Attiva Cloud Profiler per il debug delle prestazioni dell'addestramento del modello

Questa pagina mostra come attivare Cloud Profiler in modo da poter eseguire il debug delle prestazioni dell'addestramento del modello per i job di addestramento personalizzato.

L'addestramento dei modelli può essere costoso dal punto di vista computazionale. Profiler ti consente di monitorare e ottimizzare le prestazioni dell'addestramento del modello aiutandoti a comprendere il consumo di risorse delle operazioni di addestramento. Con queste informazioni, puoi individuare e risolvere i colli di bottiglia delle prestazioni per addestrare i modelli in modo più rapido ed economico.

Prima di iniziare

Abilita Profiler

Per attivare Profiler per il tuo job di addestramento, aggiungi quanto segue allo script di addestramento:

  1. Aggiungi l'importazione cloud_profiler alle importazioni di primo livello:

    from google.cloud.aiplatform.training_utils import cloud_profiler

  2. Inizializza il plug-in cloud_profiler aggiungendo:

    cloud_profiler.init()

Esempio

Ecco un esempio di script di addestramento:

#!/usr/bin/env python

import tensorflow as tf
import argparse
import os
from google.cloud.aiplatform.training_utils import cloud_profiler
import time

"""Train an mnist model and use cloud_profiler for profiling."""

def _create_model():
    model = tf.keras.models.Sequential(
        [
            tf.keras.layers.Flatten(input_shape=(28, 28)),
            tf.keras.layers.Dense(128, activation="relu"),
            tf.keras.layers.Dropout(0.2),
            tf.keras.layers.Dense(10),
        ]
    )
    return model

def main(args):
    strategy = None
    if args.distributed:
        strategy = tf.distribute.MultiWorkerMirroredStrategy()

    mnist = tf.keras.datasets.mnist

    (x_train, y_train), (x_test, y_test) = mnist.load_data()
    x_train, x_test = x_train / 255.0, x_test / 255.0

    if args.distributed:
        strategy = tf.distribute.MultiWorkerMirroredStrategy()
        with strategy.scope():
            model = _create_model()
            model.compile(
                optimizer="adam",
                loss=tf.keras.losses.sparse_categorical_crossentropy,
                metrics=["accuracy"],
            )
    else:
        model = _create_model()
        model.compile(
            optimizer="adam",
            loss=tf.keras.losses.sparse_categorical_crossentropy,
            metrics=["accuracy"],
        )

    # Initialize the profiler.
    cloud_profiler.init()

    # Use AIP_TENSORBOARD_LOG_DIR to update where logs are written to.
    tensorboard_callback = tf.keras.callbacks.TensorBoard(
        log_dir=os.environ["AIP_TENSORBOARD_LOG_DIR"], histogram_freq=1
    )

    model.fit(
        x_train,
        y_train,
        epochs=args.epochs,
        verbose=0,
        callbacks=[tensorboard_callback],
    )
if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument(
        "--epochs", type=int, default=100, help="Number of epochs to run model."
    )
    parser.add_argument(
        "--distributed", action="store_true", help="Use MultiWorkerMirroredStrategy"
    )
    args = parser.parse_args()
    main(args)

Accedere alla dashboard Profiler

Dopo aver configurato lo script di addestramento per abilitare Profiler, esegui lo script di addestramento con un'istanza di Vertex AI TensorBoard.

Nel copione di addestramento, assicurati che siano presenti le seguenti configurazioni:

  • Imposta BASE_OUTPUT_DIR: sul bucket Cloud Storage in cui vuoi archiviare i log di Vertex AI TensorBoard generati dallo script di addestramento.
  • Imposta 'serviceAccount': sul account di servizio che hai creato con i ruoli roles/storage.admin e roles/aiplatform.user.

  • Imposta 'tensorboard': sul nome completo dell'istanza Vertex AI TensorBoard che vuoi utilizzare con questo job di addestramento. Il nome completo ha il seguente formato:

    projects/PROJECT_NUMBER_OR_ID/locations/REGION/tensorboards/TENSORBOARD_INSTANCE_ID

Esistono due modi per accedere alla dashboard Profiler dalla console Google Cloud :

  • Dalla pagina Job personalizzati.
  • Dalla pagina Esperimenti.

Accedere alla dashboard Profiler tramite la pagina Job personalizzati

Puoi utilizzare questo metodo per accedere alla dashboard Profiler anche se il job di addestramento è nello stato Terminato.

  1. Nella console Google Cloud , vai alla scheda Job personalizzati nella pagina Addestramento.

    Vai a Job personalizzati

  2. Fai clic sul nome del job di addestramento appena creato per passare alla pagina dei dettagli del job.

  3. Fai clic su Apri TensorBoard.

  4. Fai clic sulla scheda Profilo.

Accedere alla dashboard Profiler tramite la pagina Esperimenti

Puoi utilizzare questo metodo per accedere al Profiler solo quando il job di addestramento è nello stato In esecuzione.

  1. Nella console Google Cloud , vai alla pagina Vertex AI Experiments.

    Vai a Vertex AI Experiments

  2. Seleziona la regione del job di addestramento appena creato.

  3. Fai clic su Apri TensorBoard accanto al nome del job di addestramento.

  4. Fai clic sulla scheda Profilo.

Acquisire una sessione di profilazione

Per acquisire una sessione di profilazione, il job di addestramento deve essere nello stato In esecuzione. Dalla scheda Profilo nell'istanza Vertex AI TensorBoard, svolgi i seguenti passaggi:

  1. Fai clic su Acquisisci profilo.

  2. Nel campo URL o nome TPU del servizio di profilazione, inserisci:

    workerpool0-0

  3. In Tipo di indirizzo, seleziona Indirizzo IP.

  4. Fai clic su Acquisisci.

Notebook

Passaggi successivi