 ดูบน TensorFlow.org |  ทำงานใน Google Colab |  ดูแหล่งที่มาบน GitHub |  ดาวน์โหลดโน๊ตบุ๊ค |
ใน TensorFlow 1 คุณใช้ tf.estimator.LoggingTensorHook เพื่อตรวจสอบและบันทึกเทนเซอร์ ขณะที่ tf.estimator.StopAtStepHook ช่วยหยุดการฝึกในขั้นตอนที่กำหนดเมื่อฝึกด้วย tf.estimator.Estimator สมุดบันทึกนี้สาธิตวิธีการย้ายจาก API เหล่านี้ไปยังสิ่งที่เทียบเท่าใน TensorFlow 2 โดยใช้การเรียกกลับ Keras แบบกำหนดเอง ( tf.keras.callbacks.Callback ) ด้วย Model.fit
Keras callbacks เป็นอ็อบเจ็กต์ที่ถูกเรียกที่จุดต่างๆ ระหว่างการฝึก/การประเมิน/การทำนายใน Keras Model.fit / Model.evaluate / Model.predict APIs ในตัว คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับการเรียกกลับในเอกสาร tf.keras.callbacks.Callback API รวมถึงคู่มือ การเขียนการเรียกกลับ และ การฝึกอบรมและการประเมินด้วยวิธีการใน ตัว (ส่วน การใช้การเรียกกลับ ) สำหรับการโยกย้ายจาก SessionRunHook ใน TensorFlow 1 ไปเป็นการเรียกกลับของ Keras ใน TensorFlow 2 ให้ดูที่ การ ฝึกอบรมการย้ายข้อมูลพร้อมคำแนะนำตรรกะที่ได้รับความช่วยเหลือ
ติดตั้ง
เริ่มต้นด้วยการนำเข้าและชุดข้อมูลอย่างง่ายเพื่อการสาธิต:
import tensorflow as tf
import tensorflow.compat.v1 as tf1
features = [[1., 1.5], [2., 2.5], [3., 3.5]]
labels = [[0.3], [0.5], [0.7]]
# Define an input function.
def _input_fn():
return tf1.data.Dataset.from_tensor_slices((features, labels)).batch(1)
TensorFlow 1: บันทึกเทนเซอร์และหยุดการฝึกด้วย tf.estimator APIs
ใน TensorFlow 1 คุณกำหนดตะขอต่างๆ เพื่อควบคุมพฤติกรรมการฝึก จากนั้น คุณส่ง hook เหล่านี้ไปที่ tf.estimator.EstimatorSpec
ในตัวอย่างด้านล่าง:
- ในการตรวจสอบ/บันทึกเทนเซอร์—เช่น รุ่นน้ำหนักหรือการสูญเสีย—คุณใช้
tf.estimator.LoggingTensorHook(tf.train.LoggingTensorHookเป็นนามแฝง) - หากต้องการหยุดการฝึกในขั้นตอนที่เฉพาะเจาะจง ให้ใช้
tf.estimator.StopAtStepHook(tf.train.StopAtStepHookเป็นนามแฝง)
def _model_fn(features, labels, mode):
dense = tf1.layers.Dense(1)
logits = dense(features)
loss = tf1.losses.mean_squared_error(labels=labels, predictions=logits)
optimizer = tf1.train.AdagradOptimizer(0.05)
train_op = optimizer.minimize(loss, global_step=tf1.train.get_global_step())
# Define the stop hook.
stop_hook = tf1.train.StopAtStepHook(num_steps=2)
# Access tensors to be logged by names.
kernel_name = tf.identity(dense.weights[0])
bias_name = tf.identity(dense.weights[1])
logging_weight_hook = tf1.train.LoggingTensorHook(
tensors=[kernel_name, bias_name],
every_n_iter=1)
# Log the training loss by the tensor object.
logging_loss_hook = tf1.train.LoggingTensorHook(
{'loss from LoggingTensorHook': loss},
every_n_secs=3)
# Pass all hooks to `EstimatorSpec`.
return tf1.estimator.EstimatorSpec(mode,
loss=loss,
train_op=train_op,
training_hooks=[stop_hook,
logging_weight_hook,
logging_loss_hook])
estimator = tf1.estimator.Estimator(model_fn=_model_fn)
# Begin training.
# The training will stop after 2 steps, and the weights/loss will also be logged.
estimator.train(_input_fn)
INFO:tensorflow:Using default config.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmp3q__3yt7
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmp3q__3yt7', '_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}
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.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/training/adagrad.py:77: 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/tmp3q__3yt7/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 0.025395721, step = 0
INFO:tensorflow:Tensor("Identity:0", shape=(2, 1), dtype=float32) = [[-1.0769143]
[ 1.0241832]], Tensor("Identity_1:0", shape=(1,), dtype=float32) = [0.]
INFO:tensorflow:loss from LoggingTensorHook = 0.025395721
INFO:tensorflow:Tensor("Identity:0", shape=(2, 1), dtype=float32) = [[-1.1124082]
[ 0.9824805]], Tensor("Identity_1:0", shape=(1,), dtype=float32) = [-0.03549388] (0.026 sec)
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 2...
INFO:tensorflow:Saving checkpoints for 2 into /tmp/tmp3q__3yt7/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 2...
INFO:tensorflow:Loss for final step: 0.09248222.
<tensorflow_estimator.python.estimator.estimator.Estimator at 0x7f05ec414d10>
TensorFlow 2: บันทึกเซ็นเซอร์และหยุดการฝึกด้วยการโทรกลับแบบกำหนดเองและ Model.fit
ใน TensorFlow 2 เมื่อคุณใช้ Keras Model.fit (หรือ Model.evaluate ) ในตัวสำหรับการฝึกอบรม/การประเมิน คุณสามารถกำหนดค่าการตรวจสอบเทนเซอร์และการหยุดการฝึกโดยกำหนด Keras tf.keras.callbacks.Callback ที่กำหนดเอง จากนั้น คุณส่งต่อไปยังพารามิเตอร์การ callbacks ของ Model.fit (หรือ Model.evaluate ) (เรียนรู้เพิ่มเติมในคู่มือ การเขียนการโทรกลับของคุณเอง )
ในตัวอย่างด้านล่าง:
- ในการสร้างฟังก์ชันการทำงานของ
StopAtStepHookขึ้นใหม่ ให้กำหนดการโทรกลับที่กำหนดเอง (ชื่อStopAtStepCallbackด้านล่าง) โดยที่คุณแทนที่เมธอดon_batch_endเพื่อหยุดการฝึกหลังจากผ่านขั้นตอนจำนวนหนึ่ง - ในการสร้างพฤติกรรม
LoggingTensorHookขึ้นใหม่ ให้กำหนด callback แบบกำหนดเอง (LoggingTensorCallback) ซึ่งคุณบันทึกและส่งออกเทนเซอร์ที่บันทึกไว้ด้วยตนเอง เนื่องจากไม่รองรับการเข้าถึงเทนเซอร์ตามชื่อ คุณยังสามารถใช้ความถี่การบันทึกในการเรียกกลับแบบกำหนดเองได้อีกด้วย ตัวอย่างด้านล่างจะพิมพ์น้ำหนักทุกสองขั้นตอน กลยุทธ์อื่นๆ เช่น การบันทึกทุกๆ N วินาทีก็สามารถทำได้เช่นกัน
class StopAtStepCallback(tf.keras.callbacks.Callback):
def __init__(self, stop_step=None):
super().__init__()
self._stop_step = stop_step
def on_batch_end(self, batch, logs=None):
if self.model.optimizer.iterations >= self._stop_step:
self.model.stop_training = True
print('\nstop training now')
class LoggingTensorCallback(tf.keras.callbacks.Callback):
def __init__(self, every_n_iter):
super().__init__()
self._every_n_iter = every_n_iter
self._log_count = every_n_iter
def on_batch_end(self, batch, logs=None):
if self._log_count > 0:
self._log_count -= 1
print("Logging Tensor Callback: dense/kernel:",
model.layers[0].weights[0])
print("Logging Tensor Callback: dense/bias:",
model.layers[0].weights[1])
print("Logging Tensor Callback loss:", logs["loss"])
else:
self._log_count -= self._every_n_iter
เมื่อเสร็จแล้ว ส่ง callbacks ใหม่— StopAtStepCallback และ LoggingTensorCallback — ไปยังพารามิเตอร์ callbacks ของ Model.fit :
dataset = tf.data.Dataset.from_tensor_slices((features, labels)).batch(1)
model = tf.keras.models.Sequential([tf.keras.layers.Dense(1)])
optimizer = tf.keras.optimizers.Adagrad(learning_rate=0.05)
model.compile(optimizer, "mse")
# Begin training.
# The training will stop after 2 steps, and the weights/loss will also be logged.
model.fit(dataset, callbacks=[StopAtStepCallback(stop_step=2),
LoggingTensorCallback(every_n_iter=2)])
1/3 [=========>....................] - ETA: 0s - loss: 3.2473Logging Tensor Callback: dense/kernel: <tf.Variable 'dense/kernel:0' shape=(2, 1) dtype=float32, numpy=
array([[-0.27049014],
[-0.73790836]], dtype=float32)>
Logging Tensor Callback: dense/bias: <tf.Variable 'dense/bias:0' shape=(1,) dtype=float32, numpy=array([0.04980864], dtype=float32)>
Logging Tensor Callback loss: 3.2473244667053223
stop training now
Logging Tensor Callback: dense/kernel: <tf.Variable 'dense/kernel:0' shape=(2, 1) dtype=float32, numpy=
array([[-0.22285421],
[-0.6911988 ]], dtype=float32)>
Logging Tensor Callback: dense/bias: <tf.Variable 'dense/bias:0' shape=(1,) dtype=float32, numpy=array([0.09196297], dtype=float32)>
Logging Tensor Callback loss: 5.644947052001953
3/3 [==============================] - 0s 4ms/step - loss: 5.6449
<keras.callbacks.History at 0x7f053022be90>
ขั้นตอนถัดไป
เรียนรู้เพิ่มเติมเกี่ยวกับการโทรกลับใน:
- เอกสาร API:
tf.keras.callbacks.Callback - คำแนะนำ: การเขียนการโทรกลับของคุณเอง
- คำแนะนำ: การฝึกอบรมและการประเมินด้วยวิธีการที่มีอยู่แล้วภายใน (ส่วน การใช้การเรียกกลับ )
คุณอาจพบว่าแหล่งข้อมูลที่เกี่ยวข้องกับการย้ายข้อมูลต่อไปนี้มีประโยชน์:
- คู่มือการหยุดการย้ายข้อมูลก่อน กำหนด:
tf.keras.callbacks.EarlyStoppingเป็นการโทรกลับเพื่อหยุดก่อนกำหนดภายใน - คู่มือการโยกย้าย TensorBoard : TensorBoard เปิดใช้งานการติดตามและแสดงตัวชี้วัด
- คู่มือการโยกย้ายตรรกะการฝึกอบรมที่ได้รับความช่วยเหลือ : จาก
SessionRunHookใน TensorFlow 1 ไปจนถึงการเรียกกลับของ Keras ใน TensorFlow 2