点击上方关注，All in AI中国

本文将介绍如何使用Keras和Google CoLaboratory与TPU一起训练LSTM模型，与本地计算机上的GPU相比，这样训练能大大缩短训练时间。

很长一段时间以来，我都在单张GTX 1070显卡上训练我的模型，它的单精度大约为8.18 TFlops。后来Google的Colab开放了免费的Tesla K80显卡，配备12GB RAM，8.73TFlops。直到最近，Colab的运行时类型选择器中还会弹出带有180 TFlops的Cloud TPU选项。这篇教程将简要介绍如何将现有的Keras模型转换为TPU模型，然后在Colab上训练。与在GTX1070上训练相比，TPU能够加速20倍。

我们将构建一个易于理解，但训练起来非常复杂的Keras模型，这样我们就可以稍微"预热"一下Cloud TPU。在IMDB情感分类任务上训练LSTM模型可能是一个很好的例子，因为相比密集层和卷积层来说，训练LSTM对算力要求更高。

工作流程概述：

• 使用静态输入batch_size构建用于功能API训练的Keras模型
• 将Keras模型转换为TPU模型
• 使用静态batch_size * 8训练TPU模型，并将权重保存到文件
• 创建一个结构相同，但输入批大小可变的Keras模型，用于推理
• 加载模型权重
• 基于推理模型进行预测

在阅读本文的同时，你可以上手试验相应的Colab Jupyter notebook：Keras_LSTM_TPU.ipynb。(https://colab.research.google.com/drive/1QZf1WeX3EQqBLeFeT4utFKBqq-ogG1FN)

首先，按照下图中的说明来激活在Colab运行中的TPU。

激活TPU

固定输入批尺寸

大多数情况下，CPU和GPU上对输入形状没有限制，但XLA/TPU环境下会强制使用固定的形状和批尺寸。

Can TPU包含8个TPU核心，作为独立的处理单元运行。如果没有使用所有八个核心，那TPU就不会得到充分利用。为了充分提高训练的矢量化速度，相比在单一GPU上训练的同样的模型，我们可以选择较大的批尺寸。总批尺寸大小为1024(每个核心128个)通常是一个很好的起点。

如果你要训练批尺寸较大的型号，请尝试慢慢减小批尺寸，以保证TPU内存放得下，只需确保总批尺寸为64的倍数(每核心批尺寸应该是8的倍数)。

值得一提，在批尺寸较大时，通常可以提高优化器的学习速率，以实现更快的收敛。你可以在本文中找到参考——"Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour"。(https://arxiv.org/pdf/1706.02677.pdf)

在Keras中，要定义静态批处理尺寸，我们使用函数API，然后为输入层指定batch_size参数。请注意，模型构建在一个带有batch_size参数的函数中，因此我们之后可以很方便地创建在CPU或GPU上运行的模型，这些模型接受可变批尺寸的输入。

此外，我们在这里使用了tf.train.Optimizer而不是标准的Keras优化器，因为TPU对Keras优化器的支持还处于实验阶段。

将Keras模型转换为TPU模型

tf.contrib.tpu.keras_to_tpu_model函数将tf.keras模型转换为等价的TPU版本。

然后，我们使用标准的Keras方法来训练，保存权重并评估模型。请注意，batch_size设置为模型输入batch_size的八倍，因为输入样本在8个TPU核心上均匀分布。

我做了一个实验，用来比较在Windows PC上运行单个GTX1070和在Colab上运行的TPU之间的训练速度，结果如下：

• GPU和TPU都将输入批尺寸设为128。
• GPU：每个历元179秒。20个历元后的验证准确率达到了76.9％，总计3600秒。
• TPU：每个历元5秒(第一个历元需要49秒)。20个历元后的验证准确率达到了95.2％，总计150秒。
• 在20个历元之后TPU的验证准确度高于在GPU上的表现，那是因为TPU上同时训练8个批的样本(每个批的大小为128)。

在CPU上进行推理

一旦我们获得了模型权重，我们就可以像往常一样加载它，然后在CPU或GPU等其他设备上进行预测。我们想要推理模型接受可变的输入批大小，这可以使用之前的make_model()函数来实现。

你可以看到推理模型现在可以接受可变输入样本数目，

然后，你可以使用标准的fit()、evaluate()函数与推理模型。

结论以及进一步阅读

这篇快速教程向你简要介绍了如何利用Google Colab上的免费Cloud TPU资源更快地训练Keras模型。

云TPU文档：https://cloud.google.com/tpu/docs/

云TPU性能指南：https://cloud.google.com/tpu/docs/performance-guide

云TPU故障排除指南：https://cloud.google.com/tpu/docs/troubleshooting

XLA概述：https://www.tensorflow.org/performance/xla/

编译出品