TensorFlow.org এ দেখুন

Google Colab-এ চালান

GitHub এ দেখুন

নোটবুক ডাউনলোড করুন

কাগলে চালান

এই উদাহরণে আমরা ক্লাউডটিউনার এবং Google ক্লাউড ব্যবহার করব ওয়াইড, ডিপ এবং ক্রস নেটওয়ার্কের সাথে স্ট্রাকচার্ড ডেটা লার্নিংয়ে প্রবর্তিত টিউনেবল মডেলের উপর ভিত্তি করে একটি ওয়াইড এবং ডিপ মডেল টিউন করতে। এই উদাহরণে আমরা CAIIS ডগফুড ডে থেকে সেট করা ডেটা ব্যবহার করব

প্রয়োজনীয় মডিউল আমদানি করুন

import datetime
import uuid

import numpy as np
import pandas as pd
import tensorflow as tf
import os
import sys
import subprocess

from tensorflow.keras import datasets, layers, models
from sklearn.model_selection import train_test_split

# Install the latest version of tensorflow_cloud and other required packages.
if os.environ.get("TF_KERAS_RUNNING_REMOTELY", True):
    subprocess.run(
        ['python3', '-m', 'pip', 'install', 'tensorflow-cloud', '-q'])
    subprocess.run(
        ['python3', '-m', 'pip', 'install', 'google-cloud-storage', '-q'])
    subprocess.run(
        ['python3', '-m', 'pip', 'install', 'fsspec', '-q'])
    subprocess.run(
        ['python3', '-m', 'pip', 'install', 'gcsfs', '-q'])

import tensorflow_cloud as tfc
print(tfc.__version__)

0.1.15

tf.version.VERSION

'2.6.0'

প্রকল্প কনফিগারেশন

প্রকল্পের পরামিতি সেট করা। Google ক্লাউড নির্দিষ্ট প্যারামিটার সম্পর্কে আরও বিশদ বিবরণের জন্য অনুগ্রহ করে Google ক্লাউড প্রকল্প সেটআপ নির্দেশাবলী পড়ুন।

# Set Google Cloud Specific parameters

# TODO: Please set GCP_PROJECT_ID to your own Google Cloud project ID.
GCP_PROJECT_ID = 'YOUR_PROJECT_ID' 

# TODO: Change the Service Account Name to your own Service Account
SERVICE_ACCOUNT_NAME = 'YOUR_SERVICE_ACCOUNT_NAME'
SERVICE_ACCOUNT = f'{SERVICE_ACCOUNT_NAME}@{GCP_PROJECT_ID}.iam.gserviceaccount.com'

# TODO: set GCS_BUCKET to your own Google Cloud Storage (GCS) bucket.
GCS_BUCKET = 'YOUR_GCS_BUCKET_NAME'

# DO NOT CHANGE: Currently only the 'us-central1' region is supported.
REGION = 'us-central1'

# Set Tuning Specific parameters

# OPTIONAL: You can change the job name to any string.
JOB_NAME = 'wide_and_deep'

# OPTIONAL: Set Number of concurrent tuning jobs that you would like to run.
NUM_JOBS = 5

# TODO: Set the study ID for this run. Study_ID can be any unique string.
# Reusing the same Study_ID will cause the Tuner to continue tuning the
# Same Study parameters. This can be used to continue on a terminated job,
# or load stats from a previous study.
STUDY_NUMBER = '00001'
STUDY_ID = f'{GCP_PROJECT_ID}_{JOB_NAME}_{STUDY_NUMBER}'

# Setting location were training logs and checkpoints will be stored
GCS_BASE_PATH = f'gs://{GCS_BUCKET}/{JOB_NAME}/{STUDY_ID}'
TENSORBOARD_LOGS_DIR = os.path.join(GCS_BASE_PATH,"logs")

আপনার Google ক্লাউড প্রকল্প ব্যবহার করার জন্য নোটবুক প্রমাণীকরণ করা হচ্ছে

Kaggle নোটবুকের জন্য নিচের সেলটি চালানোর আগে "Add-ons"->"Google Cloud SDK"-এ ক্লিক করুন।

# Using tfc.remote() to ensure this code only runs in notebook
if not tfc.remote():

    # Authentication for Kaggle Notebooks
    if "kaggle_secrets" in sys.modules:
        from kaggle_secrets import UserSecretsClient
        UserSecretsClient().set_gcloud_credentials(project=GCP_PROJECT_ID)

    # Authentication for Colab Notebooks
    if "google.colab" in sys.modules:
        from google.colab import auth
        auth.authenticate_user()
        os.environ["GOOGLE_CLOUD_PROJECT"] = GCP_PROJECT_ID

ডেটা লোড করুন

কাঁচা ডেটা পড়ুন এবং ডেটা সেটগুলিকে প্রশিক্ষণ ও পরীক্ষা করতে বিভক্ত করুন। এই ধাপের জন্য আপনাকে আপনার GCS বালতিতে ডেটাসেটটি অনুলিপি করতে হবে যাতে প্রশিক্ষণের সময় এটি অ্যাক্সেস করা যায়। এই উদাহরণের জন্য আমরা https://www.kaggle.com/c/caiis-dogfood-day-2020 থেকে ডেটাসেট ব্যবহার করছি

এটি করার জন্য আপনি আপনার GCS বালতিতে ডেটাসেট ডাউনলোড এবং অনুলিপি করতে নিম্নলিখিত কমান্ডগুলি চালাতে পারেন, অথবা Kaggle UI vi ডেটাসেটটি ম্যানুয়ালি ডাউনলোড করতে পারেন এবং আপনার GCS বাকেট vi GCS UI এ train.csv ফাইল আপলোড করতে পারেন।

# Download the dataset
kaggle competitions download -c caiis-dogfood-day-2020

# Copy the training file to your bucket
gsutil cp ./caiis-dogfood-day-2020/train.csv $GCS_BASE_PATH/caiis-dogfood-day-2020/train.csv

train_URL = f'{GCS_BASE_PATH}/caiis-dogfood-day-2020/train.csv'
data = pd.read_csv(train_URL)
train, test = train_test_split(data, test_size=0.1)

# A utility method to create a tf.data dataset from a Pandas Dataframe
def df_to_dataset(df, shuffle=True, batch_size=32):
  df = df.copy()
  labels = df.pop('target')
  ds = tf.data.Dataset.from_tensor_slices((dict(df), labels))
  if shuffle:
    ds = ds.shuffle(buffer_size=len(df))
  ds = ds.batch(batch_size)
  return ds

sm_batch_size = 1000  # A small batch size is used for demonstration purposes
train_ds = df_to_dataset(train, batch_size=sm_batch_size)
test_ds = df_to_dataset(test, shuffle=False, batch_size=sm_batch_size)

ডেটা প্রিপ্রসেস করুন

শ্রেণীবদ্ধ এবং সংখ্যাসূচক ইনপুট ডেটার জন্য প্রিপ্রসেসিং স্তর সেট আপ করা। প্রিপ্রসেসিং লেয়ার সম্পর্কে আরও বিস্তারিত জানার জন্য অনুগ্রহ করে প্রিপ্রসেসিং লেয়ারগুলির সাথে কাজ করুন ।

from tensorflow.keras.layers.experimental import preprocessing

def create_model_inputs():
    inputs ={}
    for name, column in data.items():
        if name in ('id','target'):
            continue
        dtype = column.dtype
        if dtype == object:
            dtype = tf.string
        else:
            dtype = tf.float32

        inputs[name] = tf.keras.Input(shape=(1,), name=name, dtype=dtype)

    return inputs

#Preprocessing the numeric inputs, and running them through a normalization layer.
def preprocess_numeric_inputs(inputs):

    numeric_inputs = {name:input for name,input in inputs.items()
                      if input.dtype==tf.float32}

    x = layers.Concatenate()(list(numeric_inputs.values()))
    norm = preprocessing.Normalization()
    norm.adapt(np.array(data[numeric_inputs.keys()]))
    numeric_inputs = norm(x)
    return numeric_inputs

