NVIDIA Jetson Nano 2GB 系列文章(57):视觉类脚本的环境配置...
在 TAO 提供的数据类范例中,每个脚本的第一个步骤都是环境配置( 0. Set up env variables and map drives ),包括要求用户提供在 NGC 所生成的密钥,对后面训练的模型进行保护,以及指定要使用的 GPU 数量等等,这几个设定都很直观容易处理,但接下去的环境变量配置部分,就让大部分初学者停滞不前,因为任何一项路径配置错误,都会影响后面工作的正常进行,而每个实验脚本所提供的说明,对初学者来的帮助并不大,很多新手按照其字面解释去进行设定,但总是没法调整到完全正确。
因此我们必须在大家执行实验之前,先以专文将这部分的配置说明清楚,然后提供一个最简单的步骤,让大家用最轻松的方法来进行配置。
本文使用范例的 detectnet_v2.ipynb 做示范,首先看一下第一指令块中的设定内容:
[]import os
%env KEY=tlt_encode
%env NUM_GPUS=1
%env USER_EXPERIMENT_DIR=/workspace/tao-experiments/detectnet_v2
%env DATA_DOWNLOAD_DIR=/workspace/tao-experiments/data
# %env NOTEBOOK_ROOT=~/tao-samples/detectnet_v2
os.environ["LOCAL_PROJECT_DIR"] = FIXME
os.environ["LOCAL_DATA_DIR"] = os.path.join(
os.getenv("LOCAL_PROJECT_DIR", os.getcwd()),
"data"
)
os.environ["LOCAL_EXPERIMENT_DIR"] = os.path.join(
os.getenv("LOCAL_PROJECT_DIR", os.getcwd()),
"detectnet_v2"
)
# The sample spec files are present in the same path as the downloaded samples.
os.environ["LOCAL_SPECS_DIR"] = os.path.join(
os.getenv("NOTEBOOK_ROOT", os.getcwd()),
"specs"
)
%env SPECS_DIR=/workspace/tao-experiments/detectnet_v2/specs
稍微整理一下,除了 KEY 与 NUM_GPUS 两个变量之外,共有7个与路径有关的变量:
[*]USER_EXPERIMENT_DIR
[*]DATA_DOWNLOAD_DIR
[*]LOCAL_PROJECT_DIR
[*]LOCAL_DATA_DIR
[*]LOCAL_EXPERIMENT_DIR
[*]LOCAL_SPECS_DIR
[*]SPECS_DIR
其实稍微整理一下就更容易理解,下表就是将这7个变量分为两组,以 “LOCAL_”开头的属于 “容器外” 用途,另外 3 个属于容器内用途。
用途
容器外(主机上)
容器内(沿用TLT的习惯)
项目工作位置
LOCAL_PROJECT_DIR
存放模型训练输出结果
LOCAL_EXPERIMENT_DIR
USER_EXPERIMENT_DIR
存放数据集的路径
LOCAL_DATA_DIR
DATA_DOWNLOAD_DIR
配置文件存放路径
LOCAL_SPECS_DIR
SPECS_DIR
什么是容器内与容器外?前面提过 TAO 用两套独立的 Docker 容器,分别为视觉类与对话类提供模型训练功能,并透过 TAO 启动器的 CLI 指令执行各项任务。
虽然我们所有操作都在容器外的宿主机上,例如在指令终端下达 “taodetectnet_v2train ...”,或者在 Jupyter 交互环境里执行 “!taodetectnet_v2 train ...” 指令,但是 TAO 启动器会将这些指令传递到容器,在后台为我们执行对应的任务。
这种处理方式的最大好处是,让不懂 Docker 的初学者完全无需理会容器技术,只要专注于 “模型训练” 的重点工作就行,如此就能让 TAO 的普及程度更快与更广,这也是 TAO 工具的一项非常重要意义。
但为何需要使用两套路径来处理呢?全部都在容器内执行不是更加简单?这里有个最严肃的问题是 “容器的生命周期” ,如果将数据保留在容器内处理的话,一旦容器关闭或销毁时,我们所有实验数据都将付之一炬,这是一项大家都承担不起的风险,因此我们必须将所有的数据存放在容器外面,然后透过路径映射 (mapping) 的方式来处理。
其次就是对于数据整理与文件修改的能力,在容器内操作是相对不方便的。要知道在执行模型训练之前,通常得先下载数据集的压缩文件、移动文件、进行解压缩、修改配置文件等等,这些任务在宿主机上操作是相对轻松的。
好了,当我们清楚 TAO 的视觉类模型训练脚本中,存在容器内与容器外两组环境路径的原因之后,接着就来看该如何设置与映射。
我们将前面的列表进行展开,前面 4 个是容器外的变量、后面 3 个是容器内变量:
环境变量
设定值
LOCAL_PROJECT_DIR
需要设置
LOCAL_EXPERIMENT_DIR
$LOCAL_PROJECT_DIR/<项目名>
LOCAL_DATA_DIR
$LOCAL_PROJECT_DIR/data
LOCAL_SPECS_DIR
<执行脚本所在目录>/specs
USER_EXPERIMENT_DIR
/workspace/tao-experiments/<项目名>
DATA_DOWNLOAD_DIR
/workspace/tao-experiments/data
SPECS_DIR
/workspace/tao-experiments/<项目名>/specs
假如在执行格内的变量按照上表的顺序去排列,事情就会变得非常单纯。
事实上,从头到尾我们只要将 “LOCAL_PROJECT_DIR” 设置为”执行脚本所在目录”,那么后面三个容器外变量就立即建立好对应关系,我们完全不需要做任何处理理会。至于容器内的三个变量,每个脚本的配置规则都是一样,也就是不需要去改变。
把上面的对应关系了解清楚之后,整个状况就变得非常简单,现在回头看看第一个指令块,里面需要输入的变量其实只有以下三个:
[*]%env KEY= <自己在NGC上申请的秘钥>
[*]%env NUM_GPUS= <根据设备配置,给定调用的GPU数量>
[*]os.environ["LOCAL_PROJECT_DIR"] = os.getcwd()
其他 6 个变量完全不做任何修改,这样就能够顺畅地跑动后面的指令块。
接下去的工作就是执行 “路径映射” 任务,为容器内外的路径建立对应的关系。几乎所有训练脚本都采用下面的映射方式:
[]# Define the dictionary with the mapped drives
drive_map = {
"Mounts": [
# Mapping the data directory
{
"source": os.environ["LOCAL_PROJECT_DIR"],
"destination": "/workspace/tao-experiments"
},
# Mapping the specs directory.
{
"source": os.environ["LOCAL_SPECS_DIR"],
"destination": os.environ["SPECS_DIR"]
},
]
}
执行这个路径映射的指令块之后,会将这些值写入“~/.tao_mounts.json” 文件里面,这是 TAO 启动器每次调用容器时都需要参考的配置文件,但是这个文件是 “唯一” 的,也就是同一时间只会存在一组容器内外的路径映射关系,这表示系统不能同时执行两个以上的模型训练脚本,这点也请务必牢记。
紧跟着的 “1.Install the TAO launcher” 步骤可以直接跳过,因为我们在前面已经带着大家安装好 TAO 启动器,这里顶多执行 “!taoinfo” 指令,确认一下是否回应正确讯息。
现在就可以开始进行 TAO 所提供的各种神经网络的模型训练脚本。
厉害厉害 赞赞赞赞赞
页:
[1]