一文详解TensorFlow模型迁移及模型训练实操步骤

　　本文分享自华为云社区《将TensorFlow模型快速迁移到昇腾平台-云社区-华为云》，作者：昇腾CANN。
　　当前业界很多训练脚本是基于TensorFlow的Python API进行开发的，默认运行在CPU/GPU/TPU上，为了使这些脚本能够利用昇腾AI处理器的强大算力执行训练，需要对TensorFlow的训练脚本进行迁移。
　　首先，我们了解下模型迁移的全流程：
　　通过上图可以看出，模型迁移包括＂脚本迁移 –> 模型训练 –> 精度调优 –> 性能调优 –> 模型固化＂几个流程，其中：＂脚本迁移＂是将TensorFlow训练脚本经过少量修改，可以运行在昇腾AI处理器上。＂模型训练＂是根据模型参数进行多轮次的训练迭代，并在训练过程中评估模型准确度，达到一定阈值后停止训练，并保存训练好的模型。＂精度调优＂与＂性能调优＂是在用户对精度或性能有要求时需要执行的操作。＂模型固化＂是将训练好的、精度性能达标的模型固化为pb模型。
　　下面我们针对＂脚本迁移＂和＂模型训练＂两个阶段进行详细的介绍。脚本迁移
　　将TensorFlow训练脚本迁移到昇腾平台有自动迁移和手工迁移两种方式。自动迁移：算法工程师通过迁移工具，可自动分析出原生的TensorFlow Python API在昇腾AI处理器上的支持度情况，同时将原生的TensorFlow训练脚本自动迁移成昇腾AI处理器支持的脚本，对于少量无法自动迁移的API，可以参考工具输出的迁移报告，对训练脚本进行相应的适配修改。手工迁移：算法工程师需要参考文档人工分析TensorFlow训练脚本的API支持度，并进行相应API的修改，以支持在昇腾AI处理器上执行训练，该种方式相对复杂，建议优先使用自动迁移方式。
　　下面以TensorFlow 1.15的训练脚本为例，讲述训练脚本的详细迁移操作，TensorFlow 2.6的迁移操作类似，详细的迁移点可参见＂昇腾文档中心[1]＂。自动迁移
　　自动迁移的流程示意图如下所示：
　　详细步骤如下；
　　1. 安装迁移工具依赖。pip3 install pandas pip3 install xlrd==1.2.0 pip3 install openpyxl pip3 install tkintertable pip3 install google_pasta
　　2. 执行自动迁移命令。
　　进入迁移工具所在目录，例如＂tfplugin安装目录/tfplugin/latest/python/site-packages/npu_bridge/convert_tf2npu/＂，执行类似如下命令可同时完成脚本扫描和自动迁移：python3 main.py -i /root/models/official/resnet -r /root/models/official/
　　其中main.py是迁移工具入口脚本，-i指定待迁移原始脚本路径，-r指定迁移报告存储路径。
　　3. 查看迁移报告。
　　在/root/models/official/output_npu_*下查看迁移后的脚本，在root/models/official/report_npu_*下查看迁移报告。
　　迁移报告示例如下：
　　手工迁移
　　手工迁移训练脚本主要包括如下迁移点：
　　1. 导入NPU库文件。from npu_bridge.npu_init import *
　　2. 将部分TensorFlow接口迁移成NPU接口。
　　例如，修改基于Horovod开发的分布式训练脚本，使能昇腾AI处理器的分布式训练。# Add Horovod Distributed Optimizer opt = hvd.DistributedOptimizer(opt) # Add hook to broadcast variables from rank 0 to all other processes during # initialization. hooks = [hvd.BroadcastGlobalVariablesHook(0)]
　　修改后：# NPU allreduce # 将hvd.DistributedOptimizer修改为npu_distributed_optimizer_wrapper＂ opt = npu_distributed_optimizer_wrapper(opt)    # Add hook to broadcast variables from rank 0 to all other processes during initialization. hooks = [NPUBroadcastGlobalVariablesHook(0)]
　　3. 通过配置关闭TensorFlow与NPU冲突的功能。
　　关闭TensorFlow中的remapping、xla等功能，避免与NPU中相关功能冲突。例如：config = tf.ConfigProto(allow_soft_placement=True) # 显式关闭remapping功能 config.graph_options.rewrite_options.remapping = RewriterConfig.OFF # 显示关闭memory_optimization功能 config.graph_options.rewrite_options.memory_optimization = RewriterConfig.OFF
　　4. 配置NPU相关参数
　　Ascend平台提供了功能调试、性能/精度调优等功能，用户可通过配置使能相关功能，例如enable_dump_debug配置，支持以下取值：True：开启溢出检测功能。False：关闭溢出检测功能。
　　配置示例：custom_op.parameter_map[＂enable_dump_debug＂].b = True模型训练
　　迁移成功后的脚本可在昇腾AI处理器上执行单Device训练，也可以在多个Device上执行分布式训练。单Device训练
　　1）配置训练进程启动依赖的环境变量。# 配置昇腾软件栈的基础环境变量，包括CANN、TF Adapter依赖的内容。 source /home/HwHiAiUser/Ascend/nnae/set_env.sh  source /home/HwHiAiUser/Ascend/tfplugin/set_env.sh # 添加当前脚本所在路径到PYTHONPATH，例如： export PYTHONPATH=＂$PYTHONPATH:/root/models＂ # 训练任务ID，用户自定义，不建议使用以0开始的纯数字 export JOB_ID=10066      # 指定昇腾AI处理器逻辑ID，单P训练也可不配置，默认为0，在0卡执行训练    export ASCEND_DEVICE_ID=0
　　2）执行训练脚本拉起训练进程。python3 /home/xxx.py分布式训练
　　分布式训练需要先配置参与训练的昇腾AI处理器的资源信息，然后再拉起训练进程。当前有两种配置资源信息的方式：通过配置文件（即ranktable文件）或者通过环境变量的方式。下面以配置文件的方式介绍分布式训练的操作。
　　1）准备配置文件。
　　配置文件（即ranktable文件）为json格式，示例如下：{ ＂server_count＂:＂1＂,  //AI server数目 ＂server_list＂: [    {         ＂device＂:[   // server中的device列表                        {                         ＂device_id＂:＂0＂,                          ＂device_ip＂:＂192.168.1.8＂,    // 处理器真实网卡IP                         ＂rank_id＂:＂0＂     // rank的标识，rankID从0开始                         },                         {                          ＂device_id＂:＂1＂,                          ＂device_ip＂:＂192.168.1.9＂,                           ＂rank_id＂:＂1＂                          }                   ],          ＂server_id＂:＂10.0.0.10＂   //server标识，以点分十进制表示IP字符串     } ], ＂status＂:＂completed＂,   // ranktable可用标识，completed为可用 ＂version＂:＂1.0＂         // ranktable模板版本信息,当前必须为＂1.0＂ }
　　2）执行分布式训练。
　　依次设置环境变量配置集群参数，并拉起训练进程。
　　拉起训练进程0：# 配置昇腾软件栈的基础环境变量，包括CANN、TF Adapter依赖的内容。 source /home/HwHiAiUser/Ascend/nnae/set_env.sh  source /home/HwHiAiUser/Ascend/tfplugin/set_env.sh export PYTHONPATH=/home/test:$PYTHONPATH export JOB_ID=10086 export ASCEND_DEVICE_ID=0 # 当前Device在集群中的唯一索引，与资源配置文件中的索引一致 export RANK_ID=0 # 参与分布式训练的Device数量 export RANK_SIZE=2 export RANK_TABLE_FILE=/home/test/rank_table_2p.json python3 /home/xxx.py
　　拉起训练进程1：# 配置昇腾软件栈的基础环境变量，包括CANN、TF Adapter依赖的内容。 source /home/HwHiAiUser/Ascend/nnae/set_env.sh  source /home/HwHiAiUser/Ascend/tfplugin/set_env.sh export PYTHONPATH=/home/test:$PYTHONPATH export JOB_ID=10086 export ASCEND_DEVICE_ID=1 # 当前Device在集群中的唯一索引，与资源配置文件中的索引一致 export RANK_ID=1 # 参与分布式训练的Device数量 export RANK_SIZE=2 export RANK_TABLE_FILE=/home/test/rank_table_2p.json python3 /home/xxx.py
　　以上就是TensorFlow模型迁移训练的相关知识点，您也可以在＂昇腾社区在线课程[2]＂板块学习视频课程，学习过程中的任何疑问，都可以在＂昇腾论坛[3]＂互动交流！相关参考：
　　[1]昇腾文档中心：https://www.hiascend.com/zh/document
　　[2]昇腾社区在线课程：https://www.hiascend.com/zh/edu/courses
　　[3]昇腾论坛：https://www.hiascend.com/forum
　　点击下方，第一时间了解华为云新鲜技术~
　　华为云博客_大数据博客_AI博客_云计算博客_开发者中心-华为云
　　#华为云开发者联盟#