Quando esegui un job di addestramento su AI Platform Training, devi specificare il numero e i tipi di macchine necessari. Per semplificare il processo, puoi scegliere tra un insieme di specifiche del cluster predefinite denominate livelli di scalabilità. In alternativa, puoi scegliere un livello personalizzato e specificare manualmente i tipi di macchine.
Specificare la configurazione
Il modo in cui specifichi la configurazione del cluster dipende da come prevedi di eseguire il job di addestramento:
gcloud
Crea un file di configurazione YAML che rappresenta l'oggetto TrainingInput
e specifica l'identificatore del livello di scalabilità e i tipi di macchina nel file di configurazione. Puoi assegnare a questo file
il nome che preferisci. Per convenzione il nome è config.yaml
.
L'esempio seguente mostra i contenuti del file di configurazione, config.yaml
, per un job con un cluster di elaborazione personalizzato.
trainingInput: scaleTier: CUSTOM masterType: n1-highcpu-16 workerType: n1-highcpu-16 parameterServerType: n1-highmem-8 evaluatorType: n1-highcpu-16 workerCount: 9 parameterServerCount: 3 evaluatorCount: 1
Fornisci il percorso del file YAML nel flag --config
quando esegui il comando gcloud ai-platform jobs submit training
:
gcloud ai-platform jobs submit training $JOB_NAME \ --package-path $TRAINER_PACKAGE_PATH \ --module-name $MAIN_TRAINER_MODULE \ --job-dir $JOB_DIR \ --region $REGION \ --config config.yaml \ -- \ --user_first_arg=first_arg_value \ --user_second_arg=second_arg_value
In alternativa, puoi specificare i dettagli di configurazione del cluster con flag della riga di comando, anziché in un file di configurazione. Scopri di più su come utilizzare questi flag.
L'esempio seguente mostra come inviare un job di addestramento con una configurazione simile all'esempio precedente, ma senza utilizzare un file di configurazione:
gcloud ai-platform jobs submit training $JOB_NAME \
--package-path $TRAINER_PACKAGE_PATH \
--module-name $MAIN_TRAINER_MODULE \
--job-dir $JOB_DIR \
--region $REGION \
--scale-tier custom \
--master-machine-type n1-highcpu-16 \
--worker-machine-type n1-highcpu-16 \
--parameter-server-machine-type n1-highmem-8 \
--worker-count 9 \
--parameter-server-count 3 \
-- \
--user_first_arg=first_arg_value \
--user_second_arg=second_arg_value
Scopri di più su come eseguire un job di addestramento.
Python
Specifica l'identificatore del livello di scalabilità e i tipi di macchine nell'oggetto TrainingInput
nella configurazione del job.
L'esempio seguente mostra come creare una rappresentazione di job per un job con un cluster di elaborazione personalizzato.
training_inputs = {'scaleTier': 'CUSTOM', 'masterType': 'n1-highcpu-16', 'workerType': 'n1-highcpu-16', 'parameterServerType': 'n1-highmem-8', 'evaluatorType': 'n1-highcpu-16', 'workerCount': 9, 'parameterServerCount': 3, 'evaluatorCount': 1, 'packageUris': ['gs://my/trainer/path/package-0.0.0.tar.gz'], 'pythonModule': 'trainer.task' 'args': ['--arg1', 'value1', '--arg2', 'value2'], 'region': 'us-central1', 'jobDir': 'gs://my/training/job/directory', 'runtimeVersion': '2.11', 'pythonVersion': '3.7'} job_spec = {'jobId': my_job_name, 'trainingInput': training_inputs}
Tieni presente che training_inputs
e job_spec
sono identificatori arbitrari: puoi assegnare a questi dizionari il nome che preferisci. Tuttavia, le chiavi del dizionario devono essere denominati esattamente come mostrato, per corrispondere ai nomi nelle risorse Job
e TrainingInput
.
Livelli di scalabilità
Google può ottimizzare la configurazione dei livelli di scalabilità per diversi job nel tempo, in base al feedback dei clienti e alla disponibilità di risorse cloud. Ogni livello di scala è definito in termini di idoneità per determinati tipi di job. In generale, più il livello è avanzato, più sono allocate al cluster le macchine e più potenti sono le specifiche di ogni macchina virtuale. All'aumentare della complessità del livello di scalabilità, aumenta anche il costo orario dei job di addestramento, misurato in unità di addestramento. Consulta la pagina dei prezzi per calcolare il costo del tuo job.
AI Platform Training non supporta l'addestramento distribuito o l'addestramento con acceleratori
per codice scikit-learn o XGBoost. Se il job di addestramento esegue codice scikit-learn o
XGBoost, devi impostare il livello di scalabilità su BASIC
o CUSTOM
.
