Sesuaikan apa yang terjadi di Model.fit

Lihat di TensorFlow.org

Jalankan di Google Colab

Lihat sumber di GitHub

Unduh buku catatan

pengantar

Ketika Anda melakukan pembelajaran yang dilindungi, Anda dapat menggunakan fit() dan semuanya berjalan lancar.

Ketika Anda perlu menulis lingkaran pelatihan Anda sendiri dari awal, Anda dapat menggunakan GradientTape dan mengendalikan setiap detail kecil.

Tetapi bagaimana jika Anda memerlukan algoritma pelatihan kustom, tetapi Anda masih ingin manfaat dari fitur nyaman fit() , seperti callback, built-in mendukung distribusi, atau langkah sekering?

Sebuah prinsip inti dari Keras adalah pengungkapan progresif kompleksitas. Anda harus selalu bisa masuk ke alur kerja tingkat rendah secara bertahap. Anda tidak boleh jatuh dari tebing jika fungsionalitas tingkat tinggi tidak sama persis dengan kasus penggunaan Anda. Anda harus bisa mendapatkan kontrol lebih besar atas detail kecil sambil mempertahankan jumlah kenyamanan tingkat tinggi yang sepadan.

Bila Anda perlu untuk menyesuaikan apa yang fit() tidak, Anda harus menimpa fungsi langkah pelatihan dari Model kelas. Ini adalah fungsi yang disebut dengan fit() untuk setiap batch data. Anda kemudian akan dapat panggilan fit() seperti biasa - dan itu akan berjalan algoritma belajar Anda sendiri.

Perhatikan bahwa pola ini tidak mencegah Anda membuat model dengan API Fungsional. Anda dapat melakukan ini apakah Anda sedang membangun Sequential model, model API Fungsional, atau model subclassed.

Mari kita lihat cara kerjanya.

Mempersiapkan

Memerlukan TensorFlow 2.2 atau lebih baru.

import tensorflow as tf
from tensorflow import keras

Contoh sederhana pertama

Mari kita mulai dari contoh sederhana:

• Kami membuat kelas baru yang subclass keras.Model .
• Kami hanya menimpa metode train_step(self, data) .
• Kami mengembalikan nama metrik pemetaan kamus (termasuk kerugian) ke nilainya saat ini.

Argumen masukan data adalah apa yang akan berlalu cocok sebagai data pelatihan:

• Jika Anda melewati Numpy array, dengan memanggil fit(x, y, ...) , maka data akan tupel (x, y)
• Jika Anda melewati tf.data.Dataset , dengan memanggil fit(dataset, ...) , maka data akan apa yang akan dihasilkan oleh dataset pada setiap batch.

Dalam tubuh train_step metode, kami menerapkan pembaruan pelatihan reguler, mirip dengan apa yang Anda sudah akrab dengan. Yang penting, kita menghitung kerugian melalui self.compiled_loss , yang membungkus kerugian (es) fungsi (s) yang diteruskan ke compile() .

Demikian pula, kita sebut self.compiled_metrics.update_state(y, y_pred) untuk memperbarui keadaan metrik yang disahkan pada compile() , dan kami permintaan hasil dari self.metrics pada akhir untuk mengambil nilai mereka saat ini.

class CustomModel(keras.Model):
    def train_step(self, data):
        # Unpack the data. Its structure depends on your model and
        # on what you pass to `fit()`.
        x, y = data

        with tf.GradientTape() as tape:
            y_pred = self(x, training=True)  # Forward pass
            # Compute the loss value
            # (the loss function is configured in `compile()`)
            loss = self.compiled_loss(y, y_pred, regularization_losses=self.losses)

        # Compute gradients
        trainable_vars = self.trainable_variables
        gradients = tape.gradient(loss, trainable_vars)
        # Update weights
        self.optimizer.apply_gradients(zip(gradients, trainable_vars))
        # Update metrics (includes the metric that tracks the loss)
        self.compiled_metrics.update_state(y, y_pred)
        # Return a dict mapping metric names to current value
        return {m.name: m.result() for m in self.metrics}

Mari kita coba ini:

import numpy as np

# Construct and compile an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(optimizer="adam", loss="mse", metrics=["mae"])

# Just use `fit` as usual
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.fit(x, y, epochs=3)

Epoch 1/3
32/32 [==============================] - 1s 2ms/step - loss: 0.9909 - mae: 0.8601
Epoch 2/3
32/32 [==============================] - 0s 2ms/step - loss: 0.4363 - mae: 0.5345
Epoch 3/3
32/32 [==============================] - 0s 2ms/step - loss: 0.2906 - mae: 0.4311
<keras.callbacks.History at 0x7f5ad1ca1090>

Pergi ke tingkat yang lebih rendah

Tentu, Anda bisa melewatkan melewati fungsi kerugian dalam compile() , dan bukannya melakukan segala sesuatu secara manual di train_step . Begitu juga untuk metrik.

Berikut adalah contoh-tingkat yang lebih rendah, yang hanya menggunakan compile() untuk mengkonfigurasi optimizer:

• Kita mulai dengan membuat Metric contoh untuk melacak kerugian kami dan skor MAE.
• Kami menerapkan kustom train_step() yang update keadaan metrik ini (dengan memanggil update_state() pada mereka), maka permintaan mereka (melalui result() ) untuk mengembalikan nilai rata-rata mereka saat ini, yang akan ditampilkan oleh progress bar dan menjadi lolos ke panggilan balik apa pun.
• Perhatikan bahwa kita akan perlu menelepon reset_states() pada metrik kami antara setiap zaman! Jika tidak memanggil result() akan kembali rata-rata sejak awal pelatihan, sedangkan kita biasanya bekerja dengan rata-rata per-zaman. Untungnya, kerangka dapat melakukannya untuk kita: hanya daftar metrik Anda ingin me-reset dalam metrics milik model. Model ini akan memanggil reset_states() pada setiap objek yang tercantum di sini pada awal setiap fit() zaman atau pada awal panggilan untuk evaluate() .

loss_tracker = keras.metrics.Mean(name="loss")
mae_metric = keras.metrics.MeanAbsoluteError(name="mae")


class CustomModel(keras.Model):
    def train_step(self, data):
        x, y = data

        with tf.GradientTape() as tape:
            y_pred = self(x, training=True)  # Forward pass
            # Compute our own loss
            loss = keras.losses.mean_squared_error(y, y_pred)

        # Compute gradients
        trainable_vars = self.trainable_variables
        gradients = tape.gradient(loss, trainable_vars)

        # Update weights
        self.optimizer.apply_gradients(zip(gradients, trainable_vars))

        # Compute our own metrics
        loss_tracker.update_state(loss)
        mae_metric.update_state(y, y_pred)
        return {"loss": loss_tracker.result(), "mae": mae_metric.result()}

    @property
    def metrics(self):
        # We list our `Metric` objects here so that `reset_states()` can be
        # called automatically at the start of each epoch
        # or at the start of `evaluate()`.
        # If you don't implement this property, you have to call
        # `reset_states()` yourself at the time of your choosing.
        return [loss_tracker, mae_metric]


# Construct an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)

# We don't passs a loss or metrics here.
model.compile(optimizer="adam")

# Just use `fit` as usual -- you can use callbacks, etc.
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.fit(x, y, epochs=5)

Epoch 1/5
32/32 [==============================] - 0s 1ms/step - loss: 1.5969 - mae: 1.1523
Epoch 2/5
32/32 [==============================] - 0s 1ms/step - loss: 0.7352 - mae: 0.7310
Epoch 3/5
32/32 [==============================] - 0s 1ms/step - loss: 0.3830 - mae: 0.4999
Epoch 4/5
32/32 [==============================] - 0s 1ms/step - loss: 0.2809 - mae: 0.4215
Epoch 5/5
32/32 [==============================] - 0s 1ms/step - loss: 0.2590 - mae: 0.4058
<keras.callbacks.History at 0x7f5ad1b62c50>

Mendukung sample_weight & class_weight

Anda mungkin telah memperhatikan bahwa contoh dasar pertama kami tidak menyebutkan pembobotan sampel. Jika Anda ingin mendukung fit() argumen sample_weight dan class_weight , Anda hanya akan melakukan hal berikut:

• Uraikan sample_weight dari data argumen
• Menyebarkannya ke compiled_loss & compiled_metrics (tentu saja, Anda bisa juga hanya berlaku secara manual jika Anda tidak bergantung pada compile() untuk kerugian & metrik)
• Itu dia. Itu daftarnya.

class CustomModel(keras.Model):
    def train_step(self, data):
        # Unpack the data. Its structure depends on your model and
        # on what you pass to `fit()`.
        if len(data) == 3:
            x, y, sample_weight = data
        else:
            sample_weight = None
            x, y = data

        with tf.GradientTape() as tape:
            y_pred = self(x, training=True)  # Forward pass
            # Compute the loss value.
            # The loss function is configured in `compile()`.
            loss = self.compiled_loss(
                y,
                y_pred,
                sample_weight=sample_weight,
                regularization_losses=self.losses,
            )

        # Compute gradients
        trainable_vars = self.trainable_variables
        gradients = tape.gradient(loss, trainable_vars)

        # Update weights
        self.optimizer.apply_gradients(zip(gradients, trainable_vars))

        # Update the metrics.
        # Metrics are configured in `compile()`.
        self.compiled_metrics.update_state(y, y_pred, sample_weight=sample_weight)

        # Return a dict mapping metric names to current value.
        # Note that it will include the loss (tracked in self.metrics).
        return {m.name: m.result() for m in self.metrics}


# Construct and compile an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(optimizer="adam", loss="mse", metrics=["mae"])

# You can now use sample_weight argument
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
sw = np.random.random((1000, 1))
model.fit(x, y, sample_weight=sw, epochs=3)

Epoch 1/3
32/32 [==============================] - 0s 2ms/step - loss: 0.1365 - mae: 0.4196
Epoch 2/3
32/32 [==============================] - 0s 2ms/step - loss: 0.1285 - mae: 0.4068
Epoch 3/3
32/32 [==============================] - 0s 2ms/step - loss: 0.1212 - mae: 0.3971
<keras.callbacks.History at 0x7f5ad1ba64d0>

Memberikan langkah evaluasi Anda sendiri

Bagaimana jika Anda ingin melakukan hal yang sama untuk panggilan ke model.evaluate() ? Kemudian Anda akan menimpa test_step dengan cara yang persis sama. Berikut tampilannya:

class CustomModel(keras.Model):
    def test_step(self, data):
        # Unpack the data
        x, y = data
        # Compute predictions
        y_pred = self(x, training=False)
        # Updates the metrics tracking the loss
        self.compiled_loss(y, y_pred, regularization_losses=self.losses)
        # Update the metrics.
        self.compiled_metrics.update_state(y, y_pred)
        # Return a dict mapping metric names to current value.
        # Note that it will include the loss (tracked in self.metrics).
        return {m.name: m.result() for m in self.metrics}


# Construct an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(loss="mse", metrics=["mae"])

# Evaluate with our custom test_step
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.evaluate(x, y)

32/32 [==============================] - 0s 1ms/step - loss: 2.7584 - mae: 1.5920
[2.758362054824829, 1.59201979637146]

Penutup: contoh GAN ujung ke ujung

Mari kita telusuri contoh ujung ke ujung yang memanfaatkan semua yang baru saja Anda pelajari.

Mari kita pertimbangkan:

• Jaringan generator yang dimaksudkan untuk menghasilkan gambar 28x28x1.
• Jaringan diskriminator dimaksudkan untuk mengklasifikasikan gambar 28x28x1 menjadi dua kelas ("palsu" dan "nyata").
• Satu pengoptimal untuk masing-masing.
• Sebuah fungsi kerugian untuk melatih diskriminator.

from tensorflow.keras import layers

# Create the discriminator
discriminator = keras.Sequential(
    [
        keras.Input(shape=(28, 28, 1)),
        layers.Conv2D(64, (3, 3), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2D(128, (3, 3), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.GlobalMaxPooling2D(),
        layers.Dense(1),
    ],
    name="discriminator",
)

# Create the generator
latent_dim = 128
generator = keras.Sequential(
    [
        keras.Input(shape=(latent_dim,)),
        # We want to generate 128 coefficients to reshape into a 7x7x128 map
        layers.Dense(7 * 7 * 128),
        layers.LeakyReLU(alpha=0.2),
        layers.Reshape((7, 7, 128)),
        layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2D(1, (7, 7), padding="same", activation="sigmoid"),
    ],
    name="generator",
)

Berikut kelas GAN fitur-lengkap, mengesampingkan compile() untuk menggunakan tanda tangan sendiri, dan melaksanakan seluruh algoritma GAN di 17 baris dalam train_step :

class GAN(keras.Model):
    def __init__(self, discriminator, generator, latent_dim):
        super(GAN, self).__init__()
        self.discriminator = discriminator
        self.generator = generator
        self.latent_dim = latent_dim

    def compile(self, d_optimizer, g_optimizer, loss_fn):
        super(GAN, self).compile()
        self.d_optimizer = d_optimizer
        self.g_optimizer = g_optimizer
        self.loss_fn = loss_fn

    def train_step(self, real_images):
        if isinstance(real_images, tuple):
            real_images = real_images[0]
        # Sample random points in the latent space
        batch_size = tf.shape(real_images)[0]
        random_latent_vectors = tf.random.normal(shape=(batch_size, self.latent_dim))

        # Decode them to fake images
        generated_images = self.generator(random_latent_vectors)

        # Combine them with real images
        combined_images = tf.concat([generated_images, real_images], axis=0)

        # Assemble labels discriminating real from fake images
        labels = tf.concat(
            [tf.ones((batch_size, 1)), tf.zeros((batch_size, 1))], axis=0
        )
        # Add random noise to the labels - important trick!
        labels += 0.05 * tf.random.uniform(tf.shape(labels))

        # Train the discriminator
        with tf.GradientTape() as tape:
            predictions = self.discriminator(combined_images)
            d_loss = self.loss_fn(labels, predictions)
        grads = tape.gradient(d_loss, self.discriminator.trainable_weights)
        self.d_optimizer.apply_gradients(
            zip(grads, self.discriminator.trainable_weights)
        )

        # Sample random points in the latent space
        random_latent_vectors = tf.random.normal(shape=(batch_size, self.latent_dim))

        # Assemble labels that say "all real images"
        misleading_labels = tf.zeros((batch_size, 1))

        # Train the generator (note that we should *not* update the weights
        # of the discriminator)!
        with tf.GradientTape() as tape:
            predictions = self.discriminator(self.generator(random_latent_vectors))
            g_loss = self.loss_fn(misleading_labels, predictions)
        grads = tape.gradient(g_loss, self.generator.trainable_weights)
        self.g_optimizer.apply_gradients(zip(grads, self.generator.trainable_weights))
        return {"d_loss": d_loss, "g_loss": g_loss}

Mari kita uji coba:

# Prepare the dataset. We use both the training & test MNIST digits.
batch_size = 64
(x_train, _), (x_test, _) = keras.datasets.mnist.load_data()
all_digits = np.concatenate([x_train, x_test])
all_digits = all_digits.astype("float32") / 255.0
all_digits = np.reshape(all_digits, (-1, 28, 28, 1))
dataset = tf.data.Dataset.from_tensor_slices(all_digits)
dataset = dataset.shuffle(buffer_size=1024).batch(batch_size)

gan = GAN(discriminator=discriminator, generator=generator, latent_dim=latent_dim)
gan.compile(
    d_optimizer=keras.optimizers.Adam(learning_rate=0.0003),
    g_optimizer=keras.optimizers.Adam(learning_rate=0.0003),
    loss_fn=keras.losses.BinaryCrossentropy(from_logits=True),
)

# To limit the execution time, we only train on 100 batches. You can train on
# the entire dataset. You will need about 20 epochs to get nice results.
gan.fit(dataset.take(100), epochs=1)

100/100 [==============================] - 3s 11ms/step - d_loss: 0.4031 - g_loss: 0.9305
<keras.callbacks.History at 0x7f5ad1b37c50>

Gagasan di balik pembelajaran mendalam itu sederhana, jadi mengapa penerapannya harus menyakitkan?