乐趣区

关于人工智能:PyTorch实现TPU版本CNN模型

作者 |DR. VAIBHAV KUMAR
编译 |VK
起源 |Analytics In Diamag

随着深度学习模型在各种利用中的胜利施行,当初是时候取得不仅精确而且速度更快的后果。

为了失去更精确的后果,数据的大小是十分重要的,然而当这个大小影响到机器学习模型的训练工夫时,这始终是一个值得关注的问题。

为了克服训练工夫的问题,咱们应用 TPU 运行时环境来减速训练。为此,PyTorch 始终在通过提供最先进的硬件加速器来反对机器学习的实现。

PyTorch 对云 TPU 的反对是通过与 XLA(减速线性代数)的集成实现的,XLA 是一种用于线性代数的编译器,能够针对多种类型的硬件,包含 CPU、GPU 和 TPU。

本文演示了如何应用 PyTorch 和 TPU 实现深度学习模型,以放慢训练过程。

在这里,咱们应用 PyTorch 定义了一个卷积神经网络(CNN)模型,并在 PyTorch/XLA 环境中对该模型进行了训练。

XLA 将 CNN 模型与分布式多解决环境中的 Google Cloud TPU(张量处理单元)连接起来。在这个实现中,应用 8 个 TPU 外围来创立一个多解决环境。

咱们将用这个 PyTorch 深度学习框架进行时装分类测试,察看训练工夫和准确性。

用 PyTorch 和 TPU 实现 CNN

咱们将在 Google Colab 中实现执行,因为它提供收费的云 TPU(张量处理单元)。

在持续下一步之前,在 Colab 笔记本中,转到“编辑”,而后抉择“设置”,从上面屏幕截图中的列表中抉择“TPU”作为“硬件加速器”。

验证 TPU 上面的代码是否失常运行。

import os
assert os.environ['COLAB_TPU_ADDR']

如果启用了 TPU,它将胜利执行,否则它将返回‘KeyError:‘COLAB_TPU_ADDR’’。你也能够通过打印 TPU 地址来查看 TPU。

TPU_Path = 'grpc://'+os.environ['COLAB_TPU_ADDR']
print('TPU Address:', TPU_Path)

启用 TPU 后,咱们将装置兼容的管制盘和依赖项,以应用以下代码设置 XLA 环境。

VERSION = "20200516" 
!curl https://raw.githubusercontent.com/pytorch/xla/master/contrib/scripts/env-setup.py -o pytorch-xla-env-setup.py
!python pytorch-xla-env-setup.py --version $VERSION

一旦装置胜利,咱们将持续定义加载数据集、初始化 CNN 模型、训练和测试的办法。首先,咱们将导入所需的库。

import numpy as np
import os
import time
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torch_xla
import torch_xla.core.xla_model as xm
import torch_xla.debug.metrics as met
import torch_xla.distributed.parallel_loader as pl
import torch_xla.distributed.xla_multiprocessing as xmp
import torch_xla.utils.utils as xu
from torchvision import datasets, transforms

之后,咱们将进一步定义须要的超参数。

# 定义参数
FLAGS = {}
FLAGS['datadir'] = "/tmp/mnist"
FLAGS['batch_size'] = 128
FLAGS['num_workers'] = 4
FLAGS['learning_rate'] = 0.01
FLAGS['momentum'] = 0.5
FLAGS['num_epochs'] = 50
FLAGS['num_cores'] = 8
FLAGS['log_steps'] = 20
FLAGS['metrics_debug'] = False

上面的代码片段将把 CNN 模型定义为 PyTorch 实例,以及用于加载数据、训练模型和测试模型的函数。

SERIAL_EXEC = xmp.MpSerialExecutor()

class FashionMNIST(nn.Module):

  def __init__(self):
    super(FashionMNIST, self).__init__()
    self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
    self.bn1 = nn.BatchNorm2d(10)
    self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
    self.bn2 = nn.BatchNorm2d(20)
    self.fc1 = nn.Linear(320, 50)
    self.fc2 = nn.Linear(50, 10)

  def forward(self, x):
    x = F.relu(F.max_pool2d(self.conv1(x), 2))
    x = self.bn1(x)
    x = F.relu(F.max_pool2d(self.conv2(x), 2))
    x = self.bn2(x)
    x = torch.flatten(x, 1)
    x = F.relu(self.fc1(x))
    x = self.fc2(x)
    return F.log_softmax(x, dim=1)

# 只在内存中实例化一次模型权重。WRAPPED_MODEL = xmp.MpModelWrapper(FashionMNIST())

def train_mnist():
  torch.manual_seed(1)
 
  def get_dataset():
    norm = transforms.Normalize((0.1307,), (0.3081,))
    train_dataset = datasets.FashionMNIST(FLAGS['datadir'],
        train=True,
        download=True,
        transform=transforms.Compose([transforms.ToTensor(), norm]))
    test_dataset = datasets.FashionMNIST(FLAGS['datadir'],
        train=False,
        download=True,
        transform=transforms.Compose([transforms.ToTensor(), norm]))

  
    return train_dataset, test_dataset


  #应用串行执行器能够防止多个过程下载雷同的数据
  train_dataset, test_dataset = SERIAL_EXEC.run(get_dataset)

  train_sampler = torch.utils.data.distributed.DistributedSampler(
    train_dataset,
    num_replicas=xm.xrt_world_size(),
    rank=xm.get_ordinal(),
    shuffle=True)

  train_loader = torch.utils.data.DataLoader(
      train_dataset,
      batch_size=FLAGS['batch_size'],
      sampler=train_sampler,
      num_workers=FLAGS['num_workers'],
      drop_last=True)

  test_loader = torch.utils.data.DataLoader(
      test_dataset,
      batch_size=FLAGS['batch_size'],
      shuffle=False,
      num_workers=FLAGS['num_workers'],
      drop_last=True)

  # 调整学习率
  lr = FLAGS['learning_rate'] * xm.xrt_world_size()

  # 获取损失函数、优化器和模型
  device = xm.xla_device()
  model = WRAPPED_MODEL.to(device)
  optimizer = optim.SGD(model.parameters(), lr=lr, momentum=FLAGS['momentum'])
  loss_fn = nn.NLLLoss()

  def train_fun(loader):
    tracker = xm.RateTracker()
    model.train()
    for x, (data, target) in enumerate(loader):
      optimizer.zero_grad()
      output = model(data)
      loss = loss_fn(output, target)
      loss.backward()
      xm.optimizer_step(optimizer)
      tracker.add(FLAGS['batch_size'])
      if x % FLAGS['log_steps'] == 0:
        print('[xla:{}]({}) Loss={:.5f}'.format(xm.get_ordinal(), x, loss.item(), time.asctime()), flush=True)

  def test_fun(loader):
    total_samples = 0
    correct = 0
    model.eval()
    data, pred, target = None, None, None
    for data, target in loader:
      output = model(data)
      pred = output.max(1, keepdim=True)[1]
      correct += pred.eq(target.view_as(pred)).sum().item()
      total_samples += data.size()[0]

    accuracy = 100.0 * correct / total_samples
    print('[xla:{}] Accuracy={:.2f}%'.format(xm.get_ordinal(), accuracy), flush=True)
    return accuracy, data, pred, target

  # 训练和评估循环
  accuracy = 0.0
  data, pred, target = None, None, None
  for epoch in range(1, FLAGS['num_epochs'] + 1):
    para_loader = pl.ParallelLoader(train_loader, [device])
    train_fun(para_loader.per_device_loader(device))
    xm.master_print("Finished training epoch {}".format(epoch))

    para_loader = pl.ParallelLoader(test_loader, [device])
    accuracy, data, pred, target  = test_fun(para_loader.per_device_loader(device))
    if FLAGS['metrics_debug']:
      xm.master_print(met.metrics_report(), flush=True)

  return accuracy, data, pred, target

当初,要将后果绘制为测试图像的预测标签和理论标签,将应用以下功能模块。

# 后果可视化
import math
from matplotlib import pyplot as plt

M, N = 5, 5
RESULT_IMG_PATH = '/tmp/test_result.png'

def plot_results(images, labels, preds):
  images, labels, preds = images[:M*N], labels[:M*N], preds[:M*N]
  inv_norm = transforms.Normalize((-0.1307/0.3081,), (1/0.3081,))

  num_images = images.shape[0]
  fig, axes = plt.subplots(M, N, figsize=(12, 12))
  fig.suptitle('Predicted Lables')

  for i, ax in enumerate(fig.axes):
    ax.axis('off')
    if i >= num_images:
      continue
    img, label, prediction = images[i], labels[i], preds[i]
    img = inv_norm(img)
    img = img.squeeze() # [1,Y,X] -> [Y,X]
    label, prediction = label.item(), prediction.item()
    if label == prediction:
      ax.set_title(u'Actual {}/ Predicted {}'.format(label, prediction), color='blue')
    else:
      ax.set_title('Actual {}/ Predicted {}'.format(label, prediction), color='red')
    ax.imshow(img)
  plt.savefig(RESULT_IMG_PATH, transparent=True)

当初,咱们都筹备好在 MNIST 数据集上训练模型。训练开始前,咱们将记录开始工夫,训练完结后,咱们将记录完结工夫并打印 50 个 epoch 的总训练工夫。

# 启动训练流程
def train_cnn(rank, flags):
  global FLAGS
  FLAGS = flags
  torch.set_default_tensor_type('torch.FloatTensor')
  accuracy, data, pred, target = train_mnist()
  if rank == 0:
    # 检索 TPU 外围 0 上的张量并绘制。plot_results(data.cpu(), pred.cpu(), target.cpu())

xmp.spawn(train_cnn, args=(FLAGS,), nprocs=FLAGS['num_cores'],
          start_method='fork')

一旦训练胜利完结,咱们将打印训练所用的总工夫。

end_time = time.time()
print('Total Training time =',end_time-start_time)

正如咱们在下面看到的,这种办法破费了 269 秒或大概 4.5 分钟,这意味着 50 个 epoch 训练 PyTorch 模型不到 5 分钟。最初,咱们将通过训练的模型来可视化预测。

from google.colab.patches import cv2_imshow
import cv2
img = cv2.imread(RESULT_IMG_PATH, cv2.IMREAD_UNCHANGED)
cv2_imshow(img)

因而,咱们能够得出这样的论断:应用 TPU 实现深度学习模型能够实现疾速的训练,正如咱们后面所看到的那样。

在不到 5 分钟的工夫内,对 50 个 epoch 的 40000 张训练图像进行了 CNN 模型的训练。咱们在训练中也取得了 89% 以上的准确率。

因而,在 TPU 上训练深度学习模型在工夫和准确性方面总是有益处的。

参考文献:

  1. Joe Spisak,“Get started with PyTorch, Cloud TPUs, and Colab”.
  2. “PyTorch on XLA Devices”, PyTorch release.
  3. “Training PyTorch models on Cloud TPU Pods”, Google Cloud Guides.

原文链接:https://analyticsindiamag.com…

欢送关注磐创 AI 博客站:
http://panchuang.net/

sklearn 机器学习中文官网文档:
http://sklearn123.com/

欢送关注磐创博客资源汇总站:
http://docs.panchuang.net/

退出移动版