Addestramento con l'impiego dell'algoritmo di classificazione delle immagini integrato

L'addestramento con gli algoritmi integrati in AI Platform Training ti consente di inviare il tuo set di dati e addestrare un modello senza scrivere alcun codice di addestramento. Questa pagina spiega come funziona l'algoritmo di classificazione delle immagini integrato e come utilizzarlo.

Panoramica

L'algoritmo di classificazione delle immagini integrato utilizza i set di dati di addestramento e convalida per addestrare i modelli in modo continuo e poi genera l'output del modello salvato più accurato generato durante il job di addestramento. Puoi anche utilizzare l'ottimizzazione degli iperparametri per ottenere la massima accuratezza del modello. Il SavedModel esportato può essere utilizzato direttamente per la previsione, localmente o di cui è stato eseguito il deployment in AI Platform Prediction per il servizio di produzione.

Limitazioni

Gli algoritmi integrati di Image supportano l'addestramento con singole CPU, GPU o TPU. Il SavedModel risultante è compatibile con la pubblicazione su CPU e GPU.

Le seguenti funzionalità non sono supportate per l'addestramento con l'algoritmo di classificazione delle immagini integrato:

• Addestramento distribuito. Per eseguire un job di addestramento distribuito TensorFlow su AI Platform Training, devi creare un'applicazione di addestramento.
• Addestramento multi-GPU. Gli algoritmi integrati utilizzano una sola GPU alla volta. Per usufruire appieno dell'addestramento con più GPU su una macchina, devi creare un'applicazione di addestramento. Trova ulteriori informazioni sui tipi di macchine.

Tipi di macchine supportati

I seguenti livelli di scalabilità e tipi di macchine di AI Platform Training sono supportati:

• BASIC livello di scalabilità
• BASIC_TPU livello di scalabilità
• CUSTOM con uno dei tipi di macchine Compute Engine supportati da AI Platform Training.
• Livello di scalabilità CUSTOM con uno dei seguenti tipi di macchine legacy:
  • standard
  • large_model
  • complex_model_s
  • complex_model_m
  • complex_model_l
  • standard_gpu
  • standard_p100
  • standard_v100
  • large_model_v100
  • complex_model_m_gpu
  • complex_model_l_gpu
  • complex_model_m_p100
  • complex_model_m_v100
  • complex_model_l_v100
  • TPU_V2 (8 core)

Autorizza Cloud TPU ad accedere al tuo progetto

Formatta i dati di input per l'addestramento

L'algoritmo di classificazione delle immagini integrato richiede che i dati di input siano formattati come tf.Examples e salvati in file TFRecord. La struttura di dati tf.Example e il formato del file TFRecord sono entrambi progettati per una lettura efficiente dei dati con TensorFlow.

Il formato TFRecord è un formato semplice per archiviare una sequenza di record binari. In questo caso, tutti i record contengono rappresentazioni binarie delle immagini. Ogni immagine, insieme alle relative etichette di classe, è rappresentata come tf.Example. Puoi salvare molti tf.Example in un unico file TFRecord. Puoi anche suddividere un set di dati di grandi dimensioni in più file TFRecord.

Scopri di più su TFRecord e tf.Example.

Converti le immagini in TFRecord

TensorFlow fornisce uno script che puoi utilizzare per convertire le immagini da JPEG a formato TFRecord.

Puoi utilizzare lo script se:

• Archivi le immagini in Cloud Storage.

• Hai file CSV con i percorsi delle immagini in Cloud Storage e le relative etichette. Ad esempio:

  gs://cloud-ml-data/img/flower_photos/daisy/754296579_30a9ae018c_n.jpg,daisy
  gs://cloud-ml-data/img/flower_photos/dandelion/18089878729_907ed2c7cd_m.jpg,dandelion
  

• Archivi questi file CSV in Cloud Storage.

L'esempio seguente mostra come eseguire lo script:

1. Scarica lo script:

   curl https://raw.githubusercontent.com/tensorflow/tpu/master/tools/datasets/jpeg_to_tf_record.py > ./jpeg_to_tf_record.py
   

2. Se non l'hai già fatto, imposta le variabili per l'ID progetto e il nome del bucket:

   PROJECT_ID="YOUR_PROJECT_ID"
   BUCKET_NAME="YOUR_BUCKET_NAME"
   

3. Crea un elenco di tutte le possibili etichette per il tuo set di dati in un file provvisorio:

   cat << EOF > /tmp/labels.txt
   daisy
   dandelion
   roses
   sunflowers
   tulips
   EOF
   

4. Esegui lo script utilizzando i dati sui fiori dal pubblico cloud-ml-data bucket e il tuo elenco di etichette:

   python -m jpeg_to_tf_record.py \
          --train_csv gs://cloud-ml-data/img/flower_photos/train_set.csv \
          --validation_csv gs://cloud-ml-data/img/flower_photos/eval_set.csv \
          --labels_file /tmp/labels.txt \
          --project_id $PROJECT_ID \
          --output_dir gs://$BUCKET_NAME/flowers_as_tf_record
   

Controllare le autorizzazioni dei bucket Cloud Storage

Per archiviare i dati, utilizza un bucket Cloud Storage nello stesso progetto Google Cloud che utilizzi per eseguire i job di AI Platform Training. In caso contrario, concedi l'accesso ad AI Platform Training al bucket Cloud Storage in cui sono archiviati i tuoi dati.

Formato di input obbligatorio

Per l'addestramento con l'algoritmo di classificazione delle immagini integrato, i dati delle immagini devono essere strutturati come tf.Example che includono i seguenti campi:

• image/encoded è la stringa dell'immagine non elaborata.

• image/class/label è una singola etichetta con numeri interi per l'immagine corrispondente. Non sono supportate più etichette per istanza.

  L'insieme di etichette intere utilizzato per il set di dati deve essere una sequenza consecutiva che inizia da 1. Ad esempio, se il set di dati contiene cinque classi, ogni etichetta deve essere un numero intero nell'intervallo [1, 5].

Ad esempio:

{
    'image/encoded': '<encoded image data>',
    'image/class/label': 2
}

Ottenere il miglior SavedModel come output

Al termine del job di addestramento, AI Platform Training scrive un modello SavedModel di TensorFlow nel bucket Cloud Storage specificato come jobDir quando hai inviato il job. Il file SavedModel viene scritto in jobDir/model. Ad esempio, se invii il job a gs://your-bucket-name/your-job-dir, AI Platform Training scrive il modello SavedModel in gs://your-bucket-name/your-job-dir/model.

Se hai attivato l'ottimizzazione degli iperparametri, AI Platform Training restituisce il modello salvato di TensorFlow con la massima accuratezza raggiunta durante il processo di addestramento. Ad esempio, se hai inviato un job di addestramento con 2500 passaggi di addestramento e l'accuratezza è stata massima a 2000 passaggi, ottieni un SavedModel di TensorFlow salvato da quel determinato punto.

Ogni prova di AI Platform Training scrive il modello TensorFlow SavedModel con la massima precisione nella propria directory all'interno del bucket Cloud Storage. Ad esempio, gs://your-bucket-name/your-job-dir/model/trial_{trial_id}.

