TPU 속도의 데이터 파이프라인: tf.data.Dataset 및 TFRecords

1. 개요

TPU는 속도가 워낙 빠르기 때문에 TPU의 학습 속도에 맞는 학습 데이터 공급이 필수적입니다. 이 실습에서는 tf.data.Dataset API를 사용하여 GCS의 데이터를 로드하고 TPU에 피드하는 방법을 알아봅니다.

이 실습은 'TPU에서 Keras 사용' 시리즈의 1부입니다. 다음 순서대로 또는 독립적으로 수행할 수 있습니다.

• [이 실습] TPU 속도 데이터 파이프라인: tf.data.Dataset 및 TFRecords
• 전이 학습을 사용한 첫 번째 Keras 모델
• Keras 및 TPU를 사용한 컨볼루션 신경망
• Keras 및 TPU를 사용한 최신 ConvNets, SqueezeNet, Xception

학습할 내용

• tf.data.Dataset API를 사용하여 학습 데이터를 로드합니다.
• TFRecord 형식을 사용하여 GCS에서 학습 데이터를 효율적으로 로드합니다.

의견

이 Codelab에서 잘못된 점이 있으면 알려주세요. GitHub 문제[의견 링크]를 통해 의견을 제공할 수 있습니다.

2. Google Colaboratory 빠른 시작

이 실습에서는 Google Collaboratory를 사용하며 사용자가 설정할 필요가 없습니다. Colaboratory는 교육용 온라인 노트북 플랫폼입니다. 무료 CPU, GPU, TPU 학습을 제공합니다.

이 샘플 노트북을 열고 몇 개의 셀을 실행하여 Colaboratory에 익숙해질 수 있습니다.

Welcome to Colab.ipynb

TPU 백엔드 선택

Colab 메뉴에서 런타임 > 런타임 유형 변경을 선택한 다음 TPU를 선택합니다. 이 코드 실습에서는 하드웨어 가속 학습을 지원하는 강력한 TPU (Tensor Processing Unit)를 사용합니다. 런타임에 대한 연결은 첫 번째 실행 시 자동으로 이루어지며, 오른쪽 상단의 '연결' 버튼을 사용할 수도 있습니다.

노트북 실행

셀을 클릭하고 Shift-Enter를 사용하여 셀을 한 번에 하나씩 실행합니다. 런타임 > 모두 실행을 사용하여 전체 노트북을 실행할 수도 있습니다.

목차

모든 노트북에는 목차가 있습니다. 왼쪽의 검은색 화살표를 사용하여 열 수 있습니다.

숨겨진 셀

일부 셀에는 제목만 표시됩니다. 이는 Colab 전용 노트북 기능입니다. 더블클릭하면 내부 코드를 볼 수 있지만 일반적으로 그다지 흥미롭지는 않습니다. 일반적으로 지원 또는 시각화 함수입니다. 내부의 함수를 정의하려면 이러한 셀을 실행해야 합니다.

인증

승인된 계정으로 인증하면 Colab에서 비공개 Google Cloud Storage 버킷에 액세스할 수 있습니다. 위의 코드 스니펫은 인증 프로세스를 트리거합니다.

3. [정보] Tensor Processing Unit (TPU)이란 무엇인가요?

요약

TPU는 딥 러닝 작업에 특화된 하드웨어 가속기입니다. 이 코드 랩에서는 Keras 및 TensorFlow 2에서 이를 사용하는 방법을 알아봅니다. Cloud TPU는 8개의 코어가 있는 기본 구성과 최대 2,048개의 코어가 있는 'TPU 포드'라는 더 큰 구성으로 제공됩니다. 추가 하드웨어를 사용하여 학습 배치 크기를 늘려 학습 속도를 높일 수 있습니다.

Keras에서 TPU로 모델을 학습시키는 코드 (TPU를 사용할 수 없는 경우 GPU 또는 CPU로 대체)는 다음과 같습니다.

try: # detect TPUs
    tpu = tf.distribute.cluster_resolver.TPUClusterResolver.connect()
    strategy = tf.distribute.TPUStrategy(tpu)
except ValueError: # detect GPUs
    strategy = tf.distribute.MirroredStrategy() # for CPU/GPU or multi-GPU machines

# use TPUStrategy scope to define model
with strategy.scope():
  model = tf.keras.Sequential( ... )
  model.compile( ... )

# train model normally on a tf.data.Dataset
model.fit(training_dataset, epochs=EPOCHS, steps_per_epoch=...)

오늘은 TPU를 사용하여 대화형 속도 (학습 실행당 분)로 꽃 분류기를 빌드하고 최적화합니다.

TPU를 사용해야 하는 이유

최신 GPU는 프로그래밍 가능한 '코어'를 중심으로 구성되어 있으며, 3D 렌더링, 딥 러닝, 물리 시뮬레이션 등 다양한 작업을 처리할 수 있는 매우 유연한 아키텍처를 갖추고 있습니다. 반면 TPU는 기존 벡터 프로세서를 전용 행렬 곱셈 단위와 결합하여 신경망과 같이 대규모 행렬 곱셈이 지배적인 모든 작업에서 뛰어난 성능을 발휘합니다.

그림: 밀집 신경망 레이어가 행렬 곱셈으로 표시되며, 8개의 이미지 배치가 신경망을 통해 한 번에 처리됩니다. 한 줄 x 열 곱셈을 실행하여 이미지의 모든 픽셀 값의 가중 합계를 실제로 계산하는지 확인하세요. 컨볼루션 레이어는 행렬 곱셈으로도 표현할 수 있지만 약간 더 복잡합니다 ( 여기 섹션 1에 설명).

하드웨어

MXU 및 VPU

TPU v2 코어는 행렬 곱셈을 실행하는 행렬 곱셈 단위 (MXU)와 활성화, 소프트맥스 등 기타 모든 작업을 위한 벡터 처리 단위 (VPU)로 구성됩니다. VPU는 float32 및 int32 계산을 처리합니다. 반면 MXU는 혼합 정밀도 16~32비트 부동 소수점 형식으로 작동합니다.

혼합 정밀도 부동 소수점 및 bfloat16

MXU는 bfloat16 입력과 float32 출력을 사용하여 행렬 곱셈을 계산합니다. 중간 누적은 float32 정밀도로 실행됩니다.

신경망 학습은 일반적으로 부동 소수점 정밀도 감소로 인해 발생하는 노이즈에 강합니다. 노이즈가 옵티마이저가 수렴하는 데 도움이 되는 경우도 있습니다. 16비트 부동 소수점 정밀도는 일반적으로 계산을 가속화하는 데 사용되지만 float16 및 float32 형식의 범위는 매우 다릅니다. 정밀도를 float32에서 float16으로 줄이면 일반적으로 오버플로와 언더플로가 발생합니다. 솔루션이 있지만 float16이 작동하려면 일반적으로 추가 작업이 필요합니다.

이러한 이유로 Google에서는 TPU에 bfloat16 형식을 도입했습니다. bfloat16은 float32와 정확히 동일한 지수 비트와 범위를 갖는 잘린 float32입니다. 여기에 TPU가 bfloat16 입력과 float32 출력으로 혼합 정밀도로 행렬 곱셈을 계산한다는 사실을 더하면 일반적으로 정밀도 감소로 인한 성능 향상의 이점을 누리기 위해 코드를 변경할 필요가 없습니다.

bfloat16/float32 혼합 정밀도 사용은 TPU에서 기본값입니다. 이 기능을 사용 설정하기 위해 TensorFlow 코드를 변경할 필요는 없습니다. 코드 전체에서 float32를 계속 사용합니다. 행렬 곱셈을 실행할 때 TPU는 입력을 bfloat16으로 자동 잘라냅니다. 결과 행렬은 float32입니다.

시스톨릭 어레이

MXU는 데이터 요소가 하드웨어 컴퓨팅 단위 배열을 통해 흐르는 소위 '시스톨릭 배열' 아키텍처를 사용하여 하드웨어에서 행렬 곱셈을 구현합니다. (의학에서 '수축기'는 심장 수축과 혈류를 의미하며, 여기서는 데이터 흐름을 의미합니다.)

행렬 곱셈의 기본 요소는 한 행렬의 행과 다른 행렬의 열 사이의 점곱입니다 (이 섹션 상단의 그림 참고). 행렬 곱셈 Y=X*W의 경우 결과의 한 요소는 다음과 같습니다.

Y[2,0] = X[2,0]*W[0,0] + X[2,1]*W[1,0] + X[2,2]*W[2,0] + ... + X[2,n]*W[n,0]

GPU에서는 이 점곱을 GPU '코어'에 프로그래밍한 다음, 결과 행렬의 모든 값을 한 번에 계산하기 위해 병렬로 사용 가능한 만큼의 '코어'에서 실행합니다. 결과 행렬이 128x128이면 128x128=16K '코어'를 사용할 수 있어야 하지만 일반적으로 불가능합니다. 가장 큰 GPU에는 약 4,000개의 코어가 있습니다. 반면 TPU는 MXU의 컴퓨팅 단위를 위해 최소한의 하드웨어만 사용합니다. bfloat16 x bfloat16 => float32 곱셈-누적기만 있고 다른 것은 없습니다. 이러한 연산은 매우 작아서 TPU가 128x128 MXU에서 16,000개를 구현하고 이 행렬 곱셈을 한 번에 처리할 수 있습니다.

그림: MXU 시스톨릭 배열. 컴퓨팅 요소는 곱셈 누산기입니다. 한 행렬의 값이 배열 (빨간색 점)에 로드됩니다. 다른 행렬의 값은 배열을 통해 흐릅니다 (회색 점). 세로선은 값을 위로 전파합니다. 가로선은 부분 합계를 전파합니다. 데이터가 배열을 통과할 때 오른쪽에서 행렬 곱셈 결과가 나오는지 확인하는 것은 사용자의 몫입니다.

또한 MXU에서 내적이 계산되는 동안 중간 합계는 인접한 컴퓨팅 장치 사이에서 간단히 흐릅니다. 메모리나 레지스터 파일에 저장하고 검색할 필요가 없습니다. 그 결과 TPU 시스톨릭 어레이 아키텍처는 행렬 곱셈을 계산할 때 GPU에 비해 밀도와 전력 면에서 상당한 이점이 있으며 속도 면에서도 무시할 수 없는 이점이 있습니다.

Cloud TPU

Google Cloud Platform에서 'Cloud TPU v2'를 요청하면 PCI 연결 TPU 보드가 있는 가상 머신 (VM)이 제공됩니다. TPU 보드에는 듀얼 코어 TPU 칩이 4개 있습니다. 각 TPU 코어에는 VPU (벡터 처리 단위)와 128x128 MXU (행렬 곱셈 단위)가 있습니다. 이 'Cloud TPU'는 일반적으로 네트워크를 통해 이를 요청한 VM에 연결됩니다. 따라서 전체 그림은 다음과 같습니다.

그림: 네트워크에 연결된 'Cloud TPU' 액셀러레이터가 있는 VM 'Cloud TPU' 자체는 4개의 듀얼 코어 TPU 칩이 있는 PCI 연결 TPU 보드가 있는 VM으로 구성됩니다.

TPU 포드

Google의 데이터 센터에서 TPU는 고성능 컴퓨팅 (HPC) 상호 연결에 연결되어 매우 큰 가속기 하나로 표시될 수 있습니다. Google에서는 이를 포드라고 하며 최대 512개의 TPU v2 코어 또는 2048개의 TPU v3 코어를 포함할 수 있습니다.

그림: TPU v3 pod HPC 상호 연결을 통해 연결된 TPU 보드와 랙

학습 중에 그라데이션은 all-reduce 알고리즘을 사용하여 TPU 코어 간에 교환됩니다 ( all-reduce에 대한 좋은 설명은 여기를 참고하세요). 학습 중인 모델은 큰 배치 크기로 학습하여 하드웨어를 활용할 수 있습니다.

그림: Google TPU의 2D 토로이드 메시 HPC 네트워크에서 all-reduce 알고리즘을 사용하여 학습 중에 그라데이션을 동기화합니다.

소프트웨어

대규모 배치 크기 학습

TPU의 이상적인 배치 크기는 TPU 코어당 데이터 항목 128개이지만 하드웨어는 TPU 코어당 데이터 항목 8개부터 이미 좋은 사용률을 보여줄 수 있습니다. 하나의 Cloud TPU에는 8개의 코어가 있습니다.

이 Codelab에서는 Keras API를 사용합니다. Keras에서 지정하는 배치는 전체 TPU의 전역 배치 크기입니다. 배치가 자동으로 8개로 분할되어 TPU의 8개 코어에서 실행됩니다.

추가 성능 팁은 TPU 성능 가이드를 참고하세요. 매우 큰 배치 크기의 경우 일부 모델에서 특별한 주의가 필요할 수 있습니다. 자세한 내용은 LARSOptimizer를 참고하세요.

자세히 들여다보기: XLA

Tensorflow 프로그램은 계산 그래프를 정의합니다. TPU는 Python 코드를 직접 실행하지 않고 TensorFlow 프로그램에 의해 정의된 연산 그래프를 실행합니다. 내부적으로 XLA (가속 선형 대수 컴파일러)라는 컴파일러가 계산 노드의 TensorFlow 그래프를 TPU 기계어 코드로 변환합니다. 이 컴파일러는 코드와 메모리 레이아웃에 대해 많은 고급 최적화도 실행합니다. 컴파일은 작업을 TPU로 전송할 때 자동으로 이루어집니다. 빌드 체인에 XLA를 명시적으로 포함할 필요는 없습니다.

설명: TPU에서 실행하려면 먼저 TensorFlow 프로그램에서 정의한 계산 그래프를 XLA (가속 선형 대수 컴파일러) 표현으로 변환한 다음 XLA에서 TPU 기계어 코드로 컴파일해야 합니다.

Keras에서 TPU 사용하기

TPU는 Tensorflow 2.1부터 Keras API를 통해 지원됩니다. Keras 지원은 TPU 및 TPU 포드에서 작동합니다. 다음은 TPU, GPU, CPU에서 작동하는 예시입니다.

try: # detect TPUs
    tpu = tf.distribute.cluster_resolver.TPUClusterResolver.connect()
    strategy = tf.distribute.TPUStrategy(tpu)
except ValueError: # detect GPUs
    strategy = tf.distribute.MirroredStrategy() # for CPU/GPU or multi-GPU machines

# use TPUStrategy scope to define model
with strategy.scope():
  model = tf.keras.Sequential( ... )
  model.compile( ... )

# train model normally on a tf.data.Dataset
model.fit(training_dataset, epochs=EPOCHS, steps_per_epoch=...)

이 코드 스니펫에서는 다음 사항이 적용됩니다.

• TPUClusterResolver().connect()는 네트워크에서 TPU를 찾습니다. 대부분의 Google Cloud 시스템 (AI Platform 작업, Colaboratory, Kubeflow, 'ctpu up' 유틸리티를 통해 생성된 딥 러닝 VM)에서 매개변수 없이 작동합니다. 이러한 시스템은 TPU_NAME 환경 변수 덕분에 TPU가 어디에 있는지 알고 있습니다. 직접 TPU를 만드는 경우 사용하는 VM에서 TPU_NAME 환경 변수를 설정하거나 명시적 매개변수를 사용하여 TPUClusterResolver를 호출합니다. TPUClusterResolver(tp_uname, zone, project)
• TPUStrategy는 분산 및 'all-reduce' 그라데이션 동기화 알고리즘을 구현하는 부분입니다.
• 전략은 범위를 통해 적용됩니다. 모델은 전략 범위 내에 정의되어야 합니다.
• tpu_model.fit 함수는 TPU 학습을 위한 입력으로 tf.data.Dataset 객체를 예상합니다.

일반적인 TPU 포팅 작업

• Tensorflow 모델에서 데이터를 로드하는 방법은 다양하지만 TPU의 경우 tf.data.Dataset API를 사용해야 합니다.
• TPU는 매우 빠르며 TPU에서 실행할 때는 데이터 수집이 병목 현상이 되는 경우가 많습니다. TPU 성능 가이드에서 데이터 병목 현상을 감지하는 데 사용할 수 있는 도구와 기타 성능 팁을 확인할 수 있습니다.
• int8 또는 int16 숫자는 int32로 처리됩니다. TPU에는 32비트 미만에서 작동하는 정수 하드웨어가 없습니다.
• 일부 TensorFlow 작업은 지원되지 않습니다. 여기에서 목록을 확인하세요. 다행히 이 제한사항은 학습 코드, 즉 모델을 통한 순방향 및 역방향 패스에만 적용됩니다. CPU에서 실행되므로 데이터 입력 파이프라인에서 모든 TensorFlow 작업을 계속 사용할 수 있습니다.
• TPU에서는 tf.py_func가 지원되지 않습니다.

4. 데이터 로드

꽃 사진 데이터 세트로 작업할 것입니다. 목표는 5가지 꽃 유형으로 분류하는 방법을 배우는 것입니다. 데이터 로드는 tf.data.Dataset API를 사용하여 실행됩니다. 먼저 API를 알아보겠습니다.

실무

다음 노트북을 열고 셀을 실행 (Shift-ENTER)한 다음 '작업 필요' 라벨이 표시되는 곳의 안내를 따르세요.

Fun with tf.data.Dataset (playground).ipynb

추가 정보

'flowers' 데이터 세트 정보

데이터 세트는 5개의 폴더로 구성되어 있습니다. 각 폴더에는 한 종류의 꽃이 들어 있습니다. 폴더 이름은 sunflowers, daisy, dandelion, tulips, roses입니다. 데이터는 Google Cloud Storage의 공개 버킷에 호스팅됩니다. 발췌문:

gs://flowers-public/sunflowers/5139971615_434ff8ed8b_n.jpg
gs://flowers-public/daisy/8094774544_35465c1c64.jpg
gs://flowers-public/sunflowers/9309473873_9d62b9082e.jpg
gs://flowers-public/dandelion/19551343954_83bb52f310_m.jpg
gs://flowers-public/dandelion/14199664556_188b37e51e.jpg
gs://flowers-public/tulips/4290566894_c7f061583d_m.jpg
gs://flowers-public/roses/3065719996_c16ecd5551.jpg
gs://flowers-public/dandelion/8168031302_6e36f39d87.jpg
gs://flowers-public/sunflowers/9564240106_0577e919da_n.jpg
gs://flowers-public/daisy/14167543177_cd36b54ac6_n.jpg

tf.data.Dataset을 사용하는 이유

Keras와 TensorFlow는 모든 학습 및 평가 함수에서 데이터 세트를 허용합니다. 데이터 세트에 데이터를 로드하면 API는 신경망 학습 데이터에 유용한 모든 일반 기능을 제공합니다.

dataset = ... # load something (see below)
dataset = dataset.shuffle(1000) # shuffle the dataset with a buffer of 1000
dataset = dataset.cache() # cache the dataset in RAM or on disk
dataset = dataset.repeat() # repeat the dataset indefinitely
dataset = dataset.batch(128) # batch data elements together in batches of 128
AUTOTUNE = tf.data.AUTOTUNE
dataset = dataset.prefetch(AUTOTUNE) # prefetch next batch(es) while training

이 도움말에서 성능 팁과 데이터 세트 권장사항을 확인할 수 있습니다. 참조 문서는 여기에서 확인할 수 있습니다.

tf.data.Dataset 기본사항

데이터는 일반적으로 여러 파일(여기서는 이미지)로 제공됩니다. 다음과 같이 호출하여 파일 이름 데이터 세트를 만들 수 있습니다.

filenames_dataset = tf.data.Dataset.list_files('gs://flowers-public/*/*.jpg')
# The parameter is a "glob" pattern that supports the * and ? wildcards.

그런 다음 각 파일 이름에 함수를 '매핑'합니다. 이 함수는 일반적으로 파일을 로드하고 메모리의 실제 데이터로 디코딩합니다.

def decode_jpeg(filename):
  bits = tf.io.read_file(filename)
  image = tf.io.decode_jpeg(bits)
  return image

image_dataset = filenames_dataset.map(decode_jpeg)
# this is now a dataset of decoded images (uint8 RGB format)

데이터 세트를 반복하려면 다음을 실행하세요.

for data in my_dataset:
  print(data)

튜플 데이터 세트

지도 학습에서 학습 데이터 세트는 일반적으로 학습 데이터와 정답의 쌍으로 구성됩니다. 이를 허용하기 위해 디코딩 함수는 튜플을 반환할 수 있습니다. 그러면 튜플 데이터 세트가 생성되고 이를 반복하면 튜플이 반환됩니다. 반환된 값은 모델에서 사용할 수 있는 TensorFlow 텐서입니다. .numpy()를 호출하여 원시 값을 확인할 수 있습니다.

def decode_jpeg_and_label(filename):
  bits = tf.read_file(filename)
  image = tf.io.decode_jpeg(bits)
  label = ... # extract flower name from folder name
  return image, label

image_dataset = filenames_dataset.map(decode_jpeg_and_label)
# this is now a dataset of (image, label) pairs 

for image, label in dataset:
  print(image.numpy().shape, label.numpy())

결론:이미지를 하나씩 로드하는 것은 느립니다.

이 데이터 세트를 반복하면 초당 1~2개의 이미지를 로드할 수 있습니다. 너무 느립니다. 학습에 사용할 하드웨어 가속기는 이 속도의 몇 배를 유지할 수 있습니다. 다음 섹션으로 이동하여 이를 달성하는 방법을 알아보세요.

해결 방법

솔루션 노트북은 다음과 같습니다. 막히는 부분이 있으면 사용하세요.

Fun with tf.data.Dataset (solution).ipynb

학습한 내용

• 🤔 tf.data.Dataset.list_files
• 🤔 tf.data.Dataset.map
• 🤔 튜플 데이터 세트
• 😀 데이터 세트 반복

잠시 시간을 내어 이 체크리스트를 머릿속으로 살펴보세요.

5. 데이터를 빠르게 로드

이 실습에서 사용할 Tensor Processing Unit (TPU) 하드웨어 가속기는 매우 빠릅니다. 문제는 AI를 계속 작동시킬 만큼 충분히 빠른 속도로 데이터를 제공하는 것입니다. Google Cloud Storage (GCS)는 매우 높은 처리량을 유지할 수 있지만 모든 클라우드 스토리지 시스템과 마찬가지로 연결을 시작하는 데 약간의 네트워크 왕복이 필요합니다. 따라서 데이터를 수천 개의 개별 파일로 저장하는 것은 이상적이지 않습니다. 더 적은 수의 파일로 일괄 처리하고 tf.data.Dataset의 기능을 사용하여 여러 파일에서 동시에 읽어옵니다.

읽기 전용

이미지 파일을 로드하고, 공통 크기로 크기를 조정한 후 16개의 TFRecord 파일에 저장하는 코드는 다음 노트북에 있습니다. 빠르게 읽어보세요. 나머지 Codelab에서는 TFRecord 형식의 데이터가 제공되므로 실행하지 않아도 됩니다.

Flower pictures to TFRecords.ipynb

최적의 GCS 처리량을 위한 이상적인 데이터 레이아웃

일반적으로 데이터를 여러 개의 큰 파일(수십~수백 MB)로 분할하는 것이 좋습니다. 파일이 너무 많으면(예: 수천 개의 파일) 각 파일에 액세스하는 데 시간이 걸릴 수 있습니다. 파일이 1~2개와 같이 너무 적으면 여러 파일에서 동시에 스트리밍하는 이점을 누릴 수 없습니다.

TFRecord 파일 형식

데이터를 저장하는 데 권장되는 TensorFlow 파일 형식은 protobuf 기반 TFRecord 형식입니다. 다른 직렬화 형식도 작동하지만 다음을 작성하여 TFRecord 파일에서 데이터 세트를 직접 로드할 수 있습니다.

filenames = tf.io.gfile.glob(FILENAME_PATTERN)
dataset = tf.data.TFRecordDataset(filenames)
dataset = dataset.map(...) # do the TFRecord decoding here - see below

최적의 성능을 위해 다음의 더 복잡한 코드를 사용하여 여러 TFRecord 파일에서 한 번에 읽는 것이 좋습니다. 이 코드는 N개의 파일에서 병렬로 읽고 읽기 속도를 위해 데이터 순서를 무시합니다.

AUTOTUNE = tf.data.AUTOTUNE
ignore_order = tf.data.Options()
ignore_order.experimental_deterministic = False

filenames = tf.io.gfile.glob(FILENAME_PATTERN)
dataset = tf.data.TFRecordDataset(filenames, num_parallel_reads=AUTOTUNE)
dataset = dataset.with_options(ignore_order)
dataset = dataset.map(...) # do the TFRecord decoding here - see below

TFRecord 요약본

TFRecord에는 바이트 문자열 (바이트 목록), 64비트 정수, 32비트 부동 소수점 수의 세 가지 유형의 데이터를 저장할 수 있습니다. 항상 목록으로 저장되며 단일 데이터 요소는 크기가 1인 목록이 됩니다. 다음 도우미 함수를 사용하여 데이터를 TFRecord에 저장할 수 있습니다.

바이트 문자열 쓰기

# warning, the input is a list of byte strings, which are themselves lists of bytes
def _bytestring_feature(list_of_bytestrings):
  return tf.train.Feature(bytes_list=tf.train.BytesList(value=list_of_bytestrings))

정수 쓰기

def _int_feature(list_of_ints): # int64
  return tf.train.Feature(int64_list=tf.train.Int64List(value=list_of_ints))

부동 소수점 쓰기

def _float_feature(list_of_floats): # float32
  return tf.train.Feature(float_list=tf.train.FloatList(value=list_of_floats))

위의 도우미를 사용하여 TFRecord 작성

# input data in my_img_bytes, my_class, my_height, my_width, my_floats
with tf.python_io.TFRecordWriter(filename) as out_file:
  feature = {
    "image": _bytestring_feature([my_img_bytes]), # one image in the list
    "class": _int_feature([my_class]),            # one class in the list
    "size": _int_feature([my_height, my_width]),  # fixed length (2) list of ints
    "float_data": _float_feature(my_floats)       # variable length  list of floats
  }
  tf_record = tf.train.Example(features=tf.train.Features(feature=feature))
  out_file.write(tf_record.SerializeToString())

TFRecord에서 데이터를 읽으려면 먼저 저장한 레코드의 레이아웃을 선언해야 합니다. 선언에서 이름이 지정된 필드에 고정 길이 목록 또는 가변 길이 목록으로 액세스할 수 있습니다.

TFRecord에서 읽기

def read_tfrecord(data):
  features = {
    # tf.string = byte string (not text string)
    "image": tf.io.FixedLenFeature([], tf.string), # shape [] means scalar, here, a single byte string
    "class": tf.io.FixedLenFeature([], tf.int64),  # shape [] means scalar, i.e. a single item
    "size": tf.io.FixedLenFeature([2], tf.int64),  # two integers
    "float_data": tf.io.VarLenFeature(tf.float32)  # a variable number of floats
  }

  # decode the TFRecord
  tf_record = tf.io.parse_single_example(data, features)

  # FixedLenFeature fields are now ready to use
  sz = tf_record['size']

  # Typical code for decoding compressed images
  image = tf.io.decode_jpeg(tf_record['image'], channels=3)

  # VarLenFeature fields require additional sparse.to_dense decoding
  float_data = tf.sparse.to_dense(tf_record['float_data'])

  return image, sz, float_data

# decoding a tf.data.TFRecordDataset
dataset = dataset.map(read_tfrecord)
# now a dataset of triplets (image, sz, float_data)

유용한 코드 스니펫:

단일 데이터 요소 읽기

tf.io.FixedLenFeature([], tf.string)   # for one byte string
tf.io.FixedLenFeature([], tf.int64)    # for one int
tf.io.FixedLenFeature([], tf.float32)  # for one float

고정 크기 요소 목록 읽기

tf.io.FixedLenFeature([N], tf.string)   # list of N byte strings
tf.io.FixedLenFeature([N], tf.int64)    # list of N ints
tf.io.FixedLenFeature([N], tf.float32)  # list of N floats

가변 데이터 항목 읽기

tf.io.VarLenFeature(tf.string)   # list of byte strings
tf.io.VarLenFeature(tf.int64)    # list of ints
tf.io.VarLenFeature(tf.float32)  # list of floats

VarLenFeature는 희소 벡터를 반환하며 TFRecord를 디코딩한 후 추가 단계가 필요합니다.

dense_data = tf.sparse.to_dense(tf_record['my_var_len_feature'])

TFRecords에 선택적 필드가 있을 수도 있습니다. 필드를 읽을 때 기본값을 지정하면 필드가 누락된 경우 오류 대신 기본값이 반환됩니다.

tf.io.FixedLenFeature([], tf.int64, default_value=0) # this field is optional

학습한 내용

• 🤔 GCS에서 빠르게 액세스할 수 있도록 데이터 파일 샤딩
• 😓 TFRecord를 작성하는 방법 (벌써 구문을 잊으셨나요? 괜찮습니다. 이 페이지를 치트 시트로 북마크하세요.)
• 🤔 TFRecordDataset을 사용하여 TFRecord에서 데이터 세트 로드

잠시 시간을 내어 이 체크리스트를 머릿속으로 살펴보세요.

6. 축하합니다.

이제 TPU에 데이터를 제공할 수 있습니다. 다음 실습으로 계속 진행하세요.

• [이 실습] TPU 속도 데이터 파이프라인: tf.data.Dataset 및 TFRecords
• 전이 학습을 사용한 첫 번째 Keras 모델
• Keras 및 TPU를 사용한 컨볼루션 신경망
• Keras 및 TPU를 사용한 최신 ConvNets, SqueezeNet, Xception

실제 TPU

TPU 및 GPU는 Cloud AI Platform에서 사용할 수 있습니다.

• 딥 러닝 VM
• AI Platform Notebooks
• AI Platform Training 작업

마지막으로 의견을 보내주세요. 이 실습에서 잘못된 점이 있거나 개선해야 할 점이 있다면 알려주세요. GitHub 문제[의견 링크]를 통해 의견을 제공할 수 있습니다.

저자: 마틴 괴르너 트위터: @martin_gorner