Como usar os espaços de pesquisa predefinidos e um treinador predefinido

Neste guia, mostramos como executar um job de pesquisa de arquitetura neural da Vertex AI usando os espaços de pesquisa pré-criados do Google e o código do treinador pré-criado com base no TF-vision do MnasNet e do SpineNet. Consulte o notebook de classificação do MnasNet e o notebook de detecção de objetos do Spinnaker para ver exemplos completos.

Preparação de dados para um treinador pré-compilado

O treinador pré-criado da pesquisa de arquitetura neural exige que os dados estejam no formato TFRecord, contendo tf.train.Examples. Os tf.train.Examples precisam incluir os seguintes campos:

'image/encoded': tf.FixedLenFeature(tf.string)
'image/height': tf.FixedLenFeature(tf.int64)
'image/width': tf.FixedLenFeature(tf.int64)

# For image classification only.
'image/class/label': tf.FixedLenFeature(tf.int64)

# For object detection only.
'image/object/bbox/xmin': tf.VarLenFeature(tf.float32)
'image/object/bbox/xmax': tf.VarLenFeature(tf.float32)
'image/object/bbox/ymin': tf.VarLenFeature(tf.float32)
'image/object/bbox/ymax': tf.VarLenFeature(tf.float32)
'image/object/class/label': tf.VarLenFeature(tf.int64)

Siga estas instruções de preparação do ImageNet.

Para converter seus dados, use o script de análise incluído no exemplo de código e utilitários que você baixou. Para personalizar a análise de dados, modifique os arquivos tf_vision/dataLoaders/*_input.py.

Saiba mais sobre o TFRecord e o tf.train.Example.

Definir as variáveis de ambiente do experimento

Antes de realizar os experimentos, você precisará definir várias variáveis de ambiente, incluindo:

  • TRAINER_DOCKER_ID: ${USER}_nas_experiment (formato recomendado)

  • Locais do Cloud Storage dos conjuntos de dados de treinamento e validação que o experimento usará. Por exemplo (CoCo para detecção):

    • gs://cloud-samples-data/ai-platform/built-in/image/coco/train*
    • gs://cloud-samples-data/ai-platform/built-in/image/coco/val*

  • Local do Cloud Storage na saída do experimento. Formato recomendado:

    • gs://${USER}_nas_experiment

  • REGION: uma região que precisa ser igual à região do bucket de saída do experimento. Por exemplo, us-central1.

  • PARAM_OVERRIDE: um arquivo .yaml que substitui os parâmetros do treinador pré-compilado A pesquisa de arquitetura neural fornece algumas configurações padrão que podem ser usadas:

PROJECT_ID=PROJECT_ID
TRAINER_DOCKER_ID=TRAINER_DOCKER_ID
LATENCY_CALCULATOR_DOCKER_ID=LATENCY_CALCULATOR_DOCKER_ID
GCS_ROOT_DIR=OUTPUT_DIR
REGION=REGION
PARAM_OVERRIDE=tf_vision/configs/experiments/spinenet_search_gpu.yaml
TRAINING_DATA_PATH=gs://PATH_TO_TRAINING_DATA
VALIDATION_DATA_PATH=gs://PATH_TO_VALIDATION_DATA

É possível selecionar e/ou modificar o arquivo de modificação que corresponde aos seus requisitos de treinamento. Considere o seguinte:

  • É possível definir --accelerator_type para escolher entre GPU ou CPU. Para executar apenas alguns períodos para testes rápidos usando a CPU, defina a sinalização --accelerator_type="" e use o arquivo de configuração tf_vision/test_files/fast_nas_detection_spinenet_search_for_testing.yaml.
  • Número de períodos
  • Tempo de execução do treinamento
  • Hiperparâmetros, como taxa de aprendizado

Para ver uma lista de todos os parâmetros para controlar os jobs de treinamento, consulte tf_vision/configs/. Veja os principais parâmetros:

task:
  train_data:
    global_batch_size: 80
  validation_data:
    global_batch_size: 16
  init_checkpoint: null
trainer:
  train_steps: 16634
  steps_per_loop: 1386
  optimizer_config:
    learning_rate:
      cosine:
        initial_learning_rate: 0.16
        decay_steps: 16634
      type: 'cosine'
    warmup:
      type: 'linear'
      linear:
        warmup_learning_rate: 0.0067
        warmup_steps: 1386

Crie um bucket do Cloud Storage para pesquisa de arquitetura neural para armazenar as saídas dos jobs (ou seja, checkpoints):

gsutil mkdir $GCS_ROOT_DIR

Criar um contêiner de treinador e um contêiner de calculadora de latência

O comando a seguir criará uma imagem de treinador no Google Cloud com o seguinte URI: gcr.io/PROJECT_ID/TRAINER_DOCKER_ID, que será usado no job de pesquisa de arquitetura neural na próxima etapa.

python3 vertex_nas_cli.py build \
--project_id=PROJECT_ID \
--trainer_docker_id=TRAINER_DOCKER_ID \
--latency_calculator_docker_id=LATENCY_CALCULATOR_DOCKER_ID \
--trainer_docker_file=tf_vision/nas_multi_trial.Dockerfile \
--latency_calculator_docker_file=tf_vision/latency_computation_using_saved_model.Dockerfile

Para alterar o espaço de pesquisa e recompensar, atualize-os no arquivo Python e, em seguida, recrie a imagem do Docker.

Testar o treinador localmente

Como o lançamento de um job no serviço do Google Cloud leva vários minutos, pode ser mais conveniente testar o Docker do treinador localmente. Por exemplo, validando o formato TFRecord. Use o espaço de pesquisa spinenet como exemplo. Execute o job de pesquisa localmente (o modelo será amostrado aleatoriamente):

# Define the local job output dir.
JOB_DIR="/tmp/iod_${search_space}"

python3 vertex_nas_cli.py search_in_local \
--project_id=PROJECT_ID \
--trainer_docker_id=TRAINER_DOCKER_ID \
--prebuilt_search_space=spinenet \
--use_prebuilt_trainer=True \
--local_output_dir=${JOB_DIR} \
--search_docker_flags \
params_override="tf_vision/test_files/fast_nas_detection_spinenet_search_for_testing.yaml" \
training_data_path=TEST_COCO_TF_RECORD \
validation_data_path=TEST_COCO_TF_RECORD \
model=retinanet

training_data_path e validation_data_path são os caminhos para seus TFRecords.

Iniciar uma pesquisa de estágio 1 seguida de um job de treinamento de estágio 2 no Google Cloud

Consulte o bloco de notas de classificação do MnasNet e o notebook de detecção de objetos do SpineNet para ver exemplos completos.

  • É possível definir a sinalização --max_parallel_nas_trial e --max_nas_trial para personalizar. A pesquisa de arquitetura neural iniciará max_parallel_nas_trial testes em paralelo e será concluída após max_nas_trial testes.

  • Se a sinalização --target_device_latency_ms estiver definida, um job separado latency calculator será iniciado com o acelerador especificado pela sinalização --target_device_type.

  • O controlador de pesquisa de arquitetura neural fornecerá a cada teste uma sugestão de novo candidato a arquitetura por meio do FLAG --nas_params_str.

  • Cada avaliação criará um gráfico com base no valor da FLAG nas_params_str e iniciará um job de treinamento. Cada avaliação também salva o valor dela em um arquivo json (em os.path.join(nas_job_dir, str(trial_id), "nas_params_str.json")).

Recompensar com uma restrição de latência

O notebook de classificação do MnasNet mostra um exemplo de pesquisa restrita por latência baseada em dispositivo com cloud-cpu.

Para pesquisar modelos com restrição de latência, o treinador pode informar o prêmio como uma função de precisão e latência.

No código-fonte compartilhado, o prêmio é calculado da seguinte maneira:

def compute_reward(target_latency, accuracy, inference_latency, weight=0.07):
  """Compute reward from accuracy and latency."""
  speed_ratio = target_latency / inference_latency
  return accuracy * (speed_ratio**weight)

Você pode usar outras variantes do cálculo reward na página 3 do artigo do mnasnet.

Para informações sobre como personalizar a função de cálculo de latência, consulte tf_vision/latency_computation_using_saved_model.py.

Monitorar o progresso do job de pesquisa de arquitetura neural

Na página do job do Console do Google Cloud, o gráfico mostra o reward vs. trial number, enquanto a tabela mostra os prêmios de cada teste. Encontre as melhores avaliações com a maior recompensa.

Pesquisa de arquitetura neural no Console do Google Cloud

Fazer o gráfico de uma curva de treinamento de estágio 2

Após o treinamento da segunda etapa, você usará o Cloud Shell ou o Google Cloud. TensorBoard para fazer o gráfico da curva de treinamento, apontando-a para o diretório do job:

Gráfico do TensorBoard

Implantar um modelo selecionado

Para criar um SavedModel, use o script export_saved_model.py com params_override=${GCS_ROOT_DIR}/${TRIAL_ID}/params.yaml.