Обучение модели Шекспира на GPU вместо TPU

Я пытаюсь увидеть разницу между обучением модели с TPU и GPU.

Это часть обучающей модели:

import time

start = time.time()
tf.keras.backend.clear_session()

resolver = tf.distribute.cluster_resolver.TPUClusterResolver(tpu='grpc://' + os.environ['COLAB_TPU_ADDR'])
tf.config.experimental_connect_to_cluster(resolver)
#TPU initialization
tf.tpu.experimental.initialize_tpu_system(resolver)
print("All devices: ", tf.config.list_logical_devices('TPU'))

strategy = tf.distribute.experimental.TPUStrategy(resolver)

with strategy.scope():
  training_model = lstm_model(seq_len=100, stateful=False)
  training_model.compile(
      optimizer=tf.keras.optimizers.RMSprop(learning_rate=0.01),
      loss='sparse_categorical_crossentropy',
      metrics=['sparse_categorical_accuracy'])

training_model.fit(
    input_fn(),
    steps_per_epoch=100,
    epochs=10
)
training_model.save_weights('/tmp/bard.h5', overwrite=True)

end = time.time()
elapsed_TPU = end - start

print(elapsed_TPU)

(Источник: https://colab.research.google.com/github/tensorflow/tpu/blob/master/tools/colab/shakespeare_with_tpu_and_keras.ipynb).

Верхняя часть кода предназначена для инициализации TPU. Есть ли способ изменить это так, чтобы его можно было адаптировать для работы на графическом процессоре?


tensorflow deep-learning gpu training-data tpu
person Gaston    schedule 25.03.2021    source источник
comment
Проверьте здесь colab.research.google.com/notebooks/gpu.ipynb.   -  person albert    schedule 25.03.2021
comment
Спасибо за ответ, но это все еще не помогло адаптироваться к следующему алгоритму для графического процессора. Как я мог достичь strategy.scope () с помощью графического процессора вместо TPU   -  person Gaston    schedule 25.03.2021

Ответы (1)


arrow_upward
1
arrow_downward

Вам не нужно использовать tf.distribute.Strategy, если у вас нет TPU или нескольких процессоров / графических процессоров. См. здесь. Вы можете запустить это как стандартный код Tensorflow без стратегии.

import time

start = time.time()
tf.keras.backend.clear_session()

training_model = lstm_model(seq_len=100, stateful=False)
training_model.compile(
    optimizer=tf.keras.optimizers.RMSprop(learning_rate=0.01),
    loss='sparse_categorical_crossentropy',
    metrics=['sparse_categorical_accuracy'])

training_model.fit(
    input_fn(),
    steps_per_epoch=100,
    epochs=10
)
training_model.save_weights('/tmp/bard.h5', overwrite=True)

end = time.time()
elapsed_TPU = end - start

print(elapsed_TPU)
person albert    schedule 25.03.2021
comment
Я вижу спасибо за вашу помощь - person Gaston; 25.03.2021