Weź udział w sympozjum Women in ML 7 grudnia Zarejestruj się teraz

Punkty kontrolne szkolenia

Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

Zobacz na TensorFlow.org Uruchom w Google Colab Wyświetl źródło na GitHub Pobierz notatnik

Wyrażenie „Zapisywanie modelu TensorFlow” zazwyczaj oznacza jedną z dwóch rzeczy:

  1. Punkty kontrolne, OR
  2. Zapisany Model.

Punkty kontrolne przechwytują dokładną wartość wszystkich parametrów (obiekty tf.Variable ) używanych przez model. Punkty kontrolne nie zawierają żadnego opisu obliczeń zdefiniowanych przez model i dlatego są zwykle przydatne tylko wtedy, gdy dostępny jest kod źródłowy, który będzie używał zapisanych wartości parametrów.

Z drugiej strony format SavedModel zawiera zserializowany opis obliczeń zdefiniowanych przez model oprócz wartości parametrów (punkt kontrolny). Modele w tym formacie są niezależne od kodu źródłowego, który utworzył model. Dzięki temu nadają się do wdrożenia za pośrednictwem TensorFlow Serving, TensorFlow Lite, TensorFlow.js lub programów w innych językach programowania (C, C++, Java, Go, Rust, C# itp. API TensorFlow).

Ten przewodnik obejmuje interfejsy API do zapisywania i odczytywania punktów kontrolnych.

Ustawiać

import tensorflow as tf
class Net(tf.keras.Model):
  """A simple linear model."""

  def __init__(self):
    super(Net, self).__init__()
    self.l1 = tf.keras.layers.Dense(5)

  def call(self, x):
    return self.l1(x)
net = Net()

Oszczędzanie z interfejsów API szkoleniowych tf.keras

Zobacz przewodnik tf.keras dotyczący zapisywania i przywracania .

tf.keras.Model.save_weights zapisuje punkt kontrolny TensorFlow.

net.save_weights('easy_checkpoint')

Pisanie punktów kontrolnych

Trwały stan modelu TensorFlow jest przechowywany w obiektach tf.Variable . Można je konstruować bezpośrednio, ale często są one tworzone za pomocą interfejsów API wysokiego poziomu, takich jak tf.keras.layers lub tf.keras.Model .

Najłatwiejszym sposobem zarządzania zmiennymi jest dołączanie ich do obiektów Pythona, a następnie odwoływanie się do tych obiektów.

Podklasy tf.train.Checkpoint , tf.keras.layers.Layer i tf.keras.Model automatycznie śledzą zmienne przypisane do ich atrybutów. Poniższy przykład konstruuje prosty model liniowy, a następnie zapisuje punkty kontrolne, które zawierają wartości dla wszystkich zmiennych modelu.

Możesz łatwo zapisać punkt kontrolny modelu za pomocą Model.save_weights .

Ręczne punkty kontrolne

Ustawiać

Aby pomóc zademonstrować wszystkie funkcje tf.train.Checkpoint , zdefiniuj zestaw danych zabawek i krok optymalizacji:

def toy_dataset():
  inputs = tf.range(10.)[:, None]
  labels = inputs * 5. + tf.range(5.)[None, :]
  return tf.data.Dataset.from_tensor_slices(
    dict(x=inputs, y=labels)).repeat().batch(2)
def train_step(net, example, optimizer):
  """Trains `net` on `example` using `optimizer`."""
  with tf.GradientTape() as tape:
    output = net(example['x'])
    loss = tf.reduce_mean(tf.abs(output - example['y']))
  variables = net.trainable_variables
  gradients = tape.gradient(loss, variables)
  optimizer.apply_gradients(zip(gradients, variables))
  return loss

Utwórz obiekty punktów kontrolnych

Użyj obiektu tf.train.Checkpoint , aby ręcznie utworzyć punkt kontrolny, w którym obiekty, które chcesz sprawdzić, są ustawione jako atrybuty obiektu.

tf.train.CheckpointManager może być również pomocny w zarządzaniu wieloma punktami kontrolnymi.

opt = tf.keras.optimizers.Adam(0.1)
dataset = toy_dataset()
iterator = iter(dataset)
ckpt = tf.train.Checkpoint(step=tf.Variable(1), optimizer=opt, net=net, iterator=iterator)
manager = tf.train.CheckpointManager(ckpt, './tf_ckpts', max_to_keep=3)

Trenuj i sprawdzaj model

Poniższa pętla szkoleniowa tworzy instancję modelu i optymalizatora, a następnie gromadzi je w obiekcie tf.train.Checkpoint . Wywołuje etap uczenia w pętli na każdej partii danych i okresowo zapisuje punkty kontrolne na dysku.

def train_and_checkpoint(net, manager):
  ckpt.restore(manager.latest_checkpoint)
  if manager.latest_checkpoint:
    print("Restored from {}".format(manager.latest_checkpoint))
  else:
    print("Initializing from scratch.")

  for _ in range(50):
    example = next(iterator)
    loss = train_step(net, example, opt)
    ckpt.step.assign_add(1)
    if int(ckpt.step) % 10 == 0:
      save_path = manager.save()
      print("Saved checkpoint for step {}: {}".format(int(ckpt.step), save_path))
      print("loss {:1.2f}".format(loss.numpy()))
train_and_checkpoint(net, manager)
Initializing from scratch.
Saved checkpoint for step 10: ./tf_ckpts/ckpt-1
loss 31.27
Saved checkpoint for step 20: ./tf_ckpts/ckpt-2
loss 24.68
Saved checkpoint for step 30: ./tf_ckpts/ckpt-3
loss 18.12
Saved checkpoint for step 40: ./tf_ckpts/ckpt-4
loss 11.65
Saved checkpoint for step 50: ./tf_ckpts/ckpt-5
loss 5.39

Przywróć i kontynuuj trening

Po pierwszym cyklu szkoleniowym możesz przekazać nowy model i menedżera, ale rozpocznij szkolenie dokładnie w miejscu, w którym je przerwałeś:

opt = tf.keras.optimizers.Adam(0.1)
net = Net()
dataset = toy_dataset()
iterator = iter(dataset)
ckpt = tf.train.Checkpoint(step=tf.Variable(1), optimizer=opt, net=net, iterator=iterator)
manager = tf.train.CheckpointManager(ckpt, './tf_ckpts', max_to_keep=3)

train_and_checkpoint(net, manager)
Restored from ./tf_ckpts/ckpt-5
Saved checkpoint for step 60: ./tf_ckpts/ckpt-6
loss 1.50
Saved checkpoint for step 70: ./tf_ckpts/ckpt-7
loss 1.27
Saved checkpoint for step 80: ./tf_ckpts/ckpt-8
loss 0.56
Saved checkpoint for step 90: ./tf_ckpts/ckpt-9
loss 0.70
Saved checkpoint for step 100: ./tf_ckpts/ckpt-10
loss 0.35

Obiekt tf.train.CheckpointManager usuwa stare punkty kontrolne. Powyżej jest skonfigurowany tak, aby zachować tylko trzy najnowsze punkty kontrolne.

print(manager.checkpoints)  # List the three remaining checkpoints
['./tf_ckpts/ckpt-8', './tf_ckpts/ckpt-9', './tf_ckpts/ckpt-10']

Te ścieżki, np './tf_ckpts/ckpt-10' , nie są plikami na dysku. Zamiast tego są prefiksami dla pliku index i jednego lub więcej plików danych, które zawierają wartości zmiennych. Te prefiksy są zgrupowane w pojedynczym pliku checkpoint ( './tf_ckpts/checkpoint' ), w którym CheckpointManager zapisuje swój stan.

ls ./tf_ckpts
checkpoint           ckpt-8.data-00000-of-00001  ckpt-9.index
ckpt-10.data-00000-of-00001  ckpt-8.index
ckpt-10.index            ckpt-9.data-00000-of-00001

Mechanika ładowania

TensorFlow dopasowuje zmienne do wartości w punktach kontrolnych, przemierzając ukierunkowany graf z nazwanymi krawędziami, zaczynając od ładowanego obiektu. Nazwy krawędzi zazwyczaj pochodzą od nazw atrybutów w obiektach, na przykład "l1" w self.l1 = tf.keras.layers.Dense(5) . tf.train.Checkpoint używa swoich nazw argumentów słów kluczowych, jak w "step" w tf.train.Checkpoint(step=...) .

Wykres zależności z powyższego przykładu wygląda tak:

Wizualizacja wykresu zależności dla przykładowej pętli treningowej

Optymalizator jest w kolorze czerwonym, zwykłe zmienne w kolorze niebieskim, a zmienne w boksie optymalizatora w kolorze pomarańczowym. Pozostałe węzły — na przykład reprezentujące tf.train.Checkpoint — są czarne.

Zmienne przedziałów są częścią stanu optymalizatora, ale są tworzone dla określonej zmiennej. Na przykład, krawędzie 'm' powyżej odpowiadają pędowi, który optymalizator Adam śledzi dla każdej zmiennej. Zmienne szczelin są zapisywane w punkcie kontrolnym tylko wtedy, gdy zmienna i optymalizator zostałyby zapisane, a więc krawędzie przerywane.

Wywołanie restore na obiekcie tf.train.Checkpoint kolejkuje żądane przywracania, przywracając wartości zmiennych, gdy tylko pojawi się pasująca ścieżka z obiektu Checkpoint . Na przykład można załadować tylko odchylenie z modelu zdefiniowanego powyżej, rekonstruując jedną ścieżkę do niego przez sieć i warstwę.

to_restore = tf.Variable(tf.zeros([5]))
print(to_restore.numpy())  # All zeros
fake_layer = tf.train.Checkpoint(bias=to_restore)
fake_net = tf.train.Checkpoint(l1=fake_layer)
new_root = tf.train.Checkpoint(net=fake_net)
status = new_root.restore(tf.train.latest_checkpoint('./tf_ckpts/'))
print(to_restore.numpy())  # This gets the restored value.
[0. 0. 0. 0. 0.]
[2.7209885 3.7588918 4.421351  4.1466427 4.0712557]

Wykres zależności dla tych nowych obiektów jest znacznie mniejszym podgrafem większego punktu kontrolnego, który napisałeś powyżej. Zawiera tylko odchylenie i licznik zapisywania, których tf.train.Checkpoint używa do numerowania punktów kontrolnych.

Wizualizacja podwykresu dla zmiennej obciążenia

restore zwraca obiekt statusu, który ma opcjonalne asercje. Wszystkie obiekty utworzone w nowym punkcie Checkpoint zostały przywrócone, więc status.assert_existing_objects_matched przechodzi.

status.assert_existing_objects_matched()
<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7f93a075b9d0>

W punkcie kontrolnym znajduje się wiele obiektów, które nie pasują, w tym jądro warstwy i zmienne optymalizatora. status.assert_consumed przechodzi tylko wtedy, gdy punkt kontrolny i program dokładnie pasują i zgłosi tutaj wyjątek.

Przywrócenia odroczone

Obiekty Layer w TensorFlow mogą odroczyć tworzenie zmiennych do ich pierwszego wywołania, gdy dostępne są kształty wejściowe. Na przykład kształt jądra warstwy Dense zależy zarówno od kształtów wejściowych, jak i wyjściowych warstwy, dlatego kształt wyjściowy wymagany jako argument konstruktora nie jest wystarczającą informacją do samodzielnego utworzenia zmiennej. Ponieważ wywołanie Layer również odczytuje wartość zmiennej, przywrócenie musi nastąpić między utworzeniem zmiennej a jej pierwszym użyciem.

Aby wesprzeć ten idiom, tf.train.Checkpoint odracza przywracanie, które nie ma jeszcze pasującej zmiennej.

deferred_restore = tf.Variable(tf.zeros([1, 5]))
print(deferred_restore.numpy())  # Not restored; still zeros
fake_layer.kernel = deferred_restore
print(deferred_restore.numpy())  # Restored
[[0. 0. 0. 0. 0.]]
[[4.5854754 4.607731  4.649179  4.8474874 5.121    ]]

Ręczne sprawdzanie punktów kontrolnych

tf.train.load_checkpoint zwraca CheckpointReader , który daje niższy poziom dostępu do zawartości punktu kontrolnego. Zawiera mapowania z klucza każdej zmiennej do kształtu i typu d dla każdej zmiennej w punkcie kontrolnym. Kluczem do zmiennej jest ścieżka jej obiektu, tak jak na powyższych wykresach.

reader = tf.train.load_checkpoint('./tf_ckpts/')
shape_from_key = reader.get_variable_to_shape_map()
dtype_from_key = reader.get_variable_to_dtype_map()

sorted(shape_from_key.keys())
['_CHECKPOINTABLE_OBJECT_GRAPH',
 'iterator/.ATTRIBUTES/ITERATOR_STATE',
 'net/l1/bias/.ATTRIBUTES/VARIABLE_VALUE',
 'net/l1/bias/.OPTIMIZER_SLOT/optimizer/m/.ATTRIBUTES/VARIABLE_VALUE',
 'net/l1/bias/.OPTIMIZER_SLOT/optimizer/v/.ATTRIBUTES/VARIABLE_VALUE',
 'net/l1/kernel/.ATTRIBUTES/VARIABLE_VALUE',
 'net/l1/kernel/.OPTIMIZER_SLOT/optimizer/m/.ATTRIBUTES/VARIABLE_VALUE',
 'net/l1/kernel/.OPTIMIZER_SLOT/optimizer/v/.ATTRIBUTES/VARIABLE_VALUE',
 'optimizer/beta_1/.ATTRIBUTES/VARIABLE_VALUE',
 'optimizer/beta_2/.ATTRIBUTES/VARIABLE_VALUE',
 'optimizer/decay/.ATTRIBUTES/VARIABLE_VALUE',
 'optimizer/iter/.ATTRIBUTES/VARIABLE_VALUE',
 'optimizer/learning_rate/.ATTRIBUTES/VARIABLE_VALUE',
 'save_counter/.ATTRIBUTES/VARIABLE_VALUE',
 'step/.ATTRIBUTES/VARIABLE_VALUE']

Jeśli więc interesuje Cię wartość net.l1.kernel , możesz uzyskać wartość za pomocą następującego kodu:

key = 'net/l1/kernel/.ATTRIBUTES/VARIABLE_VALUE'

print("Shape:", shape_from_key[key])
print("Dtype:", dtype_from_key[key].name)
Shape: [1, 5]
Dtype: float32

Zapewnia również metodę get_tensor pozwalającą na sprawdzenie wartości zmiennej:

reader.get_tensor(key)
array([[4.5854754, 4.607731 , 4.649179 , 4.8474874, 5.121    ]],
      dtype=float32)

Śledzenie obiektów

Punkty kontrolne zapisują i przywracają wartości obiektów tf.Variable poprzez „śledzenie” dowolnej zmiennej lub śledzonego obiektu ustawionego w jednym z jego atrybutów. Podczas wykonywania zapisu zmienne są zbierane rekursywnie ze wszystkich osiągalnych śledzonych obiektów.

Podobnie jak w przypadku bezpośredniego przypisania atrybutów, takiego jak self.l1 = tf.keras.layers.Dense(5) , przypisanie list i słowników do atrybutów będzie śledzić ich zawartość.

save = tf.train.Checkpoint()
save.listed = [tf.Variable(1.)]
save.listed.append(tf.Variable(2.))
save.mapped = {'one': save.listed[0]}
save.mapped['two'] = save.listed[1]
save_path = save.save('./tf_list_example')

restore = tf.train.Checkpoint()
v2 = tf.Variable(0.)
assert 0. == v2.numpy()  # Not restored yet
restore.mapped = {'two': v2}
restore.restore(save_path)
assert 2. == v2.numpy()

Możesz zauważyć opakowujące obiekty dla list i słowników. Opakowania te są możliwymi do sprawdzenia wersjami podstawowych struktur danych. Podobnie jak ładowanie oparte na atrybutach, te opakowania przywracają wartość zmiennej zaraz po jej dodaniu do kontenera.

restore.listed = []
print(restore.listed)  # ListWrapper([])
v1 = tf.Variable(0.)
restore.listed.append(v1)  # Restores v1, from restore() in the previous cell
assert 1. == v1.numpy()
ListWrapper([])

Obiekty, które można śledzić obejmują tf.train.Checkpoint , tf.Module i ich podklasy (np keras.layers.Layer i keras.Model ) oraz rozpoznane kontenery Pythona:

  • dict (i collections.OrderedDict )
  • list
  • tuple (i collections.namedtuple , typing.NamedTuple )

Inne typy kontenerów nie są obsługiwane , w tym:

  • collections.defaultdict
  • set

Wszystkie inne obiekty Pythona są ignorowane , w tym:

  • int
  • string
  • float

Streszczenie

Obiekty TensorFlow zapewniają łatwy automatyczny mechanizm zapisywania i przywracania wartości zmiennych, których używają.