Google Colab TPU занимает больше времени, чем GPU - PullRequest
Новая
       9

Google Colab TPU занимает больше времени, чем GPU

0 голосов
/ 27 ноября 2018

Ниже приведен код, который я использую.Я закомментировал строку для преобразования моей модели в модель TPU.При использовании GPU для того же объема данных на эпоху уходит 7 секунд, а при использовании TPU - 90 секунд.

    Inp = tf.keras.Input(name='input', shape=(input_dim,), dtype=tf.float32)
    x = tf.keras.layers.Dense(900, kernel_initializer='uniform',  activation='relu', input_dim=input_dim, name = 'Dense_01')(Inp)
    x = tf.keras.layers.Dropout(0.3, name = 'Dropout_02')(x)
    output = tf.keras.layers.Dense(stop_criteria, activation='softmax',name = 'Dense_02')(x)

    model = tf.keras.Model(inputs=[Inp], outputs=[output])
    opt = tf.train.AdamOptimizer(.001)
    model.compile(optimizer=opt, loss='categorical_crossentropy', metrics=['acc'])

    '''tpu_model = tf.contrib.tpu.keras_to_tpu_model(model,
                                                  strategy=tf.contrib.tpu.TPUDistributionStrategy(
                                                      tf.contrib.cluster_resolver.TPUClusterResolver(TPU_ADDRESS)))'''
    model.fit(X_tra, y_tra, epochs=5, batch_size=batch_size, shuffle=False,
              validation_split=0.1, verbose=2)

Вот ссылка на блокнот

1 Ответ

0 голосов
/ 28 ноября 2018

Вы пробовали метод tpu_model.fit_generator, как в примере ниже?Другая часть выглядит хорошо.Также одной из проблем может быть использование Adam Optimizer.Там было что-тооб этом, но я забыл, где ссылка.Попробуйте другой оптимизатор и приведенный ниже код, и если другой оптимизатор сработал, вы знаете, что это что-то.с оптимизатором Adam. 

tf.keras.backend.clear_session()

training_model = lstm_model(seq_len=100, batch_size=128, stateful=False)

tpu_model = tf.contrib.tpu.keras_to_tpu_model(
    training_model,
    strategy=tf.contrib.tpu.TPUDistributionStrategy(
        tf.contrib.cluster_resolver.TPUClusterResolver(TPU_WORKER)))

tpu_model.fit_generator(
    training_generator(seq_len=100, batch_size=1024),
    steps_per_epoch=100,
    epochs=10,
)
tpu_model.save_weights('/tmp/bard.h5', overwrite=True)
...