ช่วยปกป้อง Great Barrier Reef กับ TensorFlow บน Kaggle เข้าร่วมท้าทาย

ย้ายจากเครื่องมือประมาณการไปยัง Keras APIs

ดูบน TensorFlow.org ