PyTorch終于能用上谷歌云TPU，推理性能提升4倍，我們該如何薅羊毛？

曉查 2019-10-13 12:18:35 來源：量子位

曉查 發(fā)自 凹非寺

量子位 報道 | 公眾號 QbitAI

昨天，F(xiàn)acebook在PyTorch開發(fā)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(diào)用云TPU。

之前機器學習開發(fā)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(xiàn)在PyTorch官方已經(jīng)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(shè)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(zhuǎn)到控制臺創(chuàng)建一個新的虛擬機實例，指定虛擬機的名稱和區(qū)域。

如果要對Resnet50在真實數(shù)據(jù)上進行訓練，需要選擇具有最多CPU數(shù)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(shù)據(jù)訓練，需要至少300GB的磁盤大小。如果使用假數(shù)據(jù)訓練，默認磁盤大小只要20GB。

創(chuàng)建TPU

1. 轉(zhuǎn)到控制臺中創(chuàng)建TPU。
2. 在“Name”中指定TPU Pod的名稱。
3. 在“Zone”中指定云TPU的區(qū)域，確保它與之前創(chuàng)建的虛擬機在同一區(qū)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(wěn)定版本。
6. 使用默認網(wǎng)絡(luò)。
7. 設(shè)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(shù)據(jù)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(shù)據(jù)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(xù)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?？梢栽L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