TensorFlow.org पर देखें

Google Colab में चलाएँ

GitHub पर देखें

नोटबुक डाउनलोड करें

कागल में भागो

इस उदाहरण में हम वाइड, डीप और क्रॉस नेटवर्क के साथ संरचित डेटा लर्निंग में पेश किए गए ट्यून करने योग्य मॉडल के आधार पर एक वाइड और डीप मॉडल को ट्यून करने के लिए क्लाउड ट्यूनर और Google क्लाउड का उपयोग करेंगे। इस उदाहरण में हम CAIIS डॉगफ़ूड डे के डेटा सेट का उपयोग करेंगे

आवश्यक मॉड्यूल आयात करें

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'

प्रोजेक्ट कॉन्फ़िगरेशन

प्रोजेक्ट पैरामीटर सेट करना. Google क्लाउड विशिष्ट मापदंडों पर अधिक विवरण के लिए कृपया Google क्लाउड प्रोजेक्ट सेटअप निर्देश देखें।

# 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")

आपके Google क्लाउड प्रोजेक्ट का उपयोग करने के लिए नोटबुक को प्रमाणित किया जा रहा है

कागल नोटबुक के लिए नीचे सेल चलाने से पहले "ऐड-ऑन" -> "Google क्लाउड एसडीके" पर क्लिक करें।

# 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

डेटा लोड करें

कच्चे डेटा को पढ़ें और डेटा सेट को प्रशिक्षित और परीक्षण करने के लिए विभाजित करें। इस चरण के लिए आपको डेटासेट को अपने जीसीएस बकेट में कॉपी करना होगा ताकि प्रशिक्षण के दौरान इसे एक्सेस किया जा सके। इस उदाहरण के लिए हम https://www.kaggle.com/c/caiis-dogfood-day-2020 से डेटासेट का उपयोग कर रहे हैं

ऐसा करने के लिए आप डेटासेट को अपने GCS बकेट में डाउनलोड और कॉपी करने के लिए निम्नलिखित कमांड चला सकते हैं, या डेटासेट vi Kaggle UI को मैन्युअल रूप से डाउनलोड कर सकते हैं और अपने GCS बकेट vi GCS UI पर train.csv फ़ाइल अपलोड कर सकते हैं।

# 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)

डेटा को प्रीप्रोसेस करें

श्रेणीबद्ध और संख्यात्मक इनपुट डेटा के लिए प्रीप्रोसेसिंग परतें स्थापित करना। प्रीप्रोसेसिंग परतों के बारे में अधिक जानकारी के लिए कृपया प्रीप्रोसेसिंग परतों के साथ काम करना देखें।

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)

मॉडल आर्किटेक्चर और हाइपरपैरामीटर को परिभाषित करें

इस अनुभाग में हम केरस ट्यूनर हाइपर पैरामीटर्स और एक मॉडल-बिल्डिंग फ़ंक्शन का उपयोग करके अपने ट्यूनिंग पैरामीटर्स को परिभाषित करते हैं। मॉडल-बिल्डिंग फ़ंक्शन एक तर्क hp लेता है जिससे आप हाइपरपैरामीटर का नमूना ले सकते हैं, जैसे hp.Int('units', min_value=32, max_value=512,step=32) (एक निश्चित सीमा से एक पूर्णांक)।

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

क्लाउड ट्यूनर कॉन्फ़िगर करें

इस अनुभाग में हम दूरस्थ और स्थानीय निष्पादन दोनों के लिए क्लाउड ट्यूनर को कॉन्फ़िगर करते हैं। दोनों के बीच मुख्य अंतर वितरण रणनीति का है।

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)

दूरस्थ प्रशिक्षण प्रारंभ करें

यह चरण दूरस्थ निष्पादन के लिए इस नोटबुक से आपका कोड तैयार करेगा और मॉडल को प्रशिक्षित करने के लिए दूरस्थ रूप से NUM_JOBS समानांतर रन शुरू करेगा। एक बार नौकरियां सबमिट हो जाने के बाद आप टेन्सरबोर्ड के माध्यम से नौकरियों की प्रगति की निगरानी करने के लिए अगले चरण पर जा सकते हैं।

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
)

प्रशिक्षण परिणाम

अपने Colab इंस्टेंस को पुनः कनेक्ट करें

अधिकांश दूरस्थ प्रशिक्षण नौकरियाँ लंबे समय तक चलने वाली होती हैं, यदि आप कोलाब का उपयोग कर रहे हैं तो प्रशिक्षण परिणाम उपलब्ध होने से पहले ही समय समाप्त हो सकता है। उस स्थिति में, प्रशिक्षण परिणामों तक पहुँचने के लिए अपने Colab इंस्टेंस को फिर से कनेक्ट और कॉन्फ़िगर करने के लिए निम्नलिखित अनुभागों को फिर से चलाएँ। निम्नलिखित अनुभागों को क्रम से चलाएँ:

1. आवश्यक मॉड्यूल आयात करें
2. प्रोजेक्ट कॉन्फ़िगरेशन
3. आपके Google क्लाउड प्रोजेक्ट का उपयोग करने के लिए नोटबुक को प्रमाणित किया जा रहा है

टेंसरबोर्ड लोड करें

जब प्रशिक्षण चल रहा हो तो आप परिणाम देखने के लिए टेन्सरबोर्ड का उपयोग कर सकते हैं। ध्यान दें कि परिणाम आपका प्रशिक्षण शुरू होने के बाद ही दिखाई देंगे। इसमें कुछ मिनट का समय लगेगा।

%load_ext tensorboard
%tensorboard --logdir $TENSORBOARD_LOGS_DIR

आप निम्नानुसार प्रशिक्षण संपत्तियों तक पहुंच सकते हैं। ध्यान दें कि परिणाम आपके ट्यूनिंग कार्य के कम से कम एक बार परीक्षण पूरा होने के बाद ही दिखाई देंगे। इसमें कुछ मिनट का समय लगेगा।

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)