Estimator에서 Keras API로 마이그레이션

TensorFlow.org에서 보기 Google Colab에서 실행 GitHub에서 소스 보기 노트북 다운로드

이 가이드는 TensorFlow 1의 tf.estimator.Estimator API에서 TensorFlow 2의 tf.keras API로 마이그레이션하는 방법을 보여줍니다. 먼저 tf.estimator.Estimator 를 사용하여 교육 및 평가를 위한 기본 모델을 설정하고 실행합니다. 그런 다음 tf.keras API를 사용하여 TensorFlow 2에서 동일한 단계를 수행합니다. 또한 tf.GradientTape 을 서브클래싱하고 tf.keras.Model 를 사용하여 훈련 단계를 사용자 정의하는 방법도 배우게 됩니다.

  • TensorFlow 1에서 상위 수준 tf.estimator.Estimator API를 사용하면 모델을 훈련 및 평가할 수 있을 뿐만 아니라 추론을 수행하고 모델을 저장할 수 있습니다(제공용).
  • TensorFlow 2에서 Keras API를 사용하여 모델 구축 , 그래디언트 적용, 교육 , 평가 및 예측과 같은 앞서 언급한 작업을 수행합니다.

(모델/체크포인트 저장 워크플로를 TensorFlow 2로 마이그레이션하려면 SavedModel 및 체크포인트 마이그레이션 가이드를 확인하세요.)

설정

가져오기 및 간단한 데이터세트로 시작합니다.

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.Estimator로 학습 및 평가

이 예시는 TensorFlow 1에서 tf.estimator.Estimator 로 훈련 및 평가를 수행하는 방법을 보여줍니다.

학습 데이터에 대한 입력 함수, 평가 데이터에 대한 평가 입력 함수, 학습 작업이 기능 및 레이블로 정의되는 방식을 Estimator 에 알려주는 모델 함수와 같은 몇 가지 함수를 정의하여 시작합니다.

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 를 인스턴스화하고 모델을 학습시킵니다.

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>

평가 세트로 프로그램을 평가합니다.

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: 기본 제공 Keras 메서드로 학습 및 평가

이 예제는 TensorFlow 2에서 Model.fit 및 Model.evaluate 를 사용하여 교육 및 평가를 수행하는 방법을 보여줍니다.

  • tf.data.Dataset API로 데이터세트 파이프라인을 준비하는 것으로 시작하십시오.
  • 하나의 선형( tf.keras.layers.Dense ) 레이어로 간단한 Keras 순차 모델을 정의합니다.
  • Adagrad 옵티마이저( tf.keras.optimizers.Adagrad )를 인스턴스화합니다.
  • optimizer 변수와 평균 제곱 오차( "mse" ) 손실을 Model.compile 에 전달하여 훈련을 위한 모델을 구성합니다.
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")

Model.fit 을 호출하여 모델을 훈련할 준비가 된 것입니다.

model.fit(dataset)

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

마지막으로 Model.evaluate 를 사용하여 모델을 평가합니다.

model.evaluate(eval_dataset, return_dict=True)

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

TensorFlow 2: 맞춤형 교육 단계 및 기본 제공 Keras 방법으로 교육 및 평가

TensorFlow 2에서는 tf.GradientTape 를 사용하여 고유한 맞춤형 교육 단계 함수를 작성하여 정방향 및 역방향 전달을 수행하는 동시에 tf.keras.callbacks.Callback 및 tf.distribute.Strategy 와 같은 기본 제공 교육 지원을 계속 활용할 수 있습니다. . tf.distribute.Strategy . ( Model.fit에서 발생하는 작업 사용자 지정 및 처음부터 사용자 지정 훈련 루프 작성 에서 자세히 알아보세요.)

이 예제에서는 tf.keras.Sequential 을 재정의하는 Model.train_step 을 서브클래싱하여 사용자 지정 tf.keras.Model 을 만드는 것으로 시작합니다. ( tf.keras.Model 서브클래싱 에 대해 자세히 알아보기). 해당 클래스 내에서 각 데이터 배치에 대해 하나의 교육 단계 동안 정방향 전달 및 역방향 전달을 수행하는 사용자 지정 train_step 함수를 정의합니다.

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}

다음으로 이전과 같이:

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")

Model.fit 을 호출하여 모델을 훈련합니다.

model.fit(dataset)

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

마지막으로 Model.evaluate 를 사용하여 프로그램을 평가합니다.

model.evaluate(eval_dataset, return_dict=True)

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

다음 단계

유용할 수 있는 추가 Keras 리소스:

다음 가이드는 tf.estimator API에서 배포 전략 워크플로를 마이그레이션하는 데 도움이 될 수 있습니다.