Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

Menyesuaikan apa yang terjadi dalam keadaan fit ()

Lihat di TensorFlow.org Jalankan di Google Colab Lihat sumber di GitHub Unduh buku catatan

pengantar

Saat Anda melakukan pembelajaran yang diawasi, 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 algoritme pelatihan khusus, tetapi Anda masih ingin memanfaatkan fitur fit() , seperti panggilan balik, dukungan distribusi bawaan, atau peleburan langkah?

Prinsip inti Keras adalah pengungkapan kompleksitas yang progresif . 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 case use Anda. Anda harus dapat memperoleh kontrol lebih besar atas detail kecil sambil membaca ulang sejumlah besar kenyamanan tingkat tinggi yang sepadan.

Saat Anda perlu menyesuaikan apa yang fit() , Anda harus mengganti fungsi langkah pelatihan dari kelas Model . Ini adalah fungsi yang disebut dengan fit() untuk setiap kumpulan data. Anda kemudian dapat memanggil fit() seperti biasa - dan itu akan menjalankan algoritma pembelajaran Anda sendiri.

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

Mari kita lihat cara kerjanya.

Mempersiapkan

Membutuhkan 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 keras.Model .
  • Kami hanya mengganti metode train_step(self, data) .
  • Kami mengembalikan nama metrik pemetaan kamus (termasuk kerugian) ke nilai saat ini.

data argumen input adalah apa yang diteruskan agar sesuai dengan data pelatihan:

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

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

Demikian pula, kami memanggil self.compiled_metrics.update_state(y, y_pred) untuk memperbarui status metrik yang diteruskan dalam compile() , dan kami meminta hasil dari self.metrics pada akhirnya untuk mengambil nilainya 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 [==============================] - 0s 2ms/step - loss: 1.1308 - mae: 0.9305
Epoch 2/3
32/32 [==============================] - 0s 2ms/step - loss: 0.4964 - mae: 0.5728
Epoch 3/3
32/32 [==============================] - 0s 2ms/step - loss: 0.3073 - mae: 0.4413

<tensorflow.python.keras.callbacks.History at 0x7fdd188795f8>

Menuju level yang lebih rendah

Secara alami, Anda bisa melewatkan fungsi kehilangan di compile() , dan melakukan semuanya secara manual di train_step . Demikian juga untuk metrik. Berikut ini contoh tingkat lebih rendah, yang hanya menggunakan compile() untuk mengonfigurasi pengoptimal:

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


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()}


# 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=1)
 
32/32 [==============================] - 0s 2ms/step - loss: 0.2696 - mae: 0.4230

<tensorflow.python.keras.callbacks.History at 0x7fdd186d50f0>

Perhatikan bahwa dengan penyiapan ini, Anda perlu memanggil reset_states() secara manual pada metrik Anda setelah setiap zaman, atau antara pelatihan dan evaluasi.

Mendukung sample_weight & class_weight

Anda mungkin telah memperhatikan bahwa contoh dasar pertama kami tidak menyebutkan bobot sampel. Jika Anda ingin mendukung argumen fit() sample_weight dan class_weight , Anda cukup melakukan yang berikut:

  • Buka paket sample_weight dari argumen data
  • Berikan ke compiled_loss & compiled_metrics (tentu saja, Anda juga bisa menerapkannya 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:
            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: 0.1571 - mae: 0.4422
Epoch 2/3
32/32 [==============================] - 0s 2ms/step - loss: 0.1249 - mae: 0.3898
Epoch 3/3
32/32 [==============================] - 0s 2ms/step - loss: 0.1211 - mae: 0.3835

<tensorflow.python.keras.callbacks.History at 0x7fdd18684518>

Berikan langkah evaluasi Anda sendiri

Bagaimana jika Anda ingin melakukan hal yang sama untuk panggilan ke model.evaluate() ? Maka Anda akan mengganti test_step dengan cara yang persis sama. Begini 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: 1.2087 - mae: 0.9623

[1.2087411880493164, 0.9623274207115173]

Membungkus: contoh GAN ujung ke ujung

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

Mari pertimbangkan:

  • Jaringan generator dimaksudkan untuk menghasilkan gambar 28x28x1.
  • Jaringan diskriminator dimaksudkan untuk mengklasifikasikan gambar 28x28x1 menjadi dua kelas ("palsu" dan "nyata").
  • Satu pengoptimal untuk masing-masing.
  • Kehilangan fungsi 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 adalah kelas GAN lengkap fitur, compile() untuk menggunakan tanda tangannya sendiri, dan mengimplementasikan seluruh algoritma GAN dalam 17 baris di 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 coba-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 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)
 
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step
100/100 [==============================] - 1s 11ms/step - d_loss: 0.4543 - g_loss: 0.8623

<tensorflow.python.keras.callbacks.History at 0x7fdd184c73c8>

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