EstimatorからKerasAPIに移行する

TensorFlow.orgで表示 GoogleColabで実行 GitHubでソースを表示 ノートブックをダウンロード

このガイドではTensorFlow 1のから移行する方法を示しtf.estimator.Estimator TensorFlow 2のためのAPI tf.keras APIを。まず、あなたが設定し、との訓練と評価のための基本的なモデルを実行しますtf.estimator.Estimator 。次に、あなたがTensorFlow 2で同等の手順を実行しますtf.keras APIを。また、サブクラス化することで、トレーニングのステップをカスタマイズする方法を学びますtf.keras.Modelして使用してtf.GradientTape

  • TensorFlow 1では、高レベルtf.estimator.Estimator APIを使用すると、訓練し、モデルを評価するだけでなく、推論を実行し、(サービス提供のために)モデルを保存しましょう。
  • TensorFlow 2において、例えば前述のタスク実行するKeras APIを使用するモデル構築、勾配アプリケーション、トレーニング、評価、および予測。

(TensorFlow 2にワークフローを保存するモデル/チェックポイントを移行するため、チェックアウトSavedModelチェックポイント移行ガイド。)

設定

インポートと単純なデータセットから始めます。

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]]
eval_features = [[4., 4.5], [5., 5.5], [6., 6.5]]
eval_labels = [[0.8], [0.9], [1.]]

TensorFlow 1:tf.estimator.Estimatorを使用してトレーニングと評価

この例のショーはどのように訓練し、評価を行うことtf.estimator.Estimator TensorFlow 1に。

、評価データに対する評価入力機能をトレーニングデータの入力機能を、と伝えモデル機能:いくつかの関数を定義することによってスタートEstimator訓練OPは機能やラベルを定義する方法:

def _input_fn():
  return tf1.data.Dataset.from_tensor_slices((features, labels)).batch(1)

def _eval_input_fn():
  return tf1.data.Dataset.from_tensor_slices(
      (eval_features, eval_labels)).batch(1)

def _model_fn(features, labels, mode):
  logits = tf1.layers.Dense(1)(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())
  return tf1.estimator.EstimatorSpec(mode, loss=loss, train_op=train_op)

あなたのインスタンスEstimatorし、モデルを訓練:

estimator = tf1.estimator.Estimator(model_fn=_model_fn)
estimator.train(_input_fn)
INFO:tensorflow:Using default config.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpeax8k7pf
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpeax8k7pf', '_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/tmpeax8k7pf/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 3.3955996, step = 0
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 3...
INFO:tensorflow:Saving checkpoints for 3 into /tmp/tmpeax8k7pf/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 3...
INFO:tensorflow:Loss for final step: 17.323774.
<tensorflow_estimator.python.estimator.estimator.Estimator at 0x7fc2c0f39fd0>

評価セットを使用してプログラムを評価します。

estimator.evaluate(_eval_input_fn)
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Starting evaluation at 2021-09-22T20:06:19
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Restoring parameters from /tmp/tmpeax8k7pf/model.ckpt-3
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Inference Time : 0.12675s
INFO:tensorflow:Finished evaluation at 2021-09-22-20:06:19
INFO:tensorflow:Saving dict for global step 3: global_step = 3, loss = 38.29692
INFO:tensorflow:Saving 'checkpoint_path' summary for global step 3: /tmp/tmpeax8k7pf/model.ckpt-3
{'loss': 38.29692, 'global_step': 3}

TensorFlow 2:組み込みのKerasメソッドを使用してトレーニングと評価

この例ではKerasと訓練と評価を実行する方法を示しModel.fitModel.evaluate (あなたがして、より学ぶことができるTensorFlow 2に内蔵された方法でのトレーニングと評価ガイド。)

  • データセットのパイプラインを調製することにより開始しtf.data.Dataset APIを。
  • シンプルKeras定義シーケンシャルつの直線(とモデルtf.keras.layers.Dense )層を。
  • インスタンス化Adagradオプティマイザ( tf.keras.optimizers.Adagrad )。
  • 渡すことで、トレーニングのためのモデルを設定しoptimizer変数と平均二乗誤差( "mse"への)損失をModel.compile
dataset = tf.data.Dataset.from_tensor_slices((features, labels)).batch(1)
eval_dataset = tf.data.Dataset.from_tensor_slices(
      (eval_features, eval_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=optimizer, loss="mse")

それを使用すると、呼び出すことによって、モデルを訓練する準備が整いましたModel.fit

model.fit(dataset)
3/3 [==============================] - 0s 2ms/step - loss: 2.1232
<keras.callbacks.History at 0x7fc2b031fcd0>

最後に、でモデルを評価Model.evaluate

model.evaluate(eval_dataset, return_dict=True)
3/3 [==============================] - 0s 2ms/step - loss: 7.6146
{'loss': 7.614565372467041}

TensorFlow 2:カスタムトレーニングステップと組み込みのKerasメソッドを使用してトレーニングと評価

TensorFlow 2では、あなたも持つ独自のカスタムトレーニングステップ関数書くことができますtf.GradientTapeまだを利用しながら、前方と後方のパスを実行するために、内蔵などの教育支援、 tf.keras.callbacks.Callbacktf.distribute.Strategy 。 (で詳細情報Model.fitに何が起こるかをカスタマイズし、ゼロからの書き込みカスタムトレーニングループ。)

この例では、カスタム作成することから始めtf.keras.Modelサブクラス化tf.keras.Sequential上書きされますModel.train_step 。 (詳細情報tf.keras.Modelのサブクラスを)。そのクラス内では、カスタム定義train_step機能を、そのデータを実行する1つのトレーニング段階中に往路と復路の各バッチについて。

class CustomModel(tf.keras.Sequential):
  """A custom sequential model that overrides `Model.train_step`."""

  def train_step(self, data):
    batch_data, labels = data

    with tf.GradientTape() as tape:
      predictions = self(batch_data, training=True)
      # Compute the loss value (the loss function is configured
      # in `Model.compile`).
      loss = self.compiled_loss(labels, predictions)

    # Compute the gradients of the parameters with respect to the loss.
    gradients = tape.gradient(loss, self.trainable_variables)
    # Perform gradient descent by updating the weights/parameters.
    self.optimizer.apply_gradients(zip(gradients, self.trainable_variables))
    # Update the metrics (includes the metric that tracks the loss).
    self.compiled_metrics.update_state(labels, predictions)
    # Return a dict mapping metric names to the current values.
    return {m.name: m.result() for m in self.metrics}

次に、前と同じように:

dataset = tf.data.Dataset.from_tensor_slices((features, labels)).batch(1)
eval_dataset = tf.data.Dataset.from_tensor_slices(
      (eval_features, eval_labels)).batch(1)

model = CustomModel([tf.keras.layers.Dense(1)])
optimizer = tf.keras.optimizers.Adagrad(learning_rate=0.05)

model.compile(optimizer=optimizer, loss="mse")

コールModel.fitモデルを訓練します:

model.fit(dataset)
3/3 [==============================] - 0s 2ms/step - loss: 3.9444
<keras.callbacks.History at 0x7fc2b015d350>

そして、最後に、とプログラムを評価Model.evaluate

model.evaluate(eval_dataset, return_dict=True)
3/3 [==============================] - 0s 2ms/step - loss: 12.5853
{'loss': 12.585296630859375}

次のステップ

役立つと思われる追加のKerasリソース:

次のガイドから流通戦略のワークフローの移行を支援することができますtf.estimator APIを: