关键词:
作者|DR. VAIBHAV KUMAR
编译|VK
来源|Analytics In Diamag
随着深度学习模型在各种应用中的成功实施,现在是时候获得不仅准确而且速度更快的结果。
为了得到更准确的结果,数据的大小是非常重要的,但是当这个大小影响到机器学习模型的训练时间时,这一直是一个值得关注的问题。
为了克服训练时间的问题,我们使用TPU运行时环境来加速训练。为此,PyTorch一直在通过提供最先进的硬件加速器来支持机器学习的实现。
PyTorch对云TPU的支持是通过与XLA(加速线性代数)的集成实现的,XLA是一种用于线性代数的编译器,可以针对多种类型的硬件,包括CPU、GPU和TPU。
本文演示了如何使用PyTorch和TPU实现深度学习模型,以加快训练过程。
在这里,我们使用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模型与分布式多处理环境中的Google Cloud TPU(张量处理单元)连接起来。在这个实现中,使用8个TPU核心来创建一个多处理环境。
我们将用这个PyTorch深度学习框架进行时装分类测试,观察训练时间和准确性。
用PyTorch和TPU实现CNN
我们将在Google Colab中实现执行,因为它提供免费的云TPU(张量处理单元)。
在继续下一步之前,在Colab笔记本中,转到“编辑”,然后选择“设置”,从下面屏幕截图中的列表中选择“TPU”作为“硬件加速器”。
验证TPU下面的代码是否正常运行。
import os
assert os.environ[‘COLAB_TPU_ADDR‘]
如果启用了TPU,它将成功执行,否则它将返回‘KeyError: ‘COLAB_TPU_ADDR’’。你也可以通过打印TPU地址来检查TPU。
TPU_Path = ‘grpc://‘+os.environ[‘COLAB_TPU_ADDR‘]
print(‘TPU Address:‘, TPU_Path)
启用TPU后,我们将安装兼容的控制盘和依赖项,以使用以下代码设置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
一旦安装成功,我们将继续定义加载数据集、初始化CNN模型、训练和测试的方法。首先,我们将导入所需的库。
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,我们将进一步定义需要的超参数。
# 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
下面的代码片段将把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
#使用串行执行器可以避免多个进程下载相同的数据
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
现在,要将结果绘制为测试图像的预测标签和实际标签,将使用以下功能模块。
# 结果可视化
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)
现在,我们都准备好在MNIST数据集上训练模型。训练开始前,我们将记录开始时间,训练结束后,我们将记录结束时间并打印50个epoch的总训练时间。
# 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核心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‘)
一旦训练成功结束,我们将打印训练所用的总时间。
end_time = time.time()
print(‘Total Training time = ‘,end_time-start_time )
正如我们在上面看到的,这种方法花费了269秒或大约4.5分钟,这意味着50个epoch训练PyTorch模型不到5分钟。最后,我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)
因此,我们可以得出这样的结论:使用TPU实现深度学习模型可以实现快速的训练,正如我们前面所看到的那样。
在不到5分钟的时间内,对50个epoch的40000张训练图像进行了CNN模型的训练。我们在训练中也获得了89%以上的准确率。
因此,在TPU上训练深度学习模型在时间和准确性方面总是有好处的。
参考文献:
- Joe Spisak, “Get started with PyTorch, Cloud TPUs, and Colab”.
- “PyTorch on XLA Devices”, PyTorch release.
- “Training PyTorch models on Cloud TPU Pods”, Google Cloud Guides.
原文链接:https://analyticsindiamag.com/how-to-implement-cnn-model-using-pytorch-with-tpu/
欢迎关注磐创AI博客站:
http://panchuang.net/
sklearn机器学习中文官方文档:
http://sklearn123.com/
欢迎关注磐创博客资源汇总站:
http://docs.panchuang.net/
基于pytorch使用实现cnn如何使用pytorch构建cnn卷积神经网络(代码片段)
基于pytorch使用实现CNN如何使用pytorch构建CNN卷积神经网络本文是一个基于pytorch使用CNN在生物信息学上进行位点预测的例子基于pytorch实现CNN,基于CNN进行位点预测,将CNN代码进行封装,可以非常简单的使用代码,基... 查看详情
使用 pytorch-lightning 实现 Network in Network CNN 模型
】使用pytorch-lightning实现NetworkinNetworkCNN模型【英文标题】:ImplementaNetworkinNetworkCNNmodelusingpytorch-lightning【发布时间】:2021-08-2721:32:06【问题描述】:我正在尝试实现NiN模型。基本上试图从d2l复制代码这是我的代码。importpandasaspdimp... 查看详情
ai常用框架和工具丨13.pytorch实现基于cnn的手写数字识别
代码实例,PyTorch实现基于CNN的手写数字识别,希望对您有所帮助。文章目录环境说明一、模型训练1.1导入相关依赖1.2选择使用的硬件1.3超参数配置1.4准备训练集和测试集1.5模型创建1.6模型评估指标1.7模型训练1.8模型测试1.9模型... 查看详情
