Tensorflow 如何在google colab中使用TPU

Google colab在运行时加速器中引入了TPU。我找到了一个例子，如何在中使用TPU。但这个例子在谷歌合作实验室上不起作用。它卡在下面的线路上：

tf.contrib.tpu.keras_to_tpu_model(model, strategy=strategy)

当我打开colab时，它返回TPU加速器的

[]

。有人知道如何在colab上使用TPU吗

---

以下是一个特定于Colab的TPU示例：

关键线路是连接到TPU本身的线路：

# This address identifies the TPU we'll use when configuring TensorFlow.
TPU_WORKER = 'grpc://' + os.environ['COLAB_TPU_ADDR']

...

tpu_model = tf.contrib.tpu.keras_to_tpu_model(
training_model,
strategy=tf.contrib.tpu.TPUDistributionStrategy(
    tf.contrib.cluster_resolver.TPUClusterResolver(TPU_WORKER)))

---

（与GPU不同，TPU的使用需要与TPU worker的显式连接。因此，您需要调整培训和推理定义，以观察加速。）

我尝试使用TPU运行时使用keras培训模型，但速度非常慢。GPU运行时在2分钟内培训的内容，TPU运行时在58分钟内培训的内容。我也在等待修复。要使用TPU，uou需要使用下面答案中的配方显式连接到它。（不幸的是，TPU的使用不像GPU那样是自动的。）谢谢你的回答。我添加了TPU_工作线并解决了运行错误。但是我没有得到任何显著的改善。太慢了。我的建议是问一个单独的问题，其中包括你笔记本的链接。通常，现有模型需要进行一些调整以加快速度，并且很容易在CPU而不是TPU上执行关键操作的情况下结束。谢谢，这是我代码中的一个错误，与TPU无关。此示例仅说明如何在keras上执行此操作。“纯”tensorflow或pytorch有什么可能的方法吗？我注意到，与CPU和TPU相比，GPU环境下的网络速度更快。我注意到从Kaggle下载数据集。