Di seguito sono riportati gli identificatori dei livelli di bilancia:
Livello di scalabilità di AI Platform Training | |
---|---|
BASIC
|
Una singola istanza worker. Questo livello è adatto per imparare a utilizzare AI Platform Training e per sperimentare nuovi modelli utilizzando set di dati di piccole dimensioni. Nome macchina Compute Engine: n1-standard-4 |
STANDARD_1
|
Un'istanza master, più quattro worker e tre server dei parametri. Utilizza questo livello di scalabilità solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine, master: n1-highcpu-8, workers: n1-highcpu-8, parameter server: n1-standard-4 |
PREMIUM_1
|
Un'istanza master, più 19 worker e 11 server dei parametri. Utilizza questo livello di scalabilità solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine, master: n1-highcpu-16, workers: n1-highcpu-16, parameter server: n1-highmem-8 |
BASIC_GPU
|
Una singola istanza worker con una GPU. Per scoprire di più sulle GPU, consulta la sezione relativa all'addestramento con GPU. Utilizza questo livello di scalabilità solo se ti stai addestrando con TensorFlow o utilizzando un container personalizzato. Nome macchina Compute Engine: n1-standard-8 con una GPU |
BASIC_TPU
|
Una VM master e una Cloud TPU con otto core TPU v2. Scopri come utilizzare le TPU per il job di addestramento. Utilizza questo livello di scalabilità solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine, master: n1-standard-4, worker: Cloud TPU (8 core TPU v2) |
CUSTOM
|
Il livello CUSTOM non è impostato, ma ti consente di utilizzare la specifica del cluster. Quando utilizzi questo livello, imposta i valori per configurare il cluster di elaborazione in base a queste linee guida:
|
Tipi di macchina per il livello di scalabilità personalizzata
Utilizza un livello di scalabilità personalizzato per un controllo più preciso sul cluster di elaborazione che utilizzi per addestrare il modello. Specifica la configurazione nell'oggetto TrainingInput
nella configurazione del job. Se utilizzi il comando gcloud ai-platform jobs submit training
per inviare il job di addestramento, puoi utilizzare gli stessi identificatori:
Imposta il livello di scalabilità (
scaleTier
) suCUSTOM
.Imposta i valori necessari per il numero di worker (
workerCount
), server dei parametri (parameterServerCount
) e valutatori (evaluatorCount
).AI Platform Training supporta l'addestramento distribuito solo quando ti addestra con TensorFlow o utilizzi un container personalizzato. Se il job di addestramento esegue codice scikit-learn o XGBoost, non specificare worker, server dei parametri o valutatori.
Imposta il tipo di macchina per il worker master (
masterType
). Se hai scelto di utilizzare worker, server dei parametri o valutatori, imposta i rispettivi tipi di macchina nei campiworkerType
,parameterServerType
eevaluatorType
rispettivamente.Puoi specificare tipi di macchina diversi per
masterType
,workerType
,parameterServerType
eevaluatorType
, ma non puoi utilizzare tipi di macchine diversi per le singole istanze. Ad esempio, puoi utilizzare un tipo di macchinan1-highmem-8
per i server dei parametri, ma non puoi impostare alcuni server dei parametri in modo che utilizzinon1-highmem-8
e altri l'utilizzo din1-highcpu-16
.Se hai bisogno di un solo worker con una configurazione personalizzata (non un cluster completo), devi specificare un livello di scalabilità personalizzato con un tipo di macchina solo per il master. In questo modo hai un solo worker. Ecco un esempio di file
config.yaml
:trainingInput: scaleTier: CUSTOM masterType: n1-highcpu-16
Tipi di macchine Compute Engine
Puoi utilizzare i nomi di alcuni tipi di macchine predefinite di Compute Engine per masterType
, workerType
, parameterServerType
e evaluatorType
del job. Se esegui l'addestramento con TensorFlow o utilizzi container personalizzati,
puoi facoltativamente utilizzare vari tipi di GPU
con questi tipi di macchine.
Il seguente elenco contiene gli identificatori dei tipo di macchina di Compute Engine che puoi utilizzare per il job di addestramento:
e2-standard-4
e2-standard-8
e2-standard-16
e2-standard-32
e2-highmem-2
e2-highmem-4
e2-highmem-8
e2-highmem-16
e2-highcpu-16
e2-highcpu-32
n2-standard-4
n2-standard-8
n2-standard-16
n2-standard-32
n2-standard-48
n2-standard-64
n2-standard-80
n2-highmem-2
n2-highmem-4
n2-highmem-8
n2-highmem-16
n2-highmem-32
n2-highmem-48
n2-highmem-64
n2-highmem-80
n2-highcpu-16
n2-highcpu-32
n2-highcpu-48
n2-highcpu-64
n2-highcpu-80
n1-standard-4
n1-standard-8
n1-standard-16
n1-standard-32
n1-standard-64
n1-standard-96
n1-highmem-2
n1-highmem-4
n1-highmem-8
n1-highmem-16
n1-highmem-32
n1-highmem-64
n1-highmem-96
n1-highcpu-16
n1-highcpu-32
n1-highcpu-64
n1-highcpu-96
c2-standard-4
c2-standard-8
c2-standard-16
c2-standard-30
c2-standard-60
m1-ultramem-40
m1-ultramem-80
m1-ultramem-160
m1-megamem-96
a2-highgpu-1g
* (anteprima)a2-highgpu-2g
* (anteprima)a2-highgpu-4g
* (anteprima)a2-highgpu-8g
* (anteprima)a2-megagpu-16g
* (anteprima)
Per conoscere le specifiche tecniche di ciascun tipo di macchina, leggi la documentazione di Compute Engine sui tipi di macchina.
