酷应用

PyTorch终于能用上谷歌云TPU，推理性能提升4倍，我们该如何薅羊毛？

百家作者：量子位 2019-10-13 05:18:52

晓查发自凹非寺
量子位报道 | 公众号 QbitAI

Facebook在PyTorch开发者大会上正式推出了PyTorch 1.3，并宣布了对谷歌云TPU的全面支持，而且还可以在Colab中调用云TPU。

之前机器学习开发者虽然也能在Colab中使用PyTorch，但是支持云TPU还是第一次，这也意味着你不需要购买昂贵的GPU，可以在云端训练自己的模型。

而且如果你是谷歌云平台（Google Cloud Platform）的新注册用户，还能获得300美元的免费额度。

现在PyTorch官方已经在Github上给出示例代码，教你如何免费使用谷歌云TPU训练模型，然后在Colab中进行推理。

训练ResNet-50

PyTorch先介绍了在云TPU设备上训练ResNet-50模型的案例。如果你要用云TPU训练其他的图像分类模型，操作方式也是类似的。

在训练之前，我们先要转到控制台创建一个新的虚拟机实例，指定虚拟机的名称和区域。

如果要对Resnet50在真实数据上进行训练，需要选择具有最多CPU数量的机器类型。为了获得最佳效果，请选择n1-highmem-96机器类型。

然后选择Debian GNU/Linux 9 Stretch + PyTorch/XLA启动盘。如果打算用ImageNet真实数据训练，需要至少300GB的磁盘大小。如果使用假数据训练，默认磁盘大小只要20GB。

创建TPU

转到控制台中创建TPU。
在“Name”中指定TPU Pod的名称。
在“Zone”中指定云TPU的区域，确保它与之前创建的虚拟机在同一区域中。
在“ TPU Type”下，选择TPU类型，为了获得最佳效果，请选择v3-8TPU（8个v3）。
在“ TPU software version”下，选择最新的稳定版本。
使用默认网络。
设置IP地址范围，例如10.240.0.0。

官方建议初次运行时使用假数据进行训练，因为fake_data会自动安装在虚拟机中，并且只需更少的时间和资源。你可以使用conda或Docker进行训练。

在fake_data上测试成功后，可以开始尝试用在ImageNet的这样实际数据上进行训练。

用conda训练：

#?Fill?in?your?the?name?of?your?VM?and?the?zone.
$?gcloud?beta?compute??ssh?"your-VM-name"?--zone?"your-zone".
(vm)$?export?TPU_IP_ADDRESS=your-ip-address
(vm)$?export?XRT_TPU_CONFIG="tpu_worker;0;$TPU_IP_ADDRESS:8470"
(vm)$?ulimit?-n?10240
(vm)$?conda?activate?torch-xla-0.5
(torch-xla-0.5)$?python?/usr/share/torch-xla-0.5/pytorch/xla/test/test_train_imagenet.py?--datadir=~/imagenet?--model=resnet50?--num_epochs=90?--num_workers=64?--batch_size=128?--log_steps=200

用Docker训练：

#?Fill?in?your?the?name?of?your?VM?and?the?zone.
$?gcloud?beta?compute?ssh?"your-VM-name"?--zone?"your-zone".
(vm)$?export?TPU_IP_ADDRESS=your-ip-address
(vm)$?docker?run?--shm-size?128G?-v?~/imagenet:/tmp/imagenet?-e?XRT_TPU_CONFIG="tpu_worker;0;$TPU_IP_ADDRESS:8470"?gcr.io/tpu-pytorch/xla:r0.5?python3?pytorch/xla/test/test_train_imagenet.py?--model=resnet50?--num_epochs=90?--num_workers=64?--log_steps=200?--datadir=/tmp/imagenet

在n1-highmem-96的虚拟机上选用完整v3-8 TPU进行训练，第一个epoch通常需要约20分钟，而随后的epoch通常需要约11分钟。该模型在90个epoch后达到约76％的top-1准确率。

为了避免谷歌云后续进行计费，在训练完成后请记得删除虚拟机和TPU。

性能比GPU提升4倍

训练完成后，我们就可以在Colab中导入自己的模型了。

打开notebook文件，在菜单栏的Runtime中选择Change runtime type，将硬件加速器的类型改成TPU。

先运行下面的代码单元格，确保可以访问Colab上的TPU：

import?os
assert?os.environ[‘COLAB_TPU_ADDR’],?‘Make?sure?to?select?TPU?from?Edit?>?Notebook?settings?>?Hardware?accelerator’

然后在Colab中安装兼容PyTorch/TPU组件：

DIST_BUCKET="gs://tpu-pytorch/wheels"
TORCH_WHEEL="torch-1.15-cp36-cp36m-linux_x86_64.whl"
TORCH_XLA_WHEEL="torch_xla-1.15-cp36-cp36m-linux_x86_64.whl"
TORCHVISION_WHEEL="torchvision-0.3.0-cp36-cp36m-linux_x86_64.whl"

#?Install?Colab?TPU?compat?PyTorch/TPU?wheels?and?dependencies
!pip?uninstall?-y?torch?torchvision
!gsutil?cp?"$DIST_BUCKET/$TORCH_WHEEL"?.
!gsutil?cp?"$DIST_BUCKET/$TORCH_XLA_WHEEL"?.
!gsutil?cp?"$DIST_BUCKET/$TORCHVISION_WHEEL"?.
!pip?install?"$TORCH_WHEEL"
!pip?install?"$TORCH_XLA_WHEEL"
!pip?install?"$TORCHVISION_WHEEL"
!sudo?apt-get?install?libomp5