# Preprocessing the categorical inputs.
def preprocess_categorical_inputs(inputs):
    categorical_inputs = []
    for name, input in inputs.items():
        if input.dtype == tf.float32:
            continue

        lookup = preprocessing.StringLookup(vocabulary=np.unique(data[name]))
        one_hot = preprocessing.CategoryEncoding(max_tokens=lookup.vocab_size())

        x = lookup(input)
        x = one_hot(x)
        categorical_inputs.append(x)

    return layers.concatenate(categorical_inputs)

মডেল আর্কিটেকচার এবং হাইপারপ্যারামিটার সংজ্ঞায়িত করুন

এই বিভাগে আমরা কেরাস টিউনার হাইপার প্যারামিটার এবং একটি মডেল-বিল্ডিং ফাংশন ব্যবহার করে আমাদের টিউনিং প্যারামিটারগুলি সংজ্ঞায়িত করি। মডেল-বিল্ডিং ফাংশনটি একটি আর্গুমেন্ট hp নেয় যেখান থেকে আপনি হাইপারপ্যারামিটারের নমুনা নিতে পারেন, যেমন hp.Int('units', min_value=32, max_value=512, step=32) (একটি নির্দিষ্ট পরিসর থেকে একটি পূর্ণসংখ্যা)।

import kerastuner

# Configure the search space
HPS = kerastuner.engine.hyperparameters.HyperParameters()
HPS.Float('learning_rate', min_value=1e-4, max_value=1e-2, sampling='log')

HPS.Int('num_layers', min_value=2, max_value=5)
for i in range(5):
    HPS.Float('dropout_rate_' + str(i), min_value=0.0, max_value=0.3, step=0.1)
    HPS.Choice('num_units_' + str(i), [32, 64, 128, 256])

from tensorflow.keras import layers
from tensorflow.keras.optimizers import Adam


def create_wide_and_deep_model(hp):

    inputs = create_model_inputs()
    wide = preprocess_categorical_inputs(inputs)
    wide = layers.BatchNormalization()(wide)

    deep = preprocess_numeric_inputs(inputs)
    for i in range(hp.get('num_layers')):
        deep = layers.Dense(hp.get('num_units_' + str(i)))(deep)
        deep = layers.BatchNormalization()(deep)
        deep = layers.ReLU()(deep)
        deep = layers.Dropout(hp.get('dropout_rate_' + str(i)))(deep)

    both = layers.concatenate([wide, deep])
    outputs = layers.Dense(1, activation='sigmoid')(both)
    model = tf.keras.Model(inputs=inputs, outputs=outputs)
    metrics = [
        tf.keras.metrics.Precision(name='precision'),
        tf.keras.metrics.Recall(name='recall'),
        'accuracy',
        'mse'
    ]

    model.compile(
        optimizer=Adam(lr=hp.get('learning_rate')),
        loss='binary_crossentropy',
        metrics=metrics)
    return model

একটি ক্লাউড টিউনার কনফিগার করুন

এই বিভাগে আমরা দূরবর্তী এবং স্থানীয় উভয় সম্পাদনের জন্য ক্লাউড টিউনার কনফিগার করি। দুটির মধ্যে প্রধান পার্থক্য হল বিতরণ কৌশল।

from tensorflow_cloud import CloudTuner

distribution_strategy = None
if not tfc.remote():
    # Using MirroredStrategy to use a single instance with multiple GPUs
    # during remote execution while using no strategy for local.
    distribution_strategy = tf.distribute.MirroredStrategy()

tuner = CloudTuner(
    create_wide_and_deep_model,
    project_id=GCP_PROJECT_ID,
    project_name=JOB_NAME,
    region=REGION,
    objective='accuracy',
    hyperparameters=HPS,
    max_trials=100,
    directory=GCS_BASE_PATH,
    study_id=STUDY_ID,
    overwrite=True,
    distribution_strategy=distribution_strategy)

# Configure Tensorboard logs
callbacks=[
    tf.keras.callbacks.TensorBoard(log_dir=TENSORBOARD_LOGS_DIR)]

# Setting to run tuning remotely, you can run tuner locally to validate it works first.
if tfc.remote():
    tuner.search(train_ds, epochs=20, validation_data=test_ds, callbacks=callbacks)

# You can uncomment the code below to run the tuner.search() locally to validate
# everything works before submitting the job to Cloud. Stop the job manually
# after one epoch.

# else:
#     tuner.search(train_ds, epochs=1, validation_data=test_ds, callbacks=callbacks)

দূরবর্তী প্রশিক্ষণ শুরু করুন

এই ধাপটি এই নোটবুক থেকে আপনার কোড রিমোট এক্সিকিউশনের জন্য প্রস্তুত করবে এবং মডেলটিকে প্রশিক্ষিত করার জন্য দূরবর্তীভাবে NUM_JOBS সমান্তরাল রান শুরু করবে। চাকরি জমা দেওয়ার পরে আপনি টেনসরবোর্ডের মাধ্যমে কাজের অগ্রগতি নিরীক্ষণ করতে পরবর্তী ধাপে যেতে পারেন।

tfc.run_cloudtuner(
    distribution_strategy='auto',
    docker_config=tfc.DockerConfig(
        image_build_bucket=GCS_BUCKET
        ),
    chief_config=tfc.MachineConfig(
        cpu_cores=16,
        memory=60,
    ),
    job_labels={'job': JOB_NAME},
    service_account=SERVICE_ACCOUNT,
    num_jobs=NUM_JOBS
)

প্রশিক্ষণ ফলাফল

আপনার Colab ইন্সট্যান্স আবার কানেক্ট করুন

বেশিরভাগ দূরবর্তী প্রশিক্ষণের কাজগুলি দীর্ঘস্থায়ী হয়, আপনি যদি Colab ব্যবহার করেন তবে প্রশিক্ষণের ফলাফল পাওয়া যাওয়ার আগেই এটির সময় শেষ হয়ে যেতে পারে। সেক্ষেত্রে প্রশিক্ষণের ফলাফলগুলি অ্যাক্সেস করতে আপনার Colab ইন্সট্যান্স পুনরায় সংযোগ এবং কনফিগার করতে নিম্নলিখিত বিভাগগুলি পুনরায় চালান। ক্রমানুসারে নিম্নলিখিত বিভাগগুলি চালান:

1. প্রয়োজনীয় মডিউল আমদানি করুন
2. প্রকল্প কনফিগারেশন
3. আপনার Google ক্লাউড প্রকল্প ব্যবহার করার জন্য নোটবুক প্রমাণীকরণ করা হচ্ছে

টেনসরবোর্ড লোড করুন

প্রশিক্ষণ চলাকালীন আপনি ফলাফল দেখতে টেনসরবোর্ড ব্যবহার করতে পারেন। মনে রাখবেন আপনার প্রশিক্ষণ শুরু হওয়ার পরেই ফলাফল দেখাবে। এটি কয়েক মিনিট সময় নিতে পারে।

%load_ext tensorboard
%tensorboard --logdir $TENSORBOARD_LOGS_DIR

আপনি নিম্নলিখিত হিসাবে প্রশিক্ষণ সম্পদ অ্যাক্সেস করতে পারেন. লক্ষ্য করুন আপনার টিউনিং কাজ অন্তত একবার ট্রায়াল শেষ হওয়ার পরেই ফলাফলগুলি দেখাবে৷ এটি কয়েক মিনিট সময় নিতে পারে।

if not tfc.remote():
    tuner.results_summary(1)
    best_model = tuner.get_best_models(1)[0]
    best_hyperparameters = tuner.get_best_hyperparameters(1)[0]

    # References to best trial assets
    best_trial_id = tuner.oracle.get_best_trials(1)[0].trial_id
    best_trial_dir = tuner.get_trial_dir(best_trial_id)