Tipi di macchina legacy
Anziché utilizzare i tipi di macchine di Compute Engine per il job, puoi specificare i nomi dei tipo di macchina legacy. Questi tipi di macchina forniscono le stesse risorse vCPU e memoria dei tipi di macchine Compute Engine equivalenti, ma presentano limitazioni di configurazione aggiuntive:
Non puoi personalizzare l'utilizzo della GPU utilizzando un
acceleratorConfig
. Tuttavia, alcuni tipi di macchine legacy includono le GPU. Consulta la tabella riportata di seguito.Se la configurazione del job di addestramento utilizza più macchine, non puoi combinare i tipi di macchine di Compute Engine con quelli legacy. Il worker principale, i worker, i server dei parametri e i valutatori devono utilizzare tutti tipi di macchina di un gruppo o dell'altro.
Ad esempio, se configuri
masterType
in modo che sian1-highcpu-32
(un tipo di macchina Compute Engine), non puoi impostareworkerType
sucomplex_model_m
(un tipo di macchina legacy), ma puoi impostarlo sun1-highcpu-16
(un altro tipo di macchina Compute Engine).
La tabella seguente descrive i tipi di macchina legacy:
Tipi di macchina legacy | |
---|---|
standard
|
Una configurazione di base della macchina adatta per l'addestramento di modelli semplici con set di dati da piccoli a moderati. Nome macchina Compute Engine: n1-standard-4 |
large_model
|
Una macchina con molta memoria, particolarmente adatta per i server dei parametri quando il modello è di grandi dimensioni (con molti livelli nascosti o con un numero molto elevato di nodi). Nome macchina Compute Engine: n1-highmem-8 |
complex_model_s
|
Una macchina adatta al master e ai worker del cluster quando il modello richiede più calcoli di quanto non possa essere gestito in modo soddisfacente dalla macchina standard. Nome macchina Compute Engine: n1-highcpu-8 |
complex_model_m
|
Una macchina con circa il doppio del numero di core e circa il doppio della memoria di complex_model_s. Nome macchina Compute Engine: n1-highcpu-16 |
complex_model_l
|
Una macchina con circa il doppio del numero di core e circa il doppio della memoria di complex_model_m. Nome macchina Compute Engine: n1-highcpu-32 |
standard_gpu
|
Una macchina equivalente allo standard che include anche una singola GPU. Utilizza questo tipo di macchina solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine: n1-standard-8 con una GPU |
complex_model_m_gpu
|
Una macchina equivalente a complex_model_m che include anche quattro GPU. Utilizza questo tipo di macchina solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine: n1-standard-16 con 4 GPU |
complex_model_l_gpu
|
Una macchina equivalente a complex_model_l che include anche otto GPU. Utilizza questo tipo di macchina solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine: n1-standard-32 con 8 GPU |
standard_p100
|
Una macchina equivalente allo standard che include anche una singola GPU NVIDIA Tesla P100. Utilizza questo tipo di macchina solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine: n1-standard-8-p100x1 |
complex_model_m_p100
|
Una macchina equivalente a complex_model_m che include anche quattro GPU NVIDIA Tesla P100. Utilizza questo tipo di macchina solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine: n1-standard-16-p100x4 |
standard_v100
|
Una macchina equivalente a uno standard che include anche una singola GPU NVIDIA Tesla V100. Utilizza questo tipo di macchina solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine: n1-standard-8-v100x1 |
large_model_v100
|
Una macchina equivalente a large_model che include anche una singola GPU NVIDIA Tesla V100. Utilizza questo tipo di macchina solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine: n1-highmem-8-v100x1 |
complex_model_m_v100
|
Una macchina equivalente a complex_model_m che include anche quattro GPU NVIDIA Tesla V100. Utilizza questo tipo di macchina solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine: n1-standard-16-v100x4 |
complex_model_l_v100
|
Una macchina equivalente a complex_model_l che include anche otto GPU NVIDIA Tesla V100. Utilizza questo tipo di macchina solo se ti stai addestrando con TensorFlow o utilizzando container personalizzati. Nome macchina Compute Engine: n1-standard-32-v100x8 |
Addestramento con GPU e TPU
Alcuni livelli di scalabilità e tipi di macchina legacy includono GPU (Graphics Processing Unit). Se utilizzi un tipo di macchina Compute Engine, puoi anche collegare diverse GPU che preferisci. Per scoprire di più, leggi la sezione relativa all'addestramento con le GPU.
Per eseguire l'addestramento con le TPU (Tensor Processing Unit), devi utilizzare il livello di scalabilità BASIC_TPU
o il tipo di macchina cloud_tpu
. Il tipo di macchina cloud_tpu
ha opzioni di configurazione speciali: puoi utilizzarlo insieme ai tipi di macchina Compute Engine o con i tipi di macchina legacy e puoi configurarlo in modo che utilizzi 8 core TPU v2 o 8 core TPU v3. Scopri come utilizzare le TPU per il tuo job di addestramento.