La firma del SavedModel di output è:

signature_def['serving_default']:
  The given SavedModel SignatureDef contains the following input(s):
    inputs['image_bytes'] tensor_info:
        dtype: DT_STRING
        shape: (-1)
        name: Placeholder:0
    inputs['key'] tensor_info:
        dtype: DT_STRING
        shape: (-1)
        name: key:0
  The given SavedModel SignatureDef contains the following output(s):
    outputs['classes'] tensor_info:
        dtype: DT_INT64
        shape: (-1)
        name: ArgMax:0
    outputs['key'] tensor_info:
        dtype: DT_STRING
        shape: (-1)
        name: Identity:0
    outputs['probabilities'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 1000)
        name: softmax_tensor:0
  Method name is: tensorflow/serving/predict

Input:

• image_bytes: i byte dell'immagine non decodificati. È lo stesso valore diimage/encoded memorizzato in tf.Example.
• key: l'identificatore del valore di stringa dell'input di previsione. Questo valore viene trasmesso all'output key. Nelle previsioni batch, questo aiuta a mappare l'output della previsione all'input.

Output:

• classes: l'etichetta della classe (intero) prevista, ovvero quella con la probabilità più elevata.
• key: la chiave di output.
• probabilities: il valore probability (tra 0 e 1) per ogni class (da 0 a num_classes).

Di seguito è riportato un esempio di input e output di previsione:

prediction_input: {
  'image_bytes': 'some_raw_image_bytes',
  'key': ['test_key'])
}

prediction_output: {
  'probabilities': [[0.1, 0.3, 0.6]],
  'classes': [2],
  'key': ['test_key'],
}

Configurazioni di esempio

Se invii un job utilizzando gcloud, devi creare un file config.yaml per il tipo di macchina e le specifiche di ottimizzazione degli iperparametri. Se utilizzi la console Google Cloud, non devi creare questo file. Scopri come inviare un job di addestramento.

Il seguente file config.yaml di esempio mostra come allocare le risorse TPU per il job di addestramento:

cat << EOF > config.yaml
trainingInput:
  # Use a cluster with many workers and a few parameter servers.
  scaleTier: CUSTOM
  masterType: n1-highmem-16
  masterConfig:
    imageUri: gcr.io/cloud-ml-algos/image_classification:latest
  workerType:  cloud_tpu
  workerConfig:
   imageUri: gcr.io/cloud-ml-algos/image_classification:latest
   acceleratorConfig:
     type: TPU_V2
     count: 8
  workerCount: 1
EOF

Successivamente, utilizza il file config.yaml per inviare un job di addestramento.

Configurazione dell'ottimizzazione degli iperparametri

Per utilizzare l'ottimizzazione degli iperparametri, includi la relativa configurazione nello stesso file config.yaml della configurazione della macchina.

Puoi trovare brevi spiegazioni di ciascun iperparametro nella console Google Cloud e una spiegazione più completa nel riferimento per l'algoritmo di classificazione delle immagini integrato.

Il seguente file config.yaml di esempio mostra come allocare le risorse TPU per il tuo job di addestramento e include la configurazione dell'ottimizzazione degli iperparametri:

cat << EOF > config.yaml
trainingInput:
  # Use a cluster with many workers and a few parameter servers.
  scaleTier: CUSTOM
  masterType: n1-highmem-16
  masterConfig:
    imageUri: gcr.io/cloud-ml-algos/image_classification:latest
  workerType:  cloud_tpu
  workerConfig:
   imageUri: gcr.io/cloud-ml-algos/image_classification:latest
   tpuTfVersion: 1.14
   acceleratorConfig:
     type: TPU_V2
     count: 8
  workerCount: 1
  # The following are hyperparameter configs.
  hyperparameters:
   goal: MAXIMIZE
   hyperparameterMetricTag: top_1_accuracy
   maxTrials: 6
   maxParallelTrials: 3
   enableTrialEarlyStopping: True
   params:
   - parameterName: initial_learning_rate
     type: DOUBLE
     minValue: 0.001
     maxValue: 0.2
     scaleType: UNIT_LOG_SCALE
EOF

Invia un job di addestramento per la classificazione delle immagini

Questa sezione spiega come inviare un job di addestramento utilizzando l'algoritmo di classificazione delle immagini integrato.

Passaggi successivi

• Consulta la documentazione di riferimento sulla classificazione delle immagini integrata per scoprire tutti i diversi parametri.