こしあん
2019-10-17

TensorFlow2.0+TPUでData AugmentationしながらCIFAR-10

Pocket
LINEで送る


TensorFlow2.0+TPUでData AugmentationしながらCIFAR-10を分類するサンプルです。Data Augmentationはtf.dataでやるのがポイントです。

TensorFlowを2.Xに上げる

まずは、ランタイム切り替えで「TPU」を選択しましょう。無料で利用できます。

現在(2019/10/16時点)のColabではTF1.X系が入っているので、2.X系にアップデートします。これはTF2.0.0にアップデートするケースです。2.X系のバージョンはだんだん上がっていくので順次値を変えましょう。

!pip install tensorflow==2.0.0

TPU使用のための下準備

GPUやCPUは何も準備要らないのに対し、TPUは使用開始のために下準備(おまじない)が必要になります。

import tensorflow as tf
import os
# tpu用
# 詳細 https://www.tensorflow.org/guide/distributed_training#tpustrategy
tpu_grpc_url = "grpc://" + os.environ["COLAB_TPU_ADDR"]
tpu_cluster_resolver = tf.distribute.cluster_resolver.TPUClusterResolver(tpu_grpc_url)
tf.config.experimental_connect_to_cluster(tpu_cluster_resolver) # TF2.0の場合、ここを追加
tf.tpu.experimental.initialize_tpu_system(tpu_cluster_resolver) # TF2.0の場合、今後experimentialが取れる可能性がある    
strategy = tf.distribute.experimental.TPUStrategy(tpu_cluster_resolver)  # ここも同様

後々使うのは「strategy」という変数なので、これを最初に実行しておきましょう。

訓練コード

CIFAR-10を10層モデルで訓練するプログラムです。訓練データにData Augmentationを入れ、Horizontal flip+Random Cropを入れています。


import tensorflow.keras.layers as layers import numpy as np import pickle def data_augmentation(image): x = tf.cast(image, tf.float32) / 255.0 # uint8 -> float32 x = tf.image.random_flip_left_right(x) # horizontal flip x = tf.pad(x, tf.constant([[2, 2], [2, 2], [0, 0]]), "REFLECT") # pad 2 (outsize:36x36) # 黒い領域を作らないようにReflect padとしている(KerasのImageDataGeneratorと同じ) x = tf.image.random_crop(x, size=[32, 32, 3]) # random crop (outsize:32xx32) return x def conv_bn_relu(inputs, ch, reps): x = inputs for i in range(reps): x = layers.Conv2D(ch, 3, padding="same")(x) x = layers.BatchNormalization()(x) x = layers.Activation("relu")(x) return x def create_model(): inputs = layers.Input((32, 32, 3)) x = conv_bn_relu(inputs, 64, 3) x = layers.AveragePooling2D(2)(x) x = conv_bn_relu(x, 128, 3) x = layers.AveragePooling2D(2)(x) x = conv_bn_relu(x, 256, 3) x = layers.GlobalAveragePooling2D()(x) x = layers.Dense(10, activation="softmax")(x) return tf.keras.models.Model(inputs, x) def load_dataset(): (X_train, y_train), (X_test, y_test) = tf.keras.datasets.cifar10.load_data() trainset = tf.data.Dataset.from_tensor_slices((X_train, y_train)) trainset = trainset.map( lambda image, label: (data_augmentation(image), tf.cast(label, tf.float32)) ).shuffle(buffer_size=1024).repeat().batch(128) testset = tf.data.Dataset.from_tensor_slices((X_test, y_test)) testset = testset.map( lambda image, label: (tf.cast(image, tf.float32) / 255.0, tf.cast(label, tf.float32)) ).batch(128) return trainset, testset def lr_scheduler(epoch): if epoch <= 60: return 0.1 elif epoch <= 85: return 0.01 else: return 0.001 def main(): trainset, testset = load_dataset() with strategy.scope(): model = create_model() loss = tf.keras.losses.SparseCategoricalCrossentropy() acc = tf.keras.metrics.SparseCategoricalAccuracy() optim = tf.keras.optimizers.SGD(0.1, momentum=0.9) # callback scheduler = tf.keras.callbacks.LearningRateScheduler(lr_scheduler) hist = tf.keras.callbacks.History() # train model.compile(optimizer=optim, loss=loss, metrics=[acc]) model.fit(trainset, validation_data=testset, epochs=100, steps_per_epoch=50000 // 128, callbacks=[scheduler, hist]) history = hist.history with open("history.dat", "wb") as fp: pickle.dump(history, fp)

