অনুমানকারী

TensorFlow.org এ দেখুন গুগল কোলাবে চালান GitHub এ উৎস দেখুন নোটবুক ডাউনলোড করুন

এই দস্তাবেজটি প্রবর্তন tf.estimator -a উচ্চ পর্যায়ের TensorFlow API- টি। অনুমানকারীরা নিম্নলিখিত ক্রিয়াগুলিকে অন্তর্ভুক্ত করে:

  • প্রশিক্ষণ
  • মূল্যায়ন
  • ভবিষ্যদ্বাণী
  • পরিবেশনের জন্য রপ্তানি

TensorFlow বেশ কিছু প্রাক-তৈরি এস্টিমেটর প্রয়োগ করে। কাস্টম অনুমানকারীরা এখনও সমর্থিত, কিন্তু প্রধানত একটি পিছনের সামঞ্জস্য পরিমাপ হিসাবে। কাস্টম estimators নতুন কোডের জন্য ব্যবহার করা উচিত নয়। সকল Estimators-Pre বানানো বা কাস্টম উপর ভিত্তি করে ক্লাস বেশী-হয় tf.estimator.Estimator বর্গ।

একটি দ্রুত উদাহরণস্বরূপ, চেষ্টা মূল্নির্ধারক টিউটোরিয়াল । এপিআই নকশা একটি ওভারভিউ জন্য, চেক সাদা কাগজ

সেটআপ

pip install -U tensorflow_datasets
import tempfile
import os

import tensorflow as tf
import tensorflow_datasets as tfds

সুবিধাদি

একটি অনুরূপ tf.keras.Model , একটি estimator একটি মডেল পর্যায়ের বিমূর্ততা হয়। tf.estimator জন্য উন্নয়ন অধীনে বর্তমানে এখনও কিছু ক্ষমতা প্রদান করে tf.keras । এইগুলো:

  • প্যারামিটার সার্ভার ভিত্তিক প্রশিক্ষণ
  • ফুল TFX ইন্টিগ্রেশন

অনুমানকারীদের ক্ষমতা

অনুমানকারীরা নিম্নলিখিত সুবিধাগুলি প্রদান করে:

  • আপনি আপনার মডেল পরিবর্তন না করে একটি স্থানীয় হোস্ট বা একটি বিতরণ মাল্টি-সার্ভার পরিবেশে এস্টিমেটর ভিত্তিক মডেল চালাতে পারেন। তদুপরি, আপনি আপনার মডেলটি পুনরায় কোডিং না করে সিপিইউ, জিপিইউ বা টিপিইউতে এস্টিমেটর-ভিত্তিক মডেলগুলি চালাতে পারেন।
  • অনুমানকারীরা একটি নিরাপদ বিতরণ প্রশিক্ষণ লুপ প্রদান করে যা কিভাবে এবং কখন নিয়ন্ত্রণ করে:
    • লোড তথ্য
    • ব্যতিক্রমগুলি পরিচালনা করুন
    • চেকপয়েন্ট ফাইল তৈরি করুন এবং ব্যর্থতা থেকে পুনরুদ্ধার করুন
    • TensorBoard এর সারাংশ সংরক্ষণ করুন

এস্টিমেটর দিয়ে একটি আবেদন লেখার সময়, আপনাকে অবশ্যই মডেল থেকে ডেটা ইনপুট পাইপলাইন আলাদা করতে হবে। এই বিচ্ছেদ বিভিন্ন ডেটাসেটের সাথে পরীক্ষা -নিরীক্ষা সহজ করে।

প্রাক-তৈরি এস্টিমেটর ব্যবহার করা

প্রি-তৈরি এস্টিমেটরগুলি আপনাকে বেস টেন্সরফ্লো এপিআইগুলির চেয়ে অনেক বেশি ধারণাগত স্তরে কাজ করতে সক্ষম করে। আপনাকে আর কম্পিউটেশনাল গ্রাফ বা সেশন তৈরির বিষয়ে চিন্তা করতে হবে না কারণ এস্টিমেটররা আপনার জন্য সমস্ত "প্লাম্বিং" পরিচালনা করে। তদুপরি, প্রাক-তৈরি এস্টিমেটরগুলি আপনাকে কেবলমাত্র ন্যূনতম কোড পরিবর্তন করে বিভিন্ন মডেল আর্কিটেকচারের সাথে পরীক্ষা করতে দেয়। tf.estimator.DNNClassifier , উদাহরণস্বরূপ, একটি প্রাক বানানো মূল্নির্ধারক বর্গ যে ঘন, ফীড এগিয়ে স্নায়ুর নেটওয়ার্ক উপর ভিত্তি করে ট্রেন শ্রেণীবিন্যাস মডেলের হয়।

একটি TensorFlow প্রোগ্রাম পূর্বনির্ধারিত এস্টিমেটরের উপর নির্ভর করে সাধারণত নিম্নলিখিত চারটি ধাপ নিয়ে গঠিত:

1. একটি ইনপুট ফাংশন লিখুন

উদাহরণস্বরূপ, আপনি প্রশিক্ষণ সেট আমদানি করার জন্য একটি ফাংশন এবং পরীক্ষা সেট আমদানি করার জন্য অন্য একটি ফাংশন তৈরি করতে পারেন। অনুমানকারীরা আশা করেন যে তাদের ইনপুটগুলি বস্তুর জোড়া হিসাবে ফর্ম্যাট করা হবে:

  • একটি অভিধান যার মধ্যে কীগুলির বৈশিষ্ট্যগুলির নাম এবং মানগুলি হল টেনসার (বা স্পার্সটেন্সর) যার সাথে সংশ্লিষ্ট বৈশিষ্ট্য ডেটা রয়েছে
  • এক বা একাধিক লেবেল সম্বলিত একটি টেন্সর

input_fn একটি ফিরতি উচিত tf.data.Dataset যে বিন্যাসে উৎপাদনের জোড়া।

উদাহরণস্বরূপ, নিম্নলিখিত কোড একটি তৈরী করে tf.data.Dataset টাইটানিক ডেটা সেটটি থেকে train.csv ফাইল:

def train_input_fn():
  titanic_file = tf.keras.utils.get_file("train.csv", "https://storage.googleapis.com/tf-datasets/titanic/train.csv")
  titanic = tf.data.experimental.make_csv_dataset(
      titanic_file, batch_size=32,
      label_name="survived")
  titanic_batches = (
      titanic.cache().repeat().shuffle(500)
      .prefetch(tf.data.AUTOTUNE))
  return titanic_batches

input_fn একটি কার্যকর tf.Graph এবং সরাসরি একটি আসতে পারেন (features_dics, labels) গ্রাফ tensors ধারণকারী যুগল, কিন্তু এই ফিরে ধ্রুবক মত সহজ মামলার ত্রুটি প্রবণ বাইরে আছে।

2. বৈশিষ্ট্য কলাম সংজ্ঞায়িত করুন।

প্রতিটি tf.feature_column শনাক্ত একটি বৈশিষ্ট্য নাম, তার প্রকার, এবং কোনো ইনপুট প্রাক প্রক্রিয়াকরণ।

উদাহরণস্বরূপ, নিম্নলিখিত স্নিপেট তিনটি বৈশিষ্ট্য কলাম তৈরি করে।

  • প্রথম ব্যবহার age একটি ফ্লোটিং পয়েন্ট ইনপুট হিসাবে সরাসরি বৈশিষ্ট্য।
  • দ্বিতীয় ব্যবহার class একটি শ্রেণীগত ইনপুট হিসাবে বৈশিষ্ট্য।
  • তৃতীয় ব্যবহারসমূহ embark_town একটি শ্রেণীগত ইনপুট হিসাবে, কিন্তু ব্যবহার hashing trick অপশন গনা, এবং বিকল্পের সংখ্যার সেট করতে হবে এড়ানো।

আরো তথ্যের জন্য, চেক বৈশিষ্ট্য কলাম টিউটোরিয়াল

age = tf.feature_column.numeric_column('age')
cls = tf.feature_column.categorical_column_with_vocabulary_list('class', ['First', 'Second', 'Third']) 
embark = tf.feature_column.categorical_column_with_hash_bucket('embark_town', 32)

3. প্রাসঙ্গিক পূর্বনির্ধারিত অনুমানকারীকে তাত্ক্ষণিক করুন।

উদাহরণস্বরূপ, এখানে একটি প্রাক তৈরি মূল্নির্ধারক নামে একটি নমুনা ইনস্ট্যান্স এর LinearClassifier :

model_dir = tempfile.mkdtemp()
model = tf.estimator.LinearClassifier(
    model_dir=model_dir,
    feature_columns=[embark, cls, age],
    n_classes=2
)
INFO:tensorflow:Using default config.
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpl24pp3cp', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
  rewrite_options {
    meta_optimizer_iterations: ONE
  }
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_protocol': None, '_eval_distribute': None, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}

আরো তথ্যের জন্য, আপনি যেতে পারেন রৈখিক ক্লাসিফায়ার টিউটোরিয়াল

4. একটি প্রশিক্ষণ, মূল্যায়ন, বা অনুমান পদ্ধতি কল।

সকল Estimators প্রদান train , evaluate , এবং predict পদ্ধতি।

model = model.train(input_fn=train_input_fn, steps=100)
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/training/training_util.py:236: Variable.initialized_value (from tensorflow.python.ops.variables) is deprecated and will be removed in a future version.
Instructions for updating:
Use Variable.read_value. Variables in 2.X are initialized automatically both in eager and graph (inside tf.defun) contexts.
INFO:tensorflow:Calling model_fn.
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/keras/engine/base_layer_v1.py:1684: UserWarning: `layer.add_variable` is deprecated and will be removed in a future version. Please use `layer.add_weight` method instead.
  warnings.warn('`layer.add_variable` is deprecated and '
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/keras/optimizer_v2/ftrl.py:147: calling Constant.__init__ (from tensorflow.python.ops.init_ops) with dtype is deprecated and will be removed in a future version.
Instructions for updating:
Call initializer instance with the dtype argument instead of passing it to the constructor
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Saving checkpoints for 0 into /tmp/tmpl24pp3cp/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 0.6931472, step = 0
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 100...
INFO:tensorflow:Saving checkpoints for 100 into /tmp/tmpl24pp3cp/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 100...
INFO:tensorflow:Loss for final step: 0.6319582.
2021-09-22 20:49:10.453286: W tensorflow/core/kernels/data/cache_dataset_ops.cc:768] The calling iterator did not fully read the dataset being cached. In order to avoid unexpected truncation of the dataset, the partially cached contents of the dataset  will be discarded. This can happen if you have an input pipeline similar to `dataset.cache().take(k).repeat()`. You should use `dataset.take(k).cache().repeat()` instead.
result = model.evaluate(train_input_fn, steps=10)

for key, value in result.items():
  print(key, ":", value)
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Starting evaluation at 2021-09-22T20:49:11
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Restoring parameters from /tmp/tmpl24pp3cp/model.ckpt-100
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Evaluation [1/10]
INFO:tensorflow:Evaluation [2/10]
INFO:tensorflow:Evaluation [3/10]
INFO:tensorflow:Evaluation [4/10]
INFO:tensorflow:Evaluation [5/10]
INFO:tensorflow:Evaluation [6/10]
INFO:tensorflow:Evaluation [7/10]
INFO:tensorflow:Evaluation [8/10]
INFO:tensorflow:Evaluation [9/10]
INFO:tensorflow:Evaluation [10/10]
INFO:tensorflow:Inference Time : 0.74609s
INFO:tensorflow:Finished evaluation at 2021-09-22-20:49:12
INFO:tensorflow:Saving dict for global step 100: accuracy = 0.734375, accuracy_baseline = 0.640625, auc = 0.7373913, auc_precision_recall = 0.64306235, average_loss = 0.563341, global_step = 100, label/mean = 0.359375, loss = 0.563341, precision = 0.734375, prediction/mean = 0.3463129, recall = 0.40869564
INFO:tensorflow:Saving 'checkpoint_path' summary for global step 100: /tmp/tmpl24pp3cp/model.ckpt-100
accuracy : 0.734375
accuracy_baseline : 0.640625
auc : 0.7373913
auc_precision_recall : 0.64306235
average_loss : 0.563341
label/mean : 0.359375
loss : 0.563341
precision : 0.734375
prediction/mean : 0.3463129
recall : 0.40869564
global_step : 100
2021-09-22 20:49:12.168629: W tensorflow/core/kernels/data/cache_dataset_ops.cc:768] The calling iterator did not fully read the dataset being cached. In order to avoid unexpected truncation of the dataset, the partially cached contents of the dataset  will be discarded. This can happen if you have an input pipeline similar to `dataset.cache().take(k).repeat()`. You should use `dataset.take(k).cache().repeat()` instead.
for pred in model.predict(train_input_fn):
  for key, value in pred.items():
    print(key, ":", value)
  break
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Restoring parameters from /tmp/tmpl24pp3cp/model.ckpt-100
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
logits : [-1.5173098]
logistic : [0.17985801]
probabilities : [0.820142   0.17985801]
class_ids : [0]
classes : [b'0']
all_class_ids : [0 1]
all_classes : [b'0' b'1']
2021-09-22 20:49:13.076528: W tensorflow/core/kernels/data/cache_dataset_ops.cc:768] The calling iterator did not fully read the dataset being cached. In order to avoid unexpected truncation of the dataset, the partially cached contents of the dataset  will be discarded. This can happen if you have an input pipeline similar to `dataset.cache().take(k).repeat()`. You should use `dataset.take(k).cache().repeat()` instead.

প্রাক-তৈরি এস্টিমেটরের সুবিধা

প্রাক-তৈরি এস্টিমেটরগুলি সর্বোত্তম অনুশীলনগুলি এনকোড করে, নিম্নলিখিত সুবিধাগুলি প্রদান করে:

  • কম্পিউটেশনাল গ্রাফের বিভিন্ন অংশ কোথায় চলবে তা নির্ধারণের জন্য সর্বোত্তম অনুশীলন, একক মেশিনে বা ক্লাস্টারে কৌশলগুলি বাস্তবায়ন করা।
  • ইভেন্ট (সারাংশ) লেখার জন্য সর্বোত্তম অনুশীলন এবং সার্বজনীন দরকারী সারাংশ।

আপনি যদি পূর্বনির্ধারিত এস্টিমেটর ব্যবহার না করেন, তাহলে আপনাকে অবশ্যই পূর্ববর্তী বৈশিষ্ট্যগুলি নিজেই প্রয়োগ করতে হবে।

কাস্টম এস্টিমেটর

হৃদয় যে মূল্নির্ধারক-কিনা আগে থেকেই তৈরি করা বা তার মডেল ফাংশন, কাস্টম হয় model_fn , যা একটি পদ্ধতি যে জন্য প্রশিক্ষণ, মূল্যায়ন, এবং Prediction গ্রাফ তৈরী করে নেই। যখন আপনি একটি পূর্বনির্ধারিত এস্টিমেটর ব্যবহার করছেন, অন্য কেউ ইতিমধ্যে মডেল ফাংশন বাস্তবায়ন করেছে। কাস্টম এস্টিমেটরের উপর নির্ভর করার সময়, আপনাকে অবশ্যই মডেল ফাংশনটি নিজেই লিখতে হবে।

একটি কেরাস মডেল থেকে একটি এস্টিমেটর তৈরি করুন

আপনার সাথে Estimators বিদ্যমান Keras মডেলের রূপান্তর করতে পারেন tf.keras.estimator.model_to_estimator । আপনি যদি আপনার মডেল কোড আধুনিকীকরণ করতে চান তবে এটি সহায়ক, কিন্তু আপনার প্রশিক্ষণ পাইপলাইনে এখনও এস্টিমেটর প্রয়োজন।

একটি কেরাস মোবাইলনেট ভি 2 মডেল তাত্ক্ষণিক করুন এবং প্রশিক্ষণের জন্য অপটিমাইজার, লস এবং মেট্রিক্সের সাথে মডেলটি কম্পাইল করুন:

keras_mobilenet_v2 = tf.keras.applications.MobileNetV2(
    input_shape=(160, 160, 3), include_top=False)
keras_mobilenet_v2.trainable = False

estimator_model = tf.keras.Sequential([
    keras_mobilenet_v2,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dense(1)
])

# Compile the model
estimator_model.compile(
    optimizer='adam',
    loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
    metrics=['accuracy'])
Downloading data from https://storage.googleapis.com/tensorflow/keras-applications/mobilenet_v2/mobilenet_v2_weights_tf_dim_ordering_tf_kernels_1.0_160_no_top.h5
9412608/9406464 [==============================] - 0s 0us/step
9420800/9406464 [==============================] - 0s 0us/step

একটি তৈরি করুন Estimator কম্পাইল Keras মডেল থেকে। Keras মডেল প্রাথমিক মডেল রাষ্ট্র নির্মিত সংরক্ষিত হয় Estimator :

est_mobilenet_v2 = tf.keras.estimator.model_to_estimator(keras_model=estimator_model)
INFO:tensorflow:Using default config.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpmosnmied
INFO:tensorflow:Using the Keras model provided.
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/keras/backend.py:401: UserWarning: `tf.keras.backend.set_learning_phase` is deprecated and will be removed after 2020-10-11. To update it, simply pass a True/False value to the `training` argument of the `__call__` method of your layer or model.
  warnings.warn('`tf.keras.backend.set_learning_phase` is deprecated and '
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/keras/utils/generic_utils.py:497: CustomMaskWarning: Custom mask layers require a config and must override get_config. When loading, the custom mask layer must be passed to the custom_objects argument.
  category=CustomMaskWarning)
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpmosnmied', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
  rewrite_options {
    meta_optimizer_iterations: ONE
  }
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_protocol': None, '_eval_distribute': None, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}

উদ্ভূত আচরণ Estimator যেমন আপনার যদি অন্য কোন সঙ্গে would Estimator

IMG_SIZE = 160  # All images will be resized to 160x160

def preprocess(image, label):
  image = tf.cast(image, tf.float32)
  image = (image/127.5) - 1
  image = tf.image.resize(image, (IMG_SIZE, IMG_SIZE))
  return image, label
def train_input_fn(batch_size):
  data = tfds.load('cats_vs_dogs', as_supervised=True)
  train_data = data['train']
  train_data = train_data.map(preprocess).shuffle(500).batch(batch_size)
  return train_data

প্রশিক্ষণের জন্য, এস্টিমেটরের ট্রেন ফাংশনে কল করুন:

est_mobilenet_v2.train(input_fn=lambda: train_input_fn(32), steps=50)
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Warm-starting with WarmStartSettings: WarmStartSettings(ckpt_to_initialize_from='/tmp/tmpmosnmied/keras/keras_model.ckpt', vars_to_warm_start='.*', var_name_to_vocab_info={}, var_name_to_prev_var_name={})
INFO:tensorflow:Warm-starting with WarmStartSettings: WarmStartSettings(ckpt_to_initialize_from='/tmp/tmpmosnmied/keras/keras_model.ckpt', vars_to_warm_start='.*', var_name_to_vocab_info={}, var_name_to_prev_var_name={})
INFO:tensorflow:Warm-starting from: /tmp/tmpmosnmied/keras/keras_model.ckpt
INFO:tensorflow:Warm-starting from: /tmp/tmpmosnmied/keras/keras_model.ckpt
INFO:tensorflow:Warm-starting variables only in TRAINABLE_VARIABLES.
INFO:tensorflow:Warm-starting variables only in TRAINABLE_VARIABLES.
INFO:tensorflow:Warm-started 158 variables.
INFO:tensorflow:Warm-started 158 variables.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Saving checkpoints for 0 into /tmp/tmpmosnmied/model.ckpt.
INFO:tensorflow:Saving checkpoints for 0 into /tmp/tmpmosnmied/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 0.6994096, step = 0
INFO:tensorflow:loss = 0.6994096, step = 0
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 50...
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 50...
INFO:tensorflow:Saving checkpoints for 50 into /tmp/tmpmosnmied/model.ckpt.
INFO:tensorflow:Saving checkpoints for 50 into /tmp/tmpmosnmied/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 50...
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 50...
INFO:tensorflow:Loss for final step: 0.68789804.
INFO:tensorflow:Loss for final step: 0.68789804.
<tensorflow_estimator.python.estimator.estimator.EstimatorV2 at 0x7f4b1c1e9890>

একইভাবে, মূল্যায়ন করতে, এস্টিমেটরের মূল্যায়ন ফাংশনটি কল করুন:

est_mobilenet_v2.evaluate(input_fn=lambda: train_input_fn(32), steps=10)
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Calling model_fn.
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/keras/engine/training.py:2470: UserWarning: `Model.state_updates` will be removed in a future version. This property should not be used in TensorFlow 2.0, as `updates` are applied automatically.
  warnings.warn('`Model.state_updates` will be removed in a future version. '
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Starting evaluation at 2021-09-22T20:49:36
INFO:tensorflow:Starting evaluation at 2021-09-22T20:49:36
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Restoring parameters from /tmp/tmpmosnmied/model.ckpt-50
INFO:tensorflow:Restoring parameters from /tmp/tmpmosnmied/model.ckpt-50
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Evaluation [1/10]
INFO:tensorflow:Evaluation [1/10]
INFO:tensorflow:Evaluation [2/10]
INFO:tensorflow:Evaluation [2/10]
INFO:tensorflow:Evaluation [3/10]
INFO:tensorflow:Evaluation [3/10]
INFO:tensorflow:Evaluation [4/10]
INFO:tensorflow:Evaluation [4/10]
INFO:tensorflow:Evaluation [5/10]
INFO:tensorflow:Evaluation [5/10]
INFO:tensorflow:Evaluation [6/10]
INFO:tensorflow:Evaluation [6/10]
INFO:tensorflow:Evaluation [7/10]
INFO:tensorflow:Evaluation [7/10]
INFO:tensorflow:Evaluation [8/10]
INFO:tensorflow:Evaluation [8/10]
INFO:tensorflow:Evaluation [9/10]
INFO:tensorflow:Evaluation [9/10]
INFO:tensorflow:Evaluation [10/10]
INFO:tensorflow:Evaluation [10/10]
INFO:tensorflow:Inference Time : 3.89658s
INFO:tensorflow:Inference Time : 3.89658s
INFO:tensorflow:Finished evaluation at 2021-09-22-20:49:39
INFO:tensorflow:Finished evaluation at 2021-09-22-20:49:39
INFO:tensorflow:Saving dict for global step 50: accuracy = 0.525, global_step = 50, loss = 0.6723582
INFO:tensorflow:Saving dict for global step 50: accuracy = 0.525, global_step = 50, loss = 0.6723582
INFO:tensorflow:Saving 'checkpoint_path' summary for global step 50: /tmp/tmpmosnmied/model.ckpt-50
INFO:tensorflow:Saving 'checkpoint_path' summary for global step 50: /tmp/tmpmosnmied/model.ckpt-50
{'accuracy': 0.525, 'loss': 0.6723582, 'global_step': 50}

অধিক বিবরণের জন্য, ডকুমেন্টেশন পড়ুন দয়া tf.keras.estimator.model_to_estimator

এস্টিমেটরের সাহায্যে বস্তু ভিত্তিক চেকপয়েন্ট সংরক্ষণ করা

ডিফল্ট বস্তুর গ্রাফ বর্ণিত পরিবর্তনশীল নামের বদলে দিয়ে চেকপয়েন্ট সংরক্ষণ দ্বারা Estimators চেকপয়েন্ট নির্দেশিকাtf.train.Checkpoint নাম ভিত্তিক চেকপয়েন্ট পড়া হবে, কিন্তু পরিবর্তনশীল নামের যখন মূল্নির্ধারক এর একটি মডেল বাহিরে অংশগুলি চলন্ত পরিবর্তন হতে পারে model_fn । ফরওয়ার্ড সামঞ্জস্য সংরক্ষণ বস্তু-ভিত্তিক চেকপয়েন্টগুলির জন্য একটি এস্টিমেটরের ভিতরে একটি মডেলকে প্রশিক্ষণ দেওয়া সহজ করে তোলে এবং তারপর এটি একটির বাইরে ব্যবহার করে।

import tensorflow.compat.v1 as tf_compat
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)
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)
def model_fn(features, labels, mode):
  net = Net()
  opt = tf.keras.optimizers.Adam(0.1)
  ckpt = tf.train.Checkpoint(step=tf_compat.train.get_global_step(),
                             optimizer=opt, net=net)
  with tf.GradientTape() as tape:
    output = net(features['x'])
    loss = tf.reduce_mean(tf.abs(output - features['y']))
  variables = net.trainable_variables
  gradients = tape.gradient(loss, variables)
  return tf.estimator.EstimatorSpec(
    mode,
    loss=loss,
    train_op=tf.group(opt.apply_gradients(zip(gradients, variables)),
                      ckpt.step.assign_add(1)),
    # Tell the Estimator to save "ckpt" in an object-based format.
    scaffold=tf_compat.train.Scaffold(saver=ckpt))

tf.keras.backend.clear_session()
est = tf.estimator.Estimator(model_fn, './tf_estimator_example/')
est.train(toy_dataset, steps=10)
INFO:tensorflow:Using default config.
INFO:tensorflow:Using default config.
INFO:tensorflow:Using config: {'_model_dir': './tf_estimator_example/', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
  rewrite_options {
    meta_optimizer_iterations: ONE
  }
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_protocol': None, '_eval_distribute': None, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}
INFO:tensorflow:Using config: {'_model_dir': './tf_estimator_example/', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
  rewrite_options {
    meta_optimizer_iterations: ONE
  }
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_protocol': None, '_eval_distribute': None, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Saving checkpoints for 0 into ./tf_estimator_example/model.ckpt.
INFO:tensorflow:Saving checkpoints for 0 into ./tf_estimator_example/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 4.659403, step = 0
INFO:tensorflow:loss = 4.659403, step = 0
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 10...
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 10...
INFO:tensorflow:Saving checkpoints for 10 into ./tf_estimator_example/model.ckpt.
INFO:tensorflow:Saving checkpoints for 10 into ./tf_estimator_example/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 10...
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 10...
INFO:tensorflow:Loss for final step: 39.58891.
INFO:tensorflow:Loss for final step: 39.58891.
<tensorflow_estimator.python.estimator.estimator.EstimatorV2 at 0x7f4b7c451fd0>

tf.train.Checkpoint তারপর তার থেকে মূল্নির্ধারক এর চেকপয়েন্ট লোড করতে পারেন model_dir

opt = tf.keras.optimizers.Adam(0.1)
net = Net()
ckpt = tf.train.Checkpoint(
  step=tf.Variable(1, dtype=tf.int64), optimizer=opt, net=net)
ckpt.restore(tf.train.latest_checkpoint('./tf_estimator_example/'))
ckpt.step.numpy()  # From est.train(..., steps=10)
10

Estimators থেকে সংরক্ষিত মডেল

Estimators মাধ্যমে SavedModels রপ্তানি tf.Estimator.export_saved_model

input_column = tf.feature_column.numeric_column("x")

estimator = tf.estimator.LinearClassifier(feature_columns=[input_column])

def input_fn():
  return tf.data.Dataset.from_tensor_slices(
    ({"x": [1., 2., 3., 4.]}, [1, 1, 0, 0])).repeat(200).shuffle(64).batch(16)
estimator.train(input_fn)
INFO:tensorflow:Using default config.
INFO:tensorflow:Using default config.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmp30_d7xz6
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmp30_d7xz6
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmp30_d7xz6', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
  rewrite_options {
    meta_optimizer_iterations: ONE
  }
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_protocol': None, '_eval_distribute': None, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmp30_d7xz6', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
  rewrite_options {
    meta_optimizer_iterations: ONE
  }
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_protocol': None, '_eval_distribute': None, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Saving checkpoints for 0 into /tmp/tmp30_d7xz6/model.ckpt.
INFO:tensorflow:Saving checkpoints for 0 into /tmp/tmp30_d7xz6/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 0.6931472, step = 0
INFO:tensorflow:loss = 0.6931472, step = 0
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 50...
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 50...
INFO:tensorflow:Saving checkpoints for 50 into /tmp/tmp30_d7xz6/model.ckpt.
INFO:tensorflow:Saving checkpoints for 50 into /tmp/tmp30_d7xz6/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 50...
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 50...
INFO:tensorflow:Loss for final step: 0.4022895.
INFO:tensorflow:Loss for final step: 0.4022895.
<tensorflow_estimator.python.estimator.canned.linear.LinearClassifierV2 at 0x7f4b1c10fd10>

একটি সংরক্ষণ করতে Estimator আপনি একটি তৈরি করতে হবে serving_input_receiver । এই ফাংশনটি একটি একটি অংশ তৈরী করে tf.Graph যে SavedModel দ্বারা গৃহীত কাঁচা ডেটা parses।

tf.estimator.export মডিউল সাহায্যের জন্য কাজগুলোকে গড়ে তুলতে রয়েছে receivers

নিম্নলিখিত কোড একটি রিসিভার উপর ভিত্তি করে তৈরী করে feature_columns , যে ধারাবাহিকভাবে গ্রহণ tf.Example প্রোটোকল বাফার, যা প্রায়ই সঙ্গে ব্যবহৃত হয় TF সার্ভিং

tmpdir = tempfile.mkdtemp()

serving_input_fn = tf.estimator.export.build_parsing_serving_input_receiver_fn(
  tf.feature_column.make_parse_example_spec([input_column]))

estimator_base_path = os.path.join(tmpdir, 'from_estimator')
estimator_path = estimator.export_saved_model(estimator_base_path, serving_input_fn)
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Done calling model_fn.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/saved_model/signature_def_utils_impl.py:145: build_tensor_info (from tensorflow.python.saved_model.utils_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.utils.build_tensor_info or tf.compat.v1.saved_model.build_tensor_info.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/saved_model/signature_def_utils_impl.py:145: build_tensor_info (from tensorflow.python.saved_model.utils_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.utils.build_tensor_info or tf.compat.v1.saved_model.build_tensor_info.
INFO:tensorflow:Signatures INCLUDED in export for Classify: ['serving_default', 'classification']
INFO:tensorflow:Signatures INCLUDED in export for Classify: ['serving_default', 'classification']
INFO:tensorflow:Signatures INCLUDED in export for Regress: ['regression']
INFO:tensorflow:Signatures INCLUDED in export for Regress: ['regression']
INFO:tensorflow:Signatures INCLUDED in export for Predict: ['predict']
INFO:tensorflow:Signatures INCLUDED in export for Predict: ['predict']
INFO:tensorflow:Signatures INCLUDED in export for Train: None
INFO:tensorflow:Signatures INCLUDED in export for Train: None
INFO:tensorflow:Signatures INCLUDED in export for Eval: None
INFO:tensorflow:Signatures INCLUDED in export for Eval: None
INFO:tensorflow:Restoring parameters from /tmp/tmp30_d7xz6/model.ckpt-50
INFO:tensorflow:Restoring parameters from /tmp/tmp30_d7xz6/model.ckpt-50
INFO:tensorflow:Assets added to graph.
INFO:tensorflow:Assets added to graph.
INFO:tensorflow:No assets to write.
INFO:tensorflow:No assets to write.
INFO:tensorflow:SavedModel written to: /tmp/tmpi_szzuj1/from_estimator/temp-1632343781/saved_model.pb
INFO:tensorflow:SavedModel written to: /tmp/tmpi_szzuj1/from_estimator/temp-1632343781/saved_model.pb

আপনি পাইথন থেকে সেই মডেলটি লোড এবং চালাতে পারেন:

imported = tf.saved_model.load(estimator_path)

def predict(x):
  example = tf.train.Example()
  example.features.feature["x"].float_list.value.extend([x])
  return imported.signatures["predict"](
    examples=tf.constant([example.SerializeToString()]))
print(predict(1.5))
print(predict(3.5))
{'class_ids': <tf.Tensor: shape=(1, 1), dtype=int64, numpy=array([[1]])>, 'classes': <tf.Tensor: shape=(1, 1), dtype=string, numpy=array([[b'1']], dtype=object)>, 'all_classes': <tf.Tensor: shape=(1, 2), dtype=string, numpy=array([[b'0', b'1']], dtype=object)>, 'all_class_ids': <tf.Tensor: shape=(1, 2), dtype=int32, numpy=array([[0, 1]], dtype=int32)>, 'logits': <tf.Tensor: shape=(1, 1), dtype=float32, numpy=array([[0.2974025]], dtype=float32)>, 'logistic': <tf.Tensor: shape=(1, 1), dtype=float32, numpy=array([[0.5738074]], dtype=float32)>, 'probabilities': <tf.Tensor: shape=(1, 2), dtype=float32, numpy=array([[0.42619258, 0.5738074 ]], dtype=float32)>}
{'class_ids': <tf.Tensor: shape=(1, 1), dtype=int64, numpy=array([[0]])>, 'classes': <tf.Tensor: shape=(1, 1), dtype=string, numpy=array([[b'0']], dtype=object)>, 'all_classes': <tf.Tensor: shape=(1, 2), dtype=string, numpy=array([[b'0', b'1']], dtype=object)>, 'all_class_ids': <tf.Tensor: shape=(1, 2), dtype=int32, numpy=array([[0, 1]], dtype=int32)>, 'logits': <tf.Tensor: shape=(1, 1), dtype=float32, numpy=array([[-1.1919093]], dtype=float32)>, 'logistic': <tf.Tensor: shape=(1, 1), dtype=float32, numpy=array([[0.23291764]], dtype=float32)>, 'probabilities': <tf.Tensor: shape=(1, 2), dtype=float32, numpy=array([[0.7670824 , 0.23291762]], dtype=float32)>}

tf.estimator.export.build_raw_serving_input_receiver_fn আপনি ইনপুট ফাংশন যা বদলে কাঁচা tensors নিতে তৈরি করার অনুমতি দেয় tf.train.Example গুলি।

ব্যবহার tf.distribute.Strategy মূল্নির্ধারক (সীমিত সমর্থন) সঙ্গে

tf.estimator একটি বিতরণ প্রশিক্ষণ TensorFlow API যা মূলত ASYNC প্যারামিটার সার্ভার পদ্ধতির সমর্থিত। tf.estimator এখন সমর্থন tf.distribute.Strategy । আপনি ব্যবহার করেন, তাহলে tf.estimator , আপনি আপনার কোড খুব কয়েক পরিবর্তনের সঙ্গে বিতরণ করা প্রশিক্ষণ পরিবর্তন করতে পারেন। এর সাহায্যে, এস্টিমেটর ব্যবহারকারীরা এখন একাধিক জিপিইউ এবং একাধিক কর্মীর উপর সিঙ্ক্রোনাস ডিস্ট্রিবিউটেড ট্রেনিং করতে পারবেন, সেইসাথে টিপিইউ ব্যবহার করতে পারবেন। এস্টিমেটরে এই সমর্থন অবশ্য সীমিত। পরীক্ষা করে দেখুন কী এখন সমর্থিত আরো বিস্তারিত জানার জন্য বিভাগটি দেখুন।

ব্যবহার tf.distribute.Strategy মূল্নির্ধারক সঙ্গে Keras ক্ষেত্রে চেয়ে কিছুটা ভিন্ন। ব্যবহার করার পরিবর্তে strategy.scope , এখন আপনি মধ্যে কৌশল বস্তুর পাস RunConfig মূল্নির্ধারক জন্য।

আপনি উল্লেখ করতে পারেন বিতরণ প্রশিক্ষণ নির্দেশিকা আরও তথ্যের জন্য।

এখানে কোডের একটি টুকরো যার এমন কোন premade মূল্নির্ধারক সঙ্গে শো এই LinearRegressor এবং MirroredStrategy :

mirrored_strategy = tf.distribute.MirroredStrategy()
config = tf.estimator.RunConfig(
    train_distribute=mirrored_strategy, eval_distribute=mirrored_strategy)
regressor = tf.estimator.LinearRegressor(
    feature_columns=[tf.feature_column.numeric_column('feats')],
    optimizer='SGD',
    config=config)
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0',)
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0',)
INFO:tensorflow:Initializing RunConfig with distribution strategies.
INFO:tensorflow:Initializing RunConfig with distribution strategies.
INFO:tensorflow:Not using Distribute Coordinator.
INFO:tensorflow:Not using Distribute Coordinator.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpftw63jyd
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpftw63jyd
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpftw63jyd', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
  rewrite_options {
    meta_optimizer_iterations: ONE
  }
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': <tensorflow.python.distribute.mirrored_strategy.MirroredStrategy object at 0x7f4b0c04c050>, '_device_fn': None, '_protocol': None, '_eval_distribute': <tensorflow.python.distribute.mirrored_strategy.MirroredStrategy object at 0x7f4b0c04c050>, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1, '_distribute_coordinator_mode': None}
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpftw63jyd', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
  rewrite_options {
    meta_optimizer_iterations: ONE
  }
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': <tensorflow.python.distribute.mirrored_strategy.MirroredStrategy object at 0x7f4b0c04c050>, '_device_fn': None, '_protocol': None, '_eval_distribute': <tensorflow.python.distribute.mirrored_strategy.MirroredStrategy object at 0x7f4b0c04c050>, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1, '_distribute_coordinator_mode': None}

এখানে, আপনি একটি প্রিমেড এস্টিমেটর ব্যবহার করেন, কিন্তু একই কোডটি কাস্টম এস্টিমেটরের সাথেও কাজ করে। train_distribute নির্ধারণ করে কিভাবে প্রশিক্ষণ বিতরণ করা হবে, এবং eval_distribute নির্ধারণ করে কিভাবে মূল্যায়ন বিতরণ করা হবে। এটি কেরাসের আরেকটি পার্থক্য যেখানে আপনি প্রশিক্ষণ এবং eval উভয়ের জন্য একই কৌশল ব্যবহার করেন।

এখন আপনি একটি ইনপুট ফাংশন দিয়ে এই এস্টিমেটরকে প্রশিক্ষণ এবং মূল্যায়ন করতে পারেন:

def input_fn():
  dataset = tf.data.Dataset.from_tensors(({"feats":[1.]}, [1.]))
  return dataset.repeat(1000).batch(10)
regressor.train(input_fn=input_fn, steps=10)
regressor.evaluate(input_fn=input_fn, steps=10)
INFO:tensorflow:Calling model_fn.
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/data/ops/dataset_ops.py:374: UserWarning: To make it possible to preserve tf.data options across serialization boundaries, their implementation has moved to be part of the TensorFlow graph. As a consequence, the options value is in general no longer known at graph construction time. Invoking this method in graph mode retains the legacy behavior of the original implementation, but note that the returned value might not reflect the actual value of the options.
  warnings.warn("To make it possible to preserve tf.data options across "
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Create CheckpointSaverHook.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_estimator/python/estimator/util.py:95: DistributedIteratorV1.initialize (from tensorflow.python.distribute.input_lib) is deprecated and will be removed in a future version.
Instructions for updating:
Use the iterator's `initializer` property instead.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_estimator/python/estimator/util.py:95: DistributedIteratorV1.initialize (from tensorflow.python.distribute.input_lib) is deprecated and will be removed in a future version.
Instructions for updating:
Use the iterator's `initializer` property instead.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Saving checkpoints for 0 into /tmp/tmpftw63jyd/model.ckpt.
INFO:tensorflow:Saving checkpoints for 0 into /tmp/tmpftw63jyd/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
2021-09-22 20:49:45.706166: W tensorflow/core/grappler/utils/graph_view.cc:836] No registered 'MultiDeviceIteratorFromStringHandle' OpKernel for GPU devices compatible with node { {node MultiDeviceIteratorFromStringHandle} }
    .  Registered:  device='CPU'

2021-09-22 20:49:45.707521: W tensorflow/core/grappler/utils/graph_view.cc:836] No registered 'MultiDeviceIteratorGetNextFromShard' OpKernel for GPU devices compatible with node { {node MultiDeviceIteratorGetNextFromShard} }
    .  Registered:  device='CPU'
INFO:tensorflow:loss = 1.0, step = 0
INFO:tensorflow:loss = 1.0, step = 0
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 10...
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 10...
INFO:tensorflow:Saving checkpoints for 10 into /tmp/tmpftw63jyd/model.ckpt.
INFO:tensorflow:Saving checkpoints for 10 into /tmp/tmpftw63jyd/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 10...
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 10...
INFO:tensorflow:Loss for final step: 2.877698e-13.
INFO:tensorflow:Loss for final step: 2.877698e-13.
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Reduce to /replica:0/task:0/device:CPU:0 then broadcast to ('/replica:0/task:0/device:CPU:0',).
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Starting evaluation at 2021-09-22T20:49:46
INFO:tensorflow:Starting evaluation at 2021-09-22T20:49:46
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Restoring parameters from /tmp/tmpftw63jyd/model.ckpt-10
INFO:tensorflow:Restoring parameters from /tmp/tmpftw63jyd/model.ckpt-10
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Done running local_init_op.
2021-09-22 20:49:46.680821: W tensorflow/core/grappler/utils/graph_view.cc:836] No registered 'MultiDeviceIteratorFromStringHandle' OpKernel for GPU devices compatible with node { {node MultiDeviceIteratorFromStringHandle} }
    .  Registered:  device='CPU'

2021-09-22 20:49:46.682161: W tensorflow/core/grappler/utils/graph_view.cc:836] No registered 'MultiDeviceIteratorGetNextFromShard' OpKernel for GPU devices compatible with node { {node MultiDeviceIteratorGetNextFromShard} }
    .  Registered:  device='CPU'
INFO:tensorflow:Evaluation [1/10]
INFO:tensorflow:Evaluation [1/10]
INFO:tensorflow:Evaluation [2/10]
INFO:tensorflow:Evaluation [2/10]
INFO:tensorflow:Evaluation [3/10]
INFO:tensorflow:Evaluation [3/10]
INFO:tensorflow:Evaluation [4/10]
INFO:tensorflow:Evaluation [4/10]
INFO:tensorflow:Evaluation [5/10]
INFO:tensorflow:Evaluation [5/10]
INFO:tensorflow:Evaluation [6/10]
INFO:tensorflow:Evaluation [6/10]
INFO:tensorflow:Evaluation [7/10]
INFO:tensorflow:Evaluation [7/10]
INFO:tensorflow:Evaluation [8/10]
INFO:tensorflow:Evaluation [8/10]
INFO:tensorflow:Evaluation [9/10]
INFO:tensorflow:Evaluation [9/10]
INFO:tensorflow:Evaluation [10/10]
INFO:tensorflow:Evaluation [10/10]
INFO:tensorflow:Inference Time : 0.26514s
INFO:tensorflow:Inference Time : 0.26514s
INFO:tensorflow:Finished evaluation at 2021-09-22-20:49:46
INFO:tensorflow:Finished evaluation at 2021-09-22-20:49:46
INFO:tensorflow:Saving dict for global step 10: average_loss = 1.4210855e-14, global_step = 10, label/mean = 1.0, loss = 1.4210855e-14, prediction/mean = 0.99999994
INFO:tensorflow:Saving dict for global step 10: average_loss = 1.4210855e-14, global_step = 10, label/mean = 1.0, loss = 1.4210855e-14, prediction/mean = 0.99999994
INFO:tensorflow:Saving 'checkpoint_path' summary for global step 10: /tmp/tmpftw63jyd/model.ckpt-10
INFO:tensorflow:Saving 'checkpoint_path' summary for global step 10: /tmp/tmpftw63jyd/model.ckpt-10
{'average_loss': 1.4210855e-14,
 'label/mean': 1.0,
 'loss': 1.4210855e-14,
 'prediction/mean': 0.99999994,
 'global_step': 10}

এস্টিমেটর এবং কেরাসের মধ্যে এখানে হাইলাইট করার আরেকটি পার্থক্য হল ইনপুট হ্যান্ডলিং। কেরাসে, ডেটাসেটের প্রতিটি ব্যাচ স্বয়ংক্রিয়ভাবে একাধিক প্রতিলিপি জুড়ে বিভক্ত হয়ে যায়। এস্টিমেটারে, তবে, আপনি স্বয়ংক্রিয় ব্যাচ বিভাজন করেন না, অথবা স্বয়ংক্রিয়ভাবে বিভিন্ন কর্মীদের মধ্যে ডেটা ভাগ করেন না। তুমি কেমন চান আপনার ডেটা শ্রমিক ও ডিভাইস জুড়ে বিতরণ করা, এবং আপনি একটি প্রদান করতে হবে আপনার সম্পূর্ণ নিয়ন্ত্রণ থাকবে input_fn আপনার ডেটা বিতরণ করতে কিভাবে নির্দিষ্ট করতে।

তোমার input_fn কর্মী প্রতি একবার বলা হয়, এইভাবে কর্মী প্রতি এক ডেটা সেটটি দেয়। তারপরে সেই ডেটাসেট থেকে একটি ব্যাচ সেই কর্মীর একটি প্রতিলিপি খাওয়ানো হয়, যার ফলে 1 কর্মীর N প্রতিলিপিগুলির জন্য N ব্যাচগুলি খাওয়া হয়। অন্য কথায়, ডেটা সেটটি দ্বারা ফিরে input_fn আকারের ব্যাচ প্রদান করা উচিত PER_REPLICA_BATCH_SIZE । আর একটি পদক্ষেপ গ্লোবাল ব্যাচ আকার প্রাপ্ত করা যাবে PER_REPLICA_BATCH_SIZE * strategy.num_replicas_in_sync

মাল্টি-ওয়ার্কার প্রশিক্ষণ দেওয়ার সময়, আপনার কর্মীদের মধ্যে আপনার ডেটা বিভক্ত করা উচিত, অথবা প্রতিটিতে একটি এলোমেলো বীজ দিয়ে এলোমেলো করা উচিত। তুমি কিভাবে এই কাজ করতে একটি উদাহরণ পরীক্ষা করতে পারবেন মূল্নির্ধারক সঙ্গে মাল্টি কর্মী প্রশিক্ষণ টিউটোরিয়াল।

এবং একইভাবে, আপনি মাল্টি ওয়ার্কার এবং প্যারামিটার সার্ভার কৌশলগুলিও ব্যবহার করতে পারেন। কোড অবশেষ একই, কিন্তু আপনি ব্যবহার করতে হবে tf.estimator.train_and_evaluate , এবং সেট TF_CONFIG আপনার ক্লাস্টার প্রতিটি বাইনারি চলমান জন্য বিভিন্ন পরিবেশের।

এখন কি সমর্থিত?

মূল্নির্ধারক ছাড়া সমস্ত কৌশল ব্যবহার করে প্রশিক্ষণ সীমিত সমর্থন নেই TPUStrategy । বেসিক প্রশিক্ষণ ও মূল্যায়ন কাজ করা উচিত, কিন্তু এই ধরনের যেমন উন্নত বৈশিষ্ট্য একটি নম্বর v1.train.Scaffold না। এই ইন্টিগ্রেশনটিতে অনেকগুলি বাগও থাকতে পারে এবং এই সমর্থনকে সক্রিয়ভাবে উন্নত করার কোন পরিকল্পনা নেই (ফোকাস কেরাস এবং কাস্টম ট্রেনিং লুপ সাপোর্টের উপর)। সব সম্ভব এ থাকে, তাহলে আপনি ব্যবহার করতে পছন্দ করা উচিত tf.distribute পরিবর্তে ঐ API গুলির সাথে।

প্রশিক্ষণ API মিররড স্ট্র্যাটেজি টিপিএস কৌশল MultiWorkerMirroredStrategy সেন্ট্রাল স্টোরেজ স্ট্র্যাটেজি প্যারামিটার সার্ভার স্ট্র্যাটেজি
এস্টিমেটর এপিআই সীমিত সমর্থন সমর্থিত নয় সীমিত সমর্থন সীমিত সমর্থন সীমিত সমর্থন

উদাহরণ এবং টিউটোরিয়াল

এখানে কিছু এন্ড-টু-এন্ড উদাহরণ রয়েছে যা দেখায় কিভাবে এস্টিমেটরের সাথে বিভিন্ন কৌশল ব্যবহার করতে হয়:

  1. মূল্নির্ধারক টিউটোরিয়াল সঙ্গে মাল্টি কর্মী প্রশিক্ষণ দেখায় কিভাবে আপনি ব্যবহার একাধিক কর্মচারীদের সাথে শেখাতে পারেন MultiWorkerMirroredStrategy MNIST ডেটা সেটটি উপর।
  2. একটি এন্ড-টু-এন্ড উদাহরণ বন্টন কৌশল সঙ্গে বহু-কর্মী প্রশিক্ষণ চলমান মধ্যে tensorflow/ecosystem Kubernetes টেমপ্লেট ব্যবহার করে। এটা একটা Keras মডেল দিয়ে শুরু হবে এবং ব্যবহার করে একটি মূল্নির্ধারক তা পরিবর্তন করে tf.keras.estimator.model_to_estimator API- টি।
  3. সরকারী ResNet50 মডেল, যা যেকোন একটি ব্যবহার করে প্রশিক্ষিত করা যেতে পারে MirroredStrategy বা MultiWorkerMirroredStrategy