曉查 發自 凹非寺
量子位 報道 | 公眾號 QbitAI

Facebook在PyTorch開發者大會上正式推出了PyTorch 1.3，并宣布了對谷歌云TPU的全面支持，而且還可以在Colab中調用云TPU。

之前機器學習開發者雖然也能在Colab中使用PyTorch，但是支持云TPU還是第一次，這也意味著你不需要購買昂貴的GPU，可以在云端訓練自己的模型。

而且如果你是谷歌云平臺(Google Cloud Platform)的新注冊用戶，還能獲得300美元的免費額度。

現在PyTorch官方已經在Github上給出示例代碼，教你如何免費使用谷歌云TPU訓練模型，然后在Colab中進行推理。

訓練ResNet-50

PyTorch先介紹了在云TPU設備上訓練ResNet-50模型的案例。如果你要用云TPU訓練其他的圖像分類模型，操作方式也是類似的。

在訓練之前，我們先要轉到控制臺創建一個新的虛擬機實例，指定虛擬機的名稱和區域。

如果要對Resnet50在真實數據上進行訓練，需要選擇具有最多CPU數量的機器類型。為了獲得最佳效果，請選擇n1-highmem-96機器類型。

然后選擇Debian GNU/Linux 9 Stretch + PyTorch/XLA啟動盤。如果打算用ImageNet真實數據訓練，需要至少300GB的磁盤大小。如果使用假數據訓練，默認磁盤大小只要20GB。

創建TPU

1. 轉到控制臺中創建TPU。

2. 在“Name”中指定TPU Pod的名稱。

3. 在“Zone”中指定云TPU的區域，確保它與之前創建的虛擬機在同一區域中。

4. 在“ TPU Type”下，選擇TPU類型，為了獲得最佳效果，請選擇v3-8TPU(8個v3)。

5. 在“ TPU software version”下，選擇最新的穩定版本。

6. 使用默認網絡。

7. 設置IP地址范圍，例如10.240.0.0。

官方建議初次運行時使用假數據進行訓練，因為fake_data會自動安裝在虛擬機中，并且只需更少的時間和資源。你可以使用conda或Docker進行訓練。

在fake_data上測試成功后，可以開始嘗試用在ImageNet的這樣實際數據上進行訓練。

用conda訓練：

#?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訓練：

#?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的虛擬機上選用完整v3-8 TPU進行訓練，第一個epoch通常需要約20分鐘，而隨后的epoch通常需要約11分鐘。該模型在90個epoch后達到約76％的top-1準確率。

為了避免谷歌云后續進行計費，在訓練完成后請記得刪除虛擬機和TPU。

性能比GPU提升4倍

訓練完成后，我們就可以在Colab中導入自己的模型了。

打開notebook文件，在菜單欄的Runtime中選擇Change runtime type，將硬件加速器的類型改成TPU。

先運行下面的代碼單元格，確保可以訪問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中安裝兼容PyTorch/TPU組件：

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

接下來就可以導入你要訓練好的模型和需要進行推理的圖片了。

在PyTorch上使用TPU對性能的提升到底有多明顯呢？官方選用了v2-8的一個核心，即1/8 TPU的情形，與使用英偉達Tesla K80 GPU進行對比，實測顯示推理時間大大縮短，性能約有4倍左右的提升。

GitHub地址：
https://github.com/pytorch/xla/tree/master/contrib/colab

作者系網易新聞·網易號“各有態度”簽約作者

— 完 —

大會啟幕！預見智能科技新未來

量子位MEET 2020智能未來大會啟幕，將攜手優秀AI企業、杰出科研人員呈現一場高質量行業盛會！詳情可點擊圖片：

2019中國人工智能年度評選啟幕，將評選領航企業、商業突破人物、最具創新力產品3大獎項，并于MEET 2020大會揭榜，歡迎優秀的AI公司掃碼報名！

量子位?QbitAI · 頭條號簽約作者

?'?' ? 追蹤AI技術和產品新動態

喜歡就點「好看」吧 !?