Ayuda a proteger la Gran Barrera de Coral con TensorFlow en Kaggle Únete Challenge

Migrar de Estimator a las API de Keras

Ver en TensorFlow.org Ejecutar en Google Colab Ver fuente en GitHub Descargar cuaderno

Esta guía muestra cómo migrar a partir del 1 TensorFlow tf.estimator.Estimator API de TensorFlow a 2 tf.keras API. En primer lugar, se va a configurar y ejecutar un modelo básico para la formación y evaluación con tf.estimator.Estimator . A continuación, se llevará a cabo las etapas equivalentes en el TensorFlow 2 con los tf.keras API. También aprenderá a personalizar el paso de la formación subclasificando tf.keras.Model y el uso de tf.GradientTape .

  • En TensorFlow 1, los de alto nivel tf.estimator.Estimator API permiten entrenar y evaluar a un modelo, así como realizar inferencia y guardar su modelo (por porción).
  • En TensorFlow 2, utilizar las API Keras para realizar las tareas mencionadas anteriormente, tales como la construcción de modelos , la aplicación de gradiente, la formación , evaluación y predicción.

(Para migrar modelo / almacenamiento de flujos de trabajo para TensorFlow 2 puesto de control, echa un vistazo a los SavedModel y Checkpoint guías de migración.)

Configuración

Comience con importaciones y un conjunto de datos simple:

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: entrena y evalúa con tf.estimator.Estimator

Este ejemplo muestra cómo llevar a cabo la formación y evaluación con tf.estimator.Estimator en TensorFlow 1.

Comience por definir un par de funciones: una función de entrada de los datos de entrenamiento, una función de entrada de evaluación para los datos de la evaluación, y una función de modelo que le dice al Estimator cómo la operación de entrenamiento se define con las características y etiquetas:

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)

Instancia su Estimator y entrenar el modelo:

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>

Evalúe el programa con el conjunto de evaluación:

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: entrena y evalúa con los métodos integrados de Keras

Este ejemplo demuestra cómo llevar a cabo la formación y evaluación con Keras Model.fit y Model.evaluate en TensorFlow 2. (Se puede obtener más información en la formación y evaluación con el incorporado en los métodos de guía).

  • Comience por la preparación de la tubería conjunto de datos con los tf.data.Dataset API.
  • Definir un simple Keras secuencial modelo con uno lineal ( tf.keras.layers.Dense capa).
  • Instanciar un optimizador Adagrad ( tf.keras.optimizers.Adagrad ).
  • Configurar el modelo de formación pasando el optimizer variable y el error cuadrático medio ( "mse" ) la pérdida de 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")

Con esto, usted está listo para entrenar el modelo llamando Model.fit :

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

Por último, evaluar el modelo con Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)
3/3 [==============================] - 0s 1ms/step - loss: 0.0451
{'loss': 0.04510306194424629}

TensorFlow 2: entrene y evalúe con un paso de entrenamiento personalizado y métodos de Keras integrados

En TensorFlow 2, también puede escribir su propia función de paso de formación a medida con tf.GradientTape a realizar el avance y pases hacia atrás, sin dejar de tomar ventaja de la incorporada en el apoyo a la formación, tales como tf.keras.callbacks.Callback y tf.distribute.Strategy . (Más información en Personalización de lo que sucede en Model.fit y bucles de formación personalizada de escritura a partir de cero .)

En este ejemplo, empezar por crear una costumbre tf.keras.Model subclasificando tf.keras.Sequential que anula Model.train_step . (Más información sobre la subclasificación tf.keras.Model ). Dentro de esa clase, definir una costumbre train_step función que para cada lote de datos realiza un pase hacia adelante y pase hacia atrás durante una etapa de formación.

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}

A continuación, como antes:

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")

Llamar Model.fit para entrenar el modelo:

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

Y, finalmente, evaluar el programa con Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)
3/3 [==============================] - 0s 2ms/step - loss: 0.0197
{'loss': 0.019738242030143738}

Próximos pasos

Recursos adicionales de Keras que pueden resultarle útiles:

Las siguientes guías pueden ayudar con la migración de los flujos de trabajo de estrategia de distribución de tf.estimator API: