مهاجرت از برآوردگر به API های Keras

مشاهده در TensorFlow.org در Google Colab اجرا شود مشاهده منبع در GitHub دانلود دفترچه یادداشت

این راهنما نحوه مهاجرت از APIهای tf.estimator.Estimator 1 به APIهای tf.keras TensorFlow 2 را نشان می دهد. ابتدا یک مدل پایه برای آموزش و ارزیابی با tf.estimator.Estimator راه اندازی و اجرا می کنید. سپس، مراحل معادل را در TensorFlow 2 با API های tf.keras انجام خواهید داد. همچنین یاد خواهید گرفت که چگونه مرحله آموزش را با زیرکلاس بندی tf.keras.Model و استفاده از tf.GradientTape کنید.

  • در TensorFlow 1، API های سطح بالا tf.estimator.Estimator به شما امکان می دهند یک مدل را آموزش دهید و ارزیابی کنید، همچنین استنتاج کنید و مدل خود را ذخیره کنید (برای ارائه).
  • در TensorFlow 2، از APIهای Keras برای انجام وظایف فوق‌الذکر مانند ساخت مدل ، کاربرد گرادیان، آموزش ، ارزیابی و پیش‌بینی استفاده کنید.

(برای انتقال جریان های کاری ذخیره مدل/نقطه بازرسی به TensorFlow 2، راهنمای مهاجرت SavedModel و Checkpoint را بررسی کنید.)

برپایی

با واردات و یک مجموعه داده ساده شروع کنید:

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: آموزش و ارزیابی با tf.estimator.Estimator

این مثال نحوه انجام آموزش و ارزیابی با tf.estimator.Estimator در TensorFlow 1 نشان می دهد.

با تعریف چند تابع شروع کنید: یک تابع ورودی برای داده های آموزشی، یک تابع ورودی ارزیابی برای داده های ارزیابی، و یک تابع مدل که به Estimator می گوید که چگونه عملیات آموزشی با ویژگی ها و برچسب ها تعریف می شود:

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)

Estimator خود را نمونه سازی کنید و مدل را آموزش دهید:

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/tmpeovq622_
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpeovq622_', '_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/tmpeovq622_/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 2.0834494, step = 0
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 3...
INFO:tensorflow:Saving checkpoints for 3 into /tmp/tmpeovq622_/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 3...
INFO:tensorflow:Loss for final step: 9.88002.
<tensorflow_estimator.python.estimator.estimator.Estimator at 0x7fbd06673350>

برنامه را با مجموعه ارزیابی ارزیابی کنید:

estimator.evaluate(_eval_input_fn)

INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Starting evaluation at 2021-10-26T01:32:58
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Restoring parameters from /tmp/tmpeovq622_/model.ckpt-3
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Inference Time : 0.10194s
INFO:tensorflow:Finished evaluation at 2021-10-26-01:32:58
INFO:tensorflow:Saving dict for global step 3: global_step = 3, loss = 20.543152
INFO:tensorflow:Saving 'checkpoint_path' summary for global step 3: /tmp/tmpeovq622_/model.ckpt-3
{'loss': 20.543152, 'global_step': 3}

TensorFlow 2: آموزش و ارزیابی با روش های داخلی Keras

این مثال نحوه انجام آموزش و ارزیابی را با Keras Model.fit و Model.evaluate در TensorFlow 2 نشان می‌دهد. (شما می‌توانید در آموزش و ارزیابی با راهنمای روش‌های داخلی اطلاعات بیشتری کسب کنید.)

  • با آماده سازی خط لوله داده با API های tf.data.Dataset کنید.
  • یک مدل ساده Keras Sequential با یک لایه خطی ( tf.keras.layers.Dense ) تعریف کنید.
  • یک بهینه ساز Adagrad را نمونه سازی کنید ( tf.keras.optimizers.Adagrad ).
  • با ارسال متغیر optimizer و خطای میانگین مربع ( "mse" ) به Model.compile ، مدل را برای آموزش پیکربندی کنید.
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")

با این کار، با فراخوانی Model.fit آماده آموزش مدل هستید:

model.fit(dataset)

3/3 [==============================] - 0s 2ms/step - loss: 0.2785
<keras.callbacks.History at 0x7fbc4b320350>

در نهایت مدل را با Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)

3/3 [==============================] - 0s 1ms/step - loss: 0.0451
{'loss': 0.04510306194424629}

TensorFlow 2: آموزش و ارزیابی با یک مرحله آموزشی سفارشی و متدهای داخلی Keras

در TensorFlow 2، همچنین می‌توانید تابع گام آموزشی سفارشی خود را با tf.GradientTape تا پاس‌های رو به جلو و عقب را انجام دهید، در حالی که همچنان از پشتیبانی آموزشی داخلی مانند tf.keras.callbacks.Callback و tf.distribute.Strategy . (در سفارشی کردن آنچه در Model.fit اتفاق می افتد و نوشتن حلقه های آموزشی سفارشی از ابتدا بیشتر بیاموزید.)

در این مثال، با ایجاد یک tf.keras.Model سفارشی با زیرکلاس بندی tf.keras.Sequential که Model.train_step را لغو می کند، شروع کنید. (در مورد زیر کلاس tf.keras.Model بیشتر بیاموزید). در داخل آن کلاس، یک تابع train_step سفارشی تعریف کنید که برای هر دسته از داده‌ها، در طی یک مرحله آموزشی، یک پاس به جلو و هم به عقب انجام می‌دهد.

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}

بعد مثل قبل:

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")

برای آموزش مدل با Model.fit تماس بگیرید:

model.fit(dataset)

3/3 [==============================] - 0s 2ms/step - loss: 0.0587
<keras.callbacks.History at 0x7fbc3873f1d0>

و در نهایت برنامه را با Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)

3/3 [==============================] - 0s 2ms/step - loss: 0.0197
{'loss': 0.019738242030143738}

مراحل بعدی

منابع اضافی Keras که ممکن است مفید باشند:

راهنماهای زیر می توانند به انتقال جریان های کاری استراتژی توزیع از API های tf.estimator کمک کنند: