PyTorch モデルのトレーニング
この記事では、Azure Machine Learning デザイナーで PyTorch モデルのトレーニング コンポーネントを使用して、DenseNet などの Pytorch モデルをトレーニングする方法について説明します。 トレーニングは、モデルを定義してそのパラメーターを設定した後に行なわれ、これにはラベル付けされたデータが必要です。
現在、PyTorch モデルのトレーニング コンポーネントでは、単一ノードと分散の両方のトレーニングをサポートしています。
PyTorch モデルのトレーニングを使用する方法
PyTorch モデルのトレーニング コンポーネントをパイプラインに追加します。 このコンポーネントは、 [モデル トレーニング] カテゴリにあります。 [トレーニング] を展開し、PyTorch モデルのトレーニング コンポーネントをパイプラインにドラッグします。
注意
PyTorch モデルのトレーニング コンポーネントは、大規模なデータセットについては GPU 型のコンピューティングで実行することが推奨されます。それ以外の場合、パイプラインは失敗します。 コンポーネントの右側のウィンドウで特定のコンポーネントを計算するよう選択するには、 [Use other compute target](その他のコンピューティング先を使用する) を設定します。
左側の入力に、未トレーニングのモードをアタッチします。 トレーニング データセットと検証データセットを PyTorch モデルのトレーニングの中央および右側の入力にアタッチします。
未トレーニングのモデルでは、DenseNet のような PyTorch モデルを使用する必要があります。それ以外の場合は、'InvalidModelDirectoryError' がスローされます。
データセットの場合、トレーニング データセットはラベル付けされたイメージ ディレクトリである必要があります。 ラベル付けされたイメージ ディレクトリを取得する方法については、「イメージ ディレクトリへの変換」を参照してください。 ラベル付けされていない場合は、'NotLabeledDatasetError' がスローされます。
トレーニング データセットと検証データセットのラベル カテゴリは同じです。それ以外の場合は、InvalidDatasetError がスローされます。
[Epochs](エポック) には、トレーニングするエポック数を指定します。 データセット全体は、エポック毎に反復されます。既定値は 5 です。
[Batch size](バッチ サイズ) には、バッチでトレーニングするインスタンスの数を指定します。既定値は 16 です。
[ウォームアップ ステップ数] には、初期学習率がわずかに高すぎて収束が開始しない場合にトレーニングをウォームアップするエポック数を指定します。既定値は 0 です。
[学習率] には、学習率の値を指定します。既定値は 0.001 です。 学習率は、モデルがテストされて修正されるたびに、SGD のようなオプティマイザーで使用されるステップのサイズを制御します。
率を小さく設定すると、モデルのテストが頻繁に実行されますが、ローカルで停滞する可能性があります。 率を大きく設定すると、収束速度は速くなりますが、真の極小値から離れていってしまうおそれがあります。
注意
トレーニング中にトレーニングの損失が NaN になった場合、これは高すぎる学習率が原因である可能性があり、学習率を下げると有効な場合があります。 分散トレーニングでは、勾配降下を安定させるために、実際の学習率は
lr * torch.distributed.get_world_size()によって計算されます。なぜなら、プロセス グループのバッチ サイズは、ワールドのサイズに単一プロセスのサイズを掛けたものだからです。 多項式の学習率減衰が適用され、結果的にモデルのパフォーマンスの向上に寄与する可能性があります。[Random seed](ランダム シード) には、必要に応じて、シードとして使用する整数値を入力します。 繰り返しジョブを実行したときの実験の再現性を確保したい場合は、シードを使用することをお勧めします。
[Patience](忍耐) には、検証の損失が連続して減少しない場合に、エポックがトレーニングを早期に停止する回数を指定します。 既定値は 3 です。
[出力頻度] には、各エポックのイテレーションでのトレーニング ログ出力頻度を指定します。既定値は 10 です。
パイプラインを送信します。 データセットのサイズが大きい場合は、しばらく時間がかかり、GPU コンピューティングが推奨されます。
分散トレーニング
分散トレーニングでは、モデルをトレーニングするためのワークロードが分割され、ワーカー ノードと呼ばれる複数のミニ プロセッサ間で共有されます。 これらのワーカー ノードは並行して動作し、モデルのトレーニングを高速化します。 現在、デザイナーでは、PyTorch モデルのトレーニング コンポーネントに対して分散トレーニングをサポートしています。
トレーニング時間
分散トレーニングを使用すると、ImageNet (1,000 クラス、120 万画像) のような大規模なデータセットを、PyTorch モデルのトレーニングによってわずか数時間でトレーニングすることが可能になります。 次の表は、ImageNet 上の Resnet50 の 50 エポックを、さまざまなデバイスに基づいて最初からトレーニングする間のトレーニング時間とパフォーマンスを示しています。
| デバイス | トレーニング時間 | トレーニング スループット | 上位 1 つの検証精度 | 上位 5 つの検証精度 |
|---|---|---|---|---|
| 16 個の V100 GPU | 6 時間 22 分 | 3,200 画像/秒以下 | 68.83% | 88.84% |
| 8 個の V100 GPU | 12 時間 21 分 | 1,670 画像/秒以下 | 68.84% | 88.74% |
このコンポーネントの [メトリック] タブをクリックすると、"Train images per second" (1 秒あたりのトレーニング画像数) や "Top 1 accuracy" (1 位の精度) などのトレーニング メトリック グラフが表示されます。
分散トレーニングを有効にする方法
PyTorch モデルのトレーニング コンポーネントに対して分散トレーニングを有効にするために、コンポーネントの右側のペインで [ジョブ設定] を設定できます。 分散トレーニングでは AML コンピューティング クラスター のみがサポートされています。
注意
NCCL バックエンドの "PyTorch モデルのトレーニング" コンポーネントでは CUDA を使用する必要があるため、分散トレーニングをアクティブ化するには複数の GPU が必要です。
コンポーネントを選択して、右ペインを開きます。 [ジョブ設定] セクションを展開します。
コンピューティング先に対して AML コンピューティングが選択されていることを確認します。
[リソース レイアウト] セクションで、次の値を設定する必要があります。
[ノード数] : トレーニングに使用するコンピューティング先のノードの数。 コンピューティング クラスターの [最大ノード数]以下である必要があります。 既定値は 1 で、これは単一ノードのジョブを意味します。
[ノードあたりのプロセス数] : トリガーされたプロセスのノードあたりの数。 コンピューティングの [処理単位]以下である必要があります。 既定値は 1 で、これは単一プロセスのジョブを意味します。
コンピューティングの [最大ノード数] および [処理単位] は、コンピューティングの詳細ページでコンピューティング名をクリックすると確認できます。
Azure Machine Learning での分散トレーニングの詳細については、こちらを参照してください。
分散トレーニングのトラブルシューティング
このコンポーネントに対して分散トレーニングを有効にした場合、プロセスごとにドライバー ログが生成されます。 70_driver_log_0 は、マスター プロセス用です。 右側のペインの [出力とログ] タブでは、各プロセスのエラーの詳細をドライバー ログから確認できます。
コンポーネント対応の分散トレーニングが 70_driver ログなしで失敗した場合、70_mpi_log でエラーの詳細を確認できます。
次の例は、ノードあたりのプロセス数がコンピューティングの処理単位よりも大きいという一般的なエラーを示しています。
コンポーネントのトラブルシューティングの詳細については、こちらの記事を参照してください。
結果
パイプラインのジョブが完了した後、モデルをスコア付けに使用するには、PyTorch モデルのトレーニングを画像モデルのスコア付けに接続し、新しい入力例の値を予測します。
テクニカル ノート
想定される入力
| 名前 | Type | 説明 |
|---|---|---|
| 未トレーニング モデル | UntrainedModelDirectory | 未トレーニング モデル、PyTorch が必要 |
| トレーニング データセット | ImageDirectory | トレーニング データセット |
| 検証データセット | ImageDirectory | 各エポックを評価するための検証データセット |
コンポーネントのパラメーター
| 名前 | Range | Type | Default | 説明 |
|---|---|---|---|---|
| Epochs (エポック) | >0 | Integer | 5 | ラベルまたは結果列を含む列を選択します |
| バッチ サイズ | >0 | Integer | 16 | バッチでトレーニングするインスタンスの数 |
| ウォームアップ ステップ数 | >=0 | Integer | 0 | トレーニングをウォームアップするエポックの数 |
| Learning rate (学習率) | >=double.Epsilon | Float | 0.1 | 確率的勾配降下法オプティマイザーの初期学習率。 |
| Random seed (ランダム シード) | Any | Integer | 1 | モデルで使用される乱数ジェネレーターのシードです。 |
| Patience (忍耐) | >0 | Integer | 3 | トレーニングを早期に停止するエポックの数 |
| 出力頻度 | >0 | Integer | 10 | 各エポックのイテレーションでのトレーニング ログ出力頻度 |
出力
| 名前 | Type | 説明 |
|---|---|---|
| トレーニングされたモデル | ModelDirectory | トレーニングされたモデル |
次のステップ
Azure Machine Learning で使用できる一連のコンポーネントを参照してください。