Reserve a data! O Google I / O retorna de 18 a 20 de maio Registre-se agora
Esta página foi traduzida pela API Cloud Translation.
Switch to English

Execução ansiosa

Ver no TensorFlow.org Executar no Google Colab Ver fonte no GitHub Baixar caderno

A execução ansiosa do TensorFlow é um ambiente de programação imperativo que avalia as operações imediatamente, sem construir gráficos: as operações retornam valores concretos em vez de construir um gráfico computacional para executar mais tarde. Isso facilita os primeiros passos com o TensorFlow e os modelos de depuração, além de reduzir o clichê. Para acompanhar este guia, execute os exemplos de código abaixo em um interpretador python interativo.

A execução rápida é uma plataforma flexível de aprendizado de máquina para pesquisa e experimentação, fornecendo:

  • Uma interface intuitiva - Estruture seu código naturalmente e use estruturas de dados Python. Repita rapidamente em pequenos modelos e pequenos dados.
  • Depuração mais fácil - chame operações diretamente para inspecionar modelos em execução e testar alterações. Use ferramentas de depuração padrão do Python para relatórios de erros imediatos
  • Fluxo de controle natural - use o fluxo de controle do Python em vez do fluxo de controle do gráfico, simplificando a especificação de modelos dinâmicos.

A execução rápida é compatível com a maioria das operações do TensorFlow e aceleração de GPU.

Configuração e uso básico

import os

import tensorflow as tf

import cProfile

No Tensorflow 2.0, a execução rápida é habilitada por padrão.

tf.executing_eagerly()
True

Agora você pode executar as operações do TensorFlow e os resultados retornarão imediatamente:

x = [[2.]]
m = tf.matmul(x, x)
print("hello, {}".format(m))
hello, [[4.]]

Permitir a execução rápida muda o comportamento das operações do TensorFlow - agora elas avaliam e retornam imediatamente seus valores para Python. tf.Tensor objetos tf.Tensor referência a valores concretos em vez de identificadores simbólicos para nós em um gráfico computacional. Como não há um gráfico computacional para construir e executar posteriormente em uma sessão, é fácil inspecionar os resultados usando print() ou um depurador. Avaliar, imprimir e verificar os valores do tensor não interrompe o fluxo de gradientes de computação.

A execução rápida funciona bem com o NumPy . As operações NumPy aceitam argumentos tf.Tensor . As operações tf.math do tf.math convertem objetos Python e matrizes NumPy em objetos tf.Tensor . O método tf.Tensor.numpy retorna o valor do objeto como um ndarray NumPy.

a = tf.constant([[1, 2],
                 [3, 4]])
print(a)
tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32)
# Broadcasting support
b = tf.add(a, 1)
print(b)
tf.Tensor(
[[2 3]
 [4 5]], shape=(2, 2), dtype=int32)
# Operator overloading is supported
print(a * b)
tf.Tensor(
[[ 2  6]
 [12 20]], shape=(2, 2), dtype=int32)
# Use NumPy values
import numpy as np

c = np.multiply(a, b)
print(c)
[[ 2  6]
 [12 20]]
# Obtain numpy value from a tensor:
print(a.numpy())
# => [[1 2]
#     [3 4]]
[[1 2]
 [3 4]]

Fluxo de controle dinâmico

Um grande benefício da execução antecipada é que toda a funcionalidade da linguagem host está disponível enquanto seu modelo está sendo executado. Então, por exemplo, é fácil escrever fizzbuzz :

def fizzbuzz(max_num):
  counter = tf.constant(0)
  max_num = tf.convert_to_tensor(max_num)
  for num in range(1, max_num.numpy()+1):
    num = tf.constant(num)
    if int(num % 3) == 0 and int(num % 5) == 0:
      print('FizzBuzz')
    elif int(num % 3) == 0:
      print('Fizz')
    elif int(num % 5) == 0:
      print('Buzz')
    else:
      print(num.numpy())
    counter += 1
fizzbuzz(15)
1
2
Fizz
4
Buzz
Fizz
7
8
Fizz
Buzz
11
Fizz
13
14
FizzBuzz

Isso tem condicionais que dependem de valores de tensor e imprime esses valores em tempo de execução.

