamento em réplicas

Nós não recomendamos o uso tf.metrics.Mean para controlar a perda de treinamento em diferentes réplicas, por causa da computação de escala perda que é realizado.

Por exemplo, se você executar um job de treinamento com as seguintes características:

  • Duas réplicas
  • Duas amostras são processadas em cada réplica
  • Valores de perda resultantes: [2, 3] e [4, 5] em cada réplica
  • Tamanho do lote global = 4

Com a escala de perda, você calcula o valor de perda por amostra em cada réplica adicionando os valores de perda e, em seguida, dividindo pelo tamanho do lote global. Neste caso: (2 + 3) / 4 = 1.25 e (4 + 5) / 4 = 2.25 .

Se você usar tf.metrics.Mean para rastrear a perda nas duas réplicas, o resultado será diferente. Neste exemplo, você termina com um total de 3,50 e count de 2, o que resulta em total / count = 1,75 quando result() é chamado na métrica. A perda calculada com tf.keras.Metrics é dimensionada por um fator adicional que é igual ao número de réplicas em sincronia.

Guia e exemplos

Aqui estão alguns exemplos de uso de estratégia de distribuição com loops de treinamento personalizados:

  1. Guia de treinamento distribuído
  2. Exemplo de DenseNet usando MirroredStrategy .
  3. Exemplo de BERT treinado usando MirroredStrategy e TPUStrategy . Este exemplo é particularmente útil para entender como carregar de um ponto de verificação e gerar pontos de verificação periódicos durante o treinamento distribuído, etc.
  4. Exemplo de NCF treinado usando MirroredStrategy que pode ser habilitado usando o sinalizador keras_use_ctl .
  5. Exemplo de NMT treinado usando MirroredStrategy .

Mais exemplos listados no guia de estratégia de distribuição .

Próximos passos