ai常用框架和工具丨13.pytorch实现基于cnn的手写数字识别
代码实例,PyTorch实现基于CNN的手写数字识别,希望对您有所帮助。文章目录环境说明一、模型训练1.1导入相关依赖1.2选择使用的硬件1.3超参数配置1.4准备训练集和测试集1.5模型创建1.6模型评估指标1.7模型训练1.8模型测试1.9模型... 查看详情
ai常用框架和工具丨13.pytorch实现基于cnn的手写数字识别
代码实例,PyTorch实现基于CNN的手写数字识别,希望对您有所帮助。文章目录环境说明一、模型训练1.1导入相关依赖1.2选择使用的硬件1.3超参数配置1.4准备训练集和测试集1.5模型创建1.6模型评估指标1.7模型训练1.8模型测试1.9模型... 查看详情
基于pytorch使用实现cnn如何使用pytorch构建cnn卷积神经网络(代码片段)
基于pytorch使用实现CNN如何使用pytorch构建CNN卷积神经网络本文是一个基于pytorch使用CNN在生物信息学上进行位点预测的例子基于pytorch实现CNN,基于CNN进行位点预测,将CNN代码进行封装,可以非常简单的使用代码,基... 查看详情
pytorch实战笔记——cnn实现情感分析(代码片段)
本文展示的是使用Pytorch构建一个TextCNN来实现情感分析。本文的架构是第一章详细介绍TextCNN(不带公式版),第二章是核心代码部分。目录1.TextCNN2.TextCNN实现情感分析参考1.TextCNN相较于LSTM而言,我个人其实是没看... 查看详情
在 Colab TPU 上运行 Pytorch 堆叠模型
】在ColabTPU上运行Pytorch堆叠模型【英文标题】:RunPytorchstackedmodelonColabTPU【发布时间】:2021-03-1423:41:15【问题描述】:我正在尝试在Colab多核TPU上运行我的模型,但我真的不知道该怎么做。我尝试了thistutorialnotebook,但出现了一些... 查看详情
5.使用pytorch预先训练的模型执行目标检测(代码片段)
5.使用PyTorch预先训练的网络执行目标检测这篇博客将介绍如何使用PyTorch预训练的网络执行目标检测,这些网络是开创性的、最先进的图像分类网络,包括使用ResNet的更快R-CNN、使用MobileNet的更快R-CNN和RetinaNet。具有ResNet50... 查看详情
用rnn&cnn进行情感分析-pytorch(代码片段)
动手学深度学习笔记一、情感分析及数据集1.读取数据集2.预处理数据集二、利用RNN进行情感分析1.使用RNN表示单个文本2.加载预训练的词向量3.训练和评估模型4.预测三、利用CNN进行情感分析1.一维卷积2.textCNN模型3.加载预训练词... 查看详情
cnn经典网络模型:resnet简介及代码实现(pytorch超详细注释版)(代码片段)
目录一、开发背景二、网络结构三、模型特点四、代码实现1.model.py2.train.py3.predict.py4.spilit_data.py五、参考内容一、开发背景残差神经网络(ResNet)是由微软研究院的何恺明、张祥雨、任少卿、孙剑等人提出的,斩获2015年ImageNet... 查看详情
将 CNN 模型代码从 Keras 转换为 Pytorch
】将CNN模型代码从Keras转换为Pytorch【英文标题】:ToconvertCNNmodelcodefromKerastoPytorch【发布时间】:2022-01-0218:37:12【问题描述】:我正在尝试。这里是KerasSequential层model=Sequential()model.add(Conv2D(filters=64,kernel_size=(3,3),activation="relu",input_sh... 查看详情
图像分类convit从入门到实战——使用convit实现植物幼苗的分类(pytorch)(代码片段)
摘要来自Facebook的研究者提出了一种名为ConViT的新计算机视觉模型,它结合了两种广泛使用的AI架构——卷积神经网络(CNN)和Transformer,该模型取长补短,克服了CNN和Transformer本身的一些局限性。同时,借助这两种架... 查看详情
小白学习pytorch教程九基于pytorch训练第一个rnn模型(代码片段)
@Author:Runsen当阅读一篇课文时,我们可以根据前面的单词来理解每个单词的,而不是从零开始理解每个单词。这可以称为记忆。卷积神经网络模型(CNN)不能实现这种记忆,因此引入了递归神经网络模型(RNN)来解决这一问题... 查看详情
[pytorch系列-61]:循环神经网络-中文新闻文本分类详解-3-cnn网络训练与评估代码详解(代码片段)
...6.1测试方法的定义6.2开始测试第1章预备知识1.1业务概述[Pytorch系列-59]:循环神经网络-中文新闻文本分类详解-1-业务目标分析与总体架构_文火冰糖(王文兵)的博客-CSDN博客https://blog.csdn.net/HiWangWenBing/article/details/121756... 查看详情
pytorch实现卷积神经网络cnn
Pytorch是torch的Python版本,对TensorFlow造成很大的冲击,TensorFlow无疑是最流行的,但是Pytorch号称在诸多性能上要优于TensorFlow,比如在RNN的训练上,所以Pytorch也吸引了很多人的关注。之前有一篇关于TensorFlow实现的CNN可以用来做对比... 查看详情
pytorch从头搭建并训练一个神经网络模型(图像分类cnn)(代码片段)
...多稍微修改下源码的接口满足自己的需求。还从来没有用PyTorch从头搭建并训练一个模型出来。正好最近在较为系统地学PyTorch,就总结一下如何从头搭建并训练一个神经网络模型。1.使用torchvision加载数据集并做预处理我们使... 查看详情
pytorch版本的bert模型代码(代码片段)
代码出处:https://github.com/aespresso/a_journey_into_math_of_ml/blob/master/04_transformer_tutorial_2nd_part/BERT_tutorial/models/bert_model.py#coding=utf-8#Copyright2018TheGoogleAILanguageTeamAuthorsandT 查看详情