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之上的图像gcr.io/ml-pipeline/ml-pipeline-dataflow-tft:latest
,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"]
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,您也可以从图像开始google/cloud-sdk:latest
,基本上使用 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给模型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