从 GCS 向模型提供图像数据 (tfrecords) 的最佳方式是什么？

Question

我给自己设定了一个目标，即仅使用 Google 云解决 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

我看过很多他们如何将 csv 文件提供给他们的模型的示例，但没有图像数据的示例。

将所有 tfrecords 复制到 Google 云 Shell 这样我就可以像这样将数据输入我的模型是否明智？或者有什么更好的方法吗？

提前致谢。

Answer 1

如果您使用的是 Kubeflow，我建议您使用 kubeflow 管道。

对于预处理，您可以使用构建在标准管道数据流图像 gcr.io/ml-pipeline/ml-pipeline-dataflow-tft:latest 之上的图像，您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"]

请参阅此 boilerplate 以了解执行此操作的数据流代码。这个想法是将 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，您也可以从图像 google/cloud-sdk:latest 开始，基本上可以使用 bash 脚本复制所需的文件，该脚本将运行执行 gcloud 命令以开始训练作业。

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)

查看此 blog post 以了解类似（更复杂）kubeflow 管道的实际实现

从 GCS 向模型提供图像数据 (tfrecords) 的最佳方式是什么？

What is the best way to feed image data (tfrecords) from GCS to your model?

google-cloud-storage

google-cloud-platform

google-kubernetes-engine

kubeflow