问题标签 [google-cloud-tpu]

我已尝试按照以下链接遵循 Google TPU 设置的快速入门。

https://cloud.google.com/tpu/docs/quickstart

当我在谷歌云 shell 中运行“ctpu up”时，它显示以下错误。

即使我尝试 ssh 到新创建的虚拟机，我也无法运行这些示例代码。

这是上述教程中使用官方 google 环境设置的第一步，但也失败了。

如果有任何遗漏的步骤，有人可以帮忙建议吗？

非常感谢

我尝试从 tensorflow git：mnist_tpu运行此代码

但我一直收到以下错误：

我不知道 create_model 方法是在哪里定义的。我觉得文档仍然缺少一些信息。

有任何想法吗？提前致谢。

我正在尝试训练模型并使用 tf.contrib.data.batch_and_drop_remainder 来准备我的数据集。当我运行 estimator.train 时，出现以下错误：

NotFoundError：在 n-be8b2535-w-0 上运行的二进制文件中未注册操作类型“BatchDatasetV2”。确保在此进程中运行的二进制文件中注册了 Op 和 Kernel。请注意，如果您正在加载使用来自 tf.contrib 的操作的已保存图， tf.contrib.resampler则应在导入图之前完成访问（例如），因为首次访问模块时会延迟注册 contrib 操作。

我不是试图从保存的图表中运行，我确保我使用的是新的 model_dir。我该如何解决？这只发生在我在 TPU 上运行时。在 CPU 上运行工作正常。

use_tpu=False我正在尝试首先在 CPU 上本地使用 TPUEstimator 运行模型，以通过设置估计器初始化来验证它是否有效。运行火车时出现此错误。

InternalError: failed to synchronously memcpy host-to-device: host 0x7fcc7e4d4000 to device 0x1deffc002 size 4096: Failed precondition: Unable to enqueue when not opened, queue: [0000:00:04.0 PE0 C0 MC0 TN0 Queue HBM_WRITE]. State is: CLOSED [[Node: optimizer/gradients/neural_network/fully_connected_2/BiasAdd_grad/BiasAddGrad_G14 = _Recv[client_terminated=false, recv_device="/job:worker/replica:0/task:0/device:TPU:0", send_device="/job:worker/replica:0/task:0/device:CPU:0", send_device_incarnation=-7832507818616568453, tensor_name="edge_42_op...iasAddGrad", tensor_type=DT_FLOAT, _device="/job:worker/replica:0/task:0/device:TPU:0"]()]]

正如它所说，它看起来仍在尝试使用 TPU recv_device="/job:worker/replica:0/task:0/device:TPU:0"。use_tpu为什么设置为 False时尝试使用 TPU ？

运行以下代码时出现上述错误：env:windows10+jupyter notebook+tensorflow1.9+python3.6

我想将 create_model 函数重写为Keras 功能 API。在 TPU 上运行它，但是当我翻译它时，它给了我一个关于在 create_method 函数中使用占位符的错误。在原始示例中，作者没有将显式占位符放入 create_method 函数中。我正在使用 Keras 输入函数，因为我需要实例化一个 Keras 张量才能开始，显然这是一个占位符。有没有办法摆脱我的 create_method 函数中的占位符？

这是我的代码片段：

当我从提供的 MNIST TPU 代码创建它时，我收到错误

进料口外的占位符

但是如果没有顺序代码中的占位符，我也无法运行它，或者有没有办法做到这一点？

我一直在学习有关Tensorflow 对象检测 API的本教程，并且我已经使用 Google 的 Cloud TPU 成功地训练了我自己的对象检测模型。

然而，问题是在 Tensorboard 上，我看到的每个图只有 2 个数据点（所以它只是绘制一条直线），如下所示：

...而我想看到更多像下面这样的“粒度”图，这些图更详细：

我一直在关注的教程承认这个问题是由于 TPU 训练需要很少的训练步骤而引起的：

请注意，这些图表仅绘制了 2 个点，因为模型只需很少的步骤即可快速训练（如果您之前使用过 TensorBoard，您可能会习惯在此处看到更多曲线）

我尝试save_checkpoints_steps=50在文件中添加model_tpu_main.py（见下面的代码片段），当我重新运行训练时，我能够得到更精细的图，每 300 步左右有 1 个数据点。

然而，我的训练工作实际上是每 100 步保存一个检查点，而不是每 300 步。查看日志，我的评估工作每 300 步运行一次。有没有办法让我的评估工作每 100 步运行一次（只要有新的检查点），这样我就可以在 Tensorboard 上获得更精细的图？

我正在尝试使用我自己的 .tfrecord 数据文件在 TPU 上运行带有 Python 2.7 的模型，并且我的所有代码都会编译，但是当 TPU 开始发挥它的魔力时，我不知道幕后发生了什么。

有没有办法使用 tf.debugger 或类似的东西来跟踪幕后发生的事情？

这是我收到的唯一错误消息：

谢谢！

我有一些用 tf.Session 低级 API 编写的代码，因为我想在 TPU 上使用它，所以最好将它重写为 tf.Estimator API，因为有一个用于 TPU 加速的 TPUEstimator 类。

有没有标准的方法来做到这一点或如何处理这个问题的指南？

谢谢你的帮助！

我删除了旧的云 TPU 实例，并想用ctpu up --preemptible. 但现在它需要一个随附 VM 映像的规范，因为我收到以下错误消息：

创建 TPU 项目名称！无法在没有基础映像的情况下创建 Compute Engine 实例

当我设置其他实例时，我认为我没有遇到这个问题。无论如何，我找不到任何标志来设置图像。我在 cloud shell 和使用另一个 TPU 区域时得到了相同的结果。这是我的配置：