オプティマイザはモメンタムで、学習率は0.1、バッチサイズは128、60エポックと85エポックで学習率を1/10にしています。

1点注意なのが、tf.dataをfitに入れる場合はデータが一周するとデータセットが終わって訓練が止まってしまうためrepeat()を入れましょう。tf.dataのデータセットをfitに食わせるというのは昔のKerasではありませんでしたが、TF2.X系以降は1つの選択肢になりました。便利なのでtf.dataに慣れましょう。

また、repeat()については、fit内のvalidationについてはどうも入れなくてもいいようです。train側のデータセットのみrepeatを入れた所正常に動きました。また、データセットをrepeat()で無限ループさせる場合は、「steps_per_epoch」で1エポックあたりのステップ数を指定しましょう。

ラベルの値はもとのuint8だとTPUの訓練に失敗する(この記事を書いた時点)ので、Floatにキャストするのが無難です。

学習曲線の確認

訓練がうまくいっているか学習曲線を描いてみます。特に学習率の減衰あたりが正常に動作しているのか気になりますね。

うまくいっています。学習率を下げたタイミングでVal accが大きく上がっているのでうまくいっています。いつの間にかHistoryに学習率を記録するようになったらしいです(いいこと)。

CIFARをTPUで動かせるということは、NNの教師あり学習が一通りできそうなので、TF2.0+TPUで遊ぶと楽しそうです。自分もGPUが埋まっているときにTPUで遊んでみたいと思います。

Colabノートブック

https://colab.research.google.com/drive/1IcRt4By4wTyh7IimGbKXBzVYZ40DR3YK

訓練所要時間:15分ぐらいです

Related Posts

KerasのCallbackを使って継承したImageDataGeneratorに値が渡せるか確かめ... Kerasで前処理の内容をエポックごとに変えたいというケースがたまにあります。これを実装するとなると、CallbackからGeneratorに値を渡すというコードになりますが、これが本当にできるかどうか確かめてみました。 想定する状況 例えば、前処理で正則化に関係するData Augmenta...
Kerasのジェネレーターでサンプルが列挙される順番について... Kerasの(カスタム)ジェネレーターでサンプルがどの順番で呼び出されるか、1ループ終わったあとにどういう処理がなされるのか調べてみました。ジェネレーターを自分で定義するとモデルの表現の幅は広がるものの、バグが起きやすくなるので「本当に順番が保証されるのか」や「ハマりどころ」を確認します。 0~...
PyTorchでガウシアンピラミッド+ラプラシアンピラミッド(Gaussian/Laplacian ... Progressive-GANの論文で、SWD(Sliced Wasserstein Distance)が評価指標として出てきたので、その途中で必要になったガウシアンピラミッド、ラプラシアンピラミッドをPyTorchで実装してみました。これらのピラミッドはGAN関係なく、画像処理一般で使えるものです...
TensorFlow2.0のGradientTapeを複数使う場合のサンプル... TF2.0系で少し複雑なモデルを訓練するときに、GradientTapeを複数使うことがあります。例として、微分を取りたい場所が2箇所あるケースや、2階微分を取りたいケースを挙げます。場合によって微妙に書き方が違うので注意が必要です。 微分を取りたい場所が2箇所あるケース 簡単な例にします。次...
PyTorchで複数のGPUで訓練するときのSync Batch Normalizationの必要性... PyTorchにはSync Batch Normalizationというレイヤーがありますが、これが通常のBatch Normzalitionと何が違うのか具体例を通じて見ていきます。また、通常のBatch Normは複数GPUでData Parallelするときにデメリットがあるのでそれも確認し...
Pocket
LINEで送る
Delicious にシェア

Add a Comment

メールアドレスが公開されることはありません。 * が付いている欄は必須項目です