Treinamento ansioso

Gradientes de computação

A diferenciação automática é útil para implementar algoritmos de aprendizado de máquina, como retropropagação para treinamento de redes neurais. Durante a execução inicial, usetf.GradientTape para rastrear operações para computar gradientes posteriormente.

Você pode usartf.GradientTape para treinar e / ou computar gradientes comtf.GradientTape . É especialmente útil para loops de treinamento complicados.

Visto que diferentes operações podem ocorrer durante cada chamada, todas as operações forward-pass são gravadas em uma "fita". Para calcular o gradiente, reproduza a fita ao contrário e descarte. Um determinadotf.GradientTape só pode calcular um gradiente; as chamadas subsequentes geram um erro de tempo de execução.

w = tf.Variable([[1.0]])
with tf.GradientTape() as tape:
  loss = w * w

grad = tape.gradient(loss, w)
print(grad)  # => tf.Tensor([[ 2.]], shape=(1, 1), dtype=float32)
tf.Tensor([[2.]], shape=(1, 1), dtype=float32)

Treine uma modelo

O exemplo a seguir cria um modelo multicamadas que classifica os dígitos manuscritos MNIST padrão. Ele demonstra o otimizador e APIs de camada para construir gráficos treináveis ​​em um ambiente de execução rápido.

# Fetch and format the mnist data
(mnist_images, mnist_labels), _ = tf.keras.datasets.mnist.load_data()

dataset = tf.data.Dataset.from_tensor_slices(
  (tf.cast(mnist_images[...,tf.newaxis]/255, tf.float32),
   tf.cast(mnist_labels,tf.int64)))
dataset = dataset.shuffle(1000).batch(32)
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step
# Build the model
mnist_model = tf.keras.Sequential([
  tf.keras.layers.Conv2D(16,[3,3], activation='relu',
                         input_shape=(None, None, 1)),
  tf.keras.layers.Conv2D(16,[3,3], activation='relu'),
  tf.keras.layers.GlobalAveragePooling2D(),
  tf.keras.layers.Dense(10)
])

Mesmo sem treinamento, chame o modelo e inspecione a saída em execução rápida:

for images,labels in dataset.take(1):
  print("Logits: ", mnist_model(images[0:1]).numpy())
Logits:  [[ 0.03667693 -0.03049762 -0.00575869 -0.03993434  0.08212403 -0.04499513
  -0.00077433  0.08982861  0.0706538  -0.02175808]]

Embora os modelos keras tenham um loop de treinamento integrado (usando o método de fit ), às vezes você precisa de mais personalização. Aqui está um exemplo de um loop de treinamento implementado com ansioso:

optimizer = tf.keras.optimizers.Adam()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

loss_history = []
def train_step(images, labels):
  with tf.GradientTape() as tape:
    logits = mnist_model(images, training=True)

    # Add asserts to check the shape of the output.
    tf.debugging.assert_equal(logits.shape, (32, 10))

    loss_value = loss_object(labels, logits)

  loss_history.append(loss_value.numpy().mean())
  grads = tape.gradient(loss_value, mnist_model.trainable_variables)
  optimizer.apply_gradients(zip(grads, mnist_model.trainable_variables))
def train(epochs):
  for epoch in range(epochs):
    for (batch, (images, labels)) in enumerate(dataset):
      train_step(images, labels)
    print ('Epoch {} finished'.format(epoch))
train(epochs = 3)
Epoch 0 finished
Epoch 1 finished
Epoch 2 finished
import matplotlib.pyplot as plt

plt.plot(loss_history)
plt.xlabel('Batch #')
plt.ylabel('Loss [entropy]')
Text(0, 0.5, 'Loss [entropy]')

png

Variáveis ​​e otimizadores

tf.Variable objetos tf.Variable armazenam valores mutáveis ​​do tipo tf.Tensor acessados ​​durante o treinamento para facilitar a diferenciação automática.

As coleções de variáveis ​​podem ser encapsuladas em camadas ou modelos, junto com métodos que operam nelas. Consulte Camadas e modelos personalizados do Keras para obter detalhes. A principal diferença entre camadas e modelos é que os modelos adicionam métodos como Model.fit , Model.evaluate e Model.save .

Por exemplo, o exemplo de diferenciação automática acima pode ser reescrito:

class Linear(tf.keras.Model):
  def __init__(self):
    super(Linear, self).__init__()
    self.W = tf.Variable(5., name='weight')
    self.B = tf.Variable(10., name='bias')
  def call(self, inputs):
    return inputs * self.W + self.B
# A toy dataset of points around 3 * x + 2
NUM_EXAMPLES = 2000
training_inputs = tf.random.normal([NUM_EXAMPLES])
noise = tf.random.normal([NUM_EXAMPLES])
training_outputs = training_inputs * 3 + 2 + noise

# The loss function to be optimized
def loss(model, inputs, targets):
  error = model(inputs) - targets
  return tf.reduce_mean(tf.square(error))

def grad(model, inputs, targets):
  with tf.GradientTape() as tape:
    loss_value = loss(model, inputs, targets)
  return tape.gradient(loss_value, [model.W, model.B])

Próximo:

  1. Crie o modelo.
  2. As derivadas de uma função de perda no que diz respeito aos parâmetros do modelo.
  3. Uma estratégia para atualizar as variáveis ​​com base nas derivadas.
model = Linear()
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)

print("Initial loss: {:.3f}".format(loss(model, training_inputs, training_outputs)))

steps = 300
for i in range(steps):
  grads = grad(model, training_inputs, training_outputs)
  optimizer.apply_gradients(zip(grads, [model.W, model.B]))
  if i % 20 == 0:
    print("Loss at step {:03d}: {:.3f}".format(i, loss(model, training_inputs, training_outputs)))
Initial loss: 68.712
Loss at step 000: 66.034
Loss at step 020: 30.012
Loss at step 040: 13.941
Loss at step 060: 6.772
Loss at step 080: 3.573
Loss at step 100: 2.146
Loss at step 120: 1.509
Loss at step 140: 1.225
Loss at step 160: 1.098
Loss at step 180: 1.042
Loss at step 200: 1.016
Loss at step 220: 1.005
Loss at step 240: 1.000
Loss at step 260: 0.998
Loss at step 280: 0.997
print("Final loss: {:.3f}".format(loss(model, training_inputs, training_outputs)))
Final loss: 0.997
print("W = {}, B = {}".format(model.W.numpy(), model.B.numpy()))
W = 3.022096633911133, B = 2.0270628929138184

Salvamento baseado em objeto

Um tf.keras.Model inclui um método save_weights conveniente que permite criar facilmente um ponto de verificação:

model.save_weights('weights')
status = model.load_weights('weights')

Usando tf.train.Checkpoint você pode assumir o controle total sobre esse processo.

Esta seção é uma versão abreviada do guia para pontos de verificação de treinamento .

x = tf.Variable(10.)
checkpoint = tf.train.Checkpoint(x=x)
x.assign(2.)   # Assign a new value to the variables and save.
checkpoint_path = './ckpt/'
checkpoint.save(checkpoint_path)
'./ckpt/-1'
x.assign(11.)  # Change the variable after saving.

# Restore values from the checkpoint
checkpoint.restore(tf.train.latest_checkpoint(checkpoint_path))

print(x)  # => 2.0
<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>

Para salvar e carregar modelos, tf.train.Checkpoint armazena o estado interno dos objetos, sem exigir variáveis ​​ocultas. Para registrar o estado de um model , um optimizer e uma etapa global, passe-os para um tf.train.Checkpoint :

model = tf.keras.Sequential([
  tf.keras.layers.Conv2D(16,[3,3], activation='relu'),
  tf.keras.layers.GlobalAveragePooling2D(),
  tf.keras.layers.Dense(10)
])
optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
checkpoint_dir = 'path/to/model_dir'
if not os.path.exists(checkpoint_dir):
  os.makedirs(checkpoint_dir)
checkpoint_prefix = os.path.join(checkpoint_dir, "ckpt")
root = tf.train.Checkpoint(optimizer=optimizer,
                           model=model)

root.save(checkpoint_prefix)
root.restore(tf.train.latest_checkpoint(checkpoint_dir))
<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7ff0c18b14e0>

Métricas orientadas a objetos

tf.keras.metrics são armazenados como objetos. Atualize uma métrica passando os novos dados para o que pode ser chamado e recupere o resultado usando o método tf.keras.metrics.result , por exemplo:

m = tf.keras.metrics.Mean("loss")
m(0)
m(5)
m.result()  # => 2.5
m([8, 9])
m.result()  # => 5.5
<tf.Tensor: shape=(), dtype=float32, numpy=5.5>

Resumos e TensorBoard

TensorBoard é uma ferramenta de visualização para entender, depurar e otimizar o processo de treinamento do modelo. Ele usa eventos de resumo que são gravados durante a execução do programa.

Você pode usar tf.summary para registrar resumos de variáveis ​​em execução tf.summary . Por exemplo, para registrar resumos de loss uma vez a cada 100 etapas de treinamento:

logdir = "./tb/"
writer = tf.summary.create_file_writer(logdir)

steps = 1000
with writer.as_default():  # or call writer.set_as_default() before the loop.
  for i in range(steps):
    step = i + 1
    # Calculate loss with your real train function.
    loss = 1 - 0.001 * step
    if step % 100 == 0:
      tf.summary.scalar('loss', loss, step=step)
ls tb/
events.out.tfevents.1617758981.kokoro-gcp-ubuntu-prod-1009344920.4448.636510.v2

Tópicos de diferenciação automática avançada

Modelos dinâmicos

tf.GradientTape também pode ser usado em modelos dinâmicos. Este exemplo de um algoritmo de pesquisa de linha de retrocesso se parece com o código NumPy normal, exceto que há gradientes e é diferenciável, apesar do fluxo de controle complexo:

def line_search_step(fn, init_x, rate=1.0):
  with tf.GradientTape() as tape:
    # Variables are automatically tracked.
    # But to calculate a gradient from a tensor, you must `watch` it.
    tape.watch(init_x)
    value = fn(init_x)
  grad = tape.gradient(value, init_x)
  grad_norm = tf.reduce_sum(grad * grad)
  init_value = value
  while value > init_value - rate * grad_norm:
    x = init_x - rate * grad
    value = fn(x)
    rate /= 2.0
  return x, value

Gradientes personalizados

Gradientes personalizados são uma maneira fácil de substituir gradientes. Na função de avanço, defina o gradiente em relação às entradas, saídas ou resultados intermediários. Por exemplo, esta é uma maneira fácil de cortar a norma dos gradientes na passagem reversa:

@tf.custom_gradient
def clip_gradient_by_norm(x, norm):
  y = tf.identity(x)
  def grad_fn(dresult):
    return [tf.clip_by_norm(dresult, norm), None]
  return y, grad_fn

Gradientes personalizados são comumente usados ​​para fornecer um gradiente numericamente estável para uma sequência de operações:

def log1pexp(x):
  return tf.math.log(1 + tf.exp(x))

def grad_log1pexp(x):
  with tf.GradientTape() as tape:
    tape.watch(x)
    value = log1pexp(x)
  return tape.gradient(value, x)
# The gradient computation works fine at x = 0.
grad_log1pexp(tf.constant(0.)).numpy()
0.5
# However, x = 100 fails because of numerical instability.
grad_log1pexp(tf.constant(100.)).numpy()
nan

Aqui, a função log1pexp pode ser simplificada analiticamente com um gradiente personalizado. A implementação abaixo reutiliza o valor de tf.exp(x) que é calculado durante o passe para frente - tornando-o mais eficiente ao eliminar cálculos redundantes:

@tf.custom_gradient
def log1pexp(x):
  e = tf.exp(x)
  def grad(dy):
    return dy * (1 - 1 / (1 + e))
  return tf.math.log(1 + e), grad

def grad_log1pexp(x):
  with tf.GradientTape() as tape:
    tape.watch(x)
    value = log1pexp(x)
  return tape.gradient(value, x)
# As before, the gradient computation works fine at x = 0.
grad_log1pexp(tf.constant(0.)).numpy()
0.5
# And the gradient computation also works at x = 100.
grad_log1pexp(tf.constant(100.)).numpy()
1.0

Desempenho

A computação é descarregada automaticamente para GPUs durante a execução rápida. Se você deseja controlar onde um cálculo é executado, você pode colocá-lo em um tf.device('/gpu:0') (ou equivalente de CPU):

import time

def measure(x, steps):
  # TensorFlow initializes a GPU the first time it's used, exclude from timing.
  tf.matmul(x, x)
  start = time.time()
  for i in range(steps):
    x = tf.matmul(x, x)
  # tf.matmul can return before completing the matrix multiplication
  # (e.g., can return after enqueing the operation on a CUDA stream).
  # The x.numpy() call below will ensure that all enqueued operations
  # have completed (and will also copy the result to host memory,
  # so we're including a little more than just the matmul operation
  # time).
  _ = x.numpy()
  end = time.time()
  return end - start

shape = (1000, 1000)
steps = 200
print("Time to multiply a {} matrix by itself {} times:".format(shape, steps))

# Run on CPU:
with tf.device("/cpu:0"):
  print("CPU: {} secs".format(measure(tf.random.normal(shape), steps)))

# Run on GPU, if available:
if tf.config.list_physical_devices("GPU"):
  with tf.device("/gpu:0"):
    print("GPU: {} secs".format(measure(tf.random.normal(shape), steps)))
else:
  print("GPU: not found")
Time to multiply a (1000, 1000) matrix by itself 200 times:
CPU: 0.8094048500061035 secs
GPU: 0.039966583251953125 secs

Um objeto tf.Tensor pode ser copiado para um dispositivo diferente para executar suas operações:

if tf.config.list_physical_devices("GPU"):
  x = tf.random.normal([10, 10])

  x_gpu0 = x.gpu()
  x_cpu = x.cpu()

  _ = tf.matmul(x_cpu, x_cpu)    # Runs on CPU
  _ = tf.matmul(x_gpu0, x_gpu0)  # Runs on GPU:0
WARNING:tensorflow:From <ipython-input-1-c99eaec55f9a>:4: _EagerTensorBase.gpu (from tensorflow.python.framework.ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.identity instead.
WARNING:tensorflow:From <ipython-input-1-c99eaec55f9a>:5: _EagerTensorBase.cpu (from tensorflow.python.framework.ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.identity instead.

Benchmarks

Para modelos de computação pesada, como o treinamento ResNet50 em uma GPU, o desempenho de execução rápida é comparável à execução de tf.function . Mas essa lacuna fica maior para modelos com menos computação e há trabalho a ser feito para otimizar caminhos de código quente para modelos com muitas operações pequenas.

Trabalhe com funções

Enquanto a execução rápida torna o desenvolvimento e a depuração mais interativos, a execução do gráfico estilo TensorFlow 1.x tem vantagens para treinamento distribuído, otimizações de desempenho e implantação de produção. Para preencher essa lacuna, o TensorFlow 2.0 apresenta function por meio da API tf.function . Para obter mais informações, consulte o guia tf.function .