将图像数据 (tfrecords) 从 GCS 馈送到模型的最佳方式是什么?

Question

我给自己设定了一个目标，只用谷歌云来解决MNIST皮肤癌数据集。

在Google Kubernetes上使用GCS和Kubeflow。

我使用以下脚本将数据从 jpeg 转换为 tfrecord：https://github.com/tensorflow/tpu/blob/master/tools/datasets/jpeg_to_tf_record.py

我看过很多例子，他们如何将csv文件提供给他们的模型，但没有图像数据的例子。

将所有

tfrecords 复制到 Google Cloud Shell 是否明智，以便我可以像这样将数据提供给我的模型？或者有没有更好的方法？

提前谢谢。

Answer 1

如果你正在使用 Kubeflow，我建议使用 kubeflow 管道。

对于预处理，可以使用基于标准管道数据流映像生成的映像gcr.io/ml-pipeline/ml-pipeline-dataflow-tft:latest只需复制数据流代码并运行它：

FROM gcr.io/ml-pipeline/ml-pipeline-dataflow-tft:latest
RUN mkdir /{folder}
COPY run_dataflow_pipeline.py /{folder}
ENTRYPOINT ["python", "/{folder}/run_dataflow_pipeline.py"]

有关执行此操作的数据流代码，请参阅此样板。这个想法是您将TF记录写入Google Cloud Storage（GCS）。

随后，您可以使用Google Cloud的ML引擎进行实际训练。在这种情况下，您也可以从映像google/cloud-sdk:latest开始，基本上可以使用 bash 脚本复制所需的文件，该脚本将运行以执行 gcloud 命令以启动训练作业。

FROM google/cloud-sdk:latest
RUN mkdir -p /{src} && 
    cd /{src} 
COPY train.sh ./
ENTRYPOINT ["bash", "./train.sh"]

将 TF 记录的存储位置传递到模型中的一种优雅方法是使用 TF.data：

# Construct a TFRecordDataset
train_records = [os.path.join('gs://{BUCKET_NAME}/', f.name) for f in
                 bucket.list_blobs(prefix='data/TFR/train')]
validation_records = [os.path.join('gs://{BUCKET_NAME}/', f.name) for f in
                      bucket.list_blobs(prefix='data/TFR/validation')]
ds_train = tf.data.TFRecordDataset(train_records, num_parallel_reads=4).map(decode)
ds_val = tf.data.TFRecordDataset(validation_records,num_parallel_reads=4).map(decode)
# potential additional steps for performance: 
# https://www.tensorflow.org/guide/performance/datasets)
# Train the model
model.fit(ds_train,
          validation_data=ds_val,
          ...,
          verbose=2)

查看这篇博文，了解类似（更复杂的）kubeflow 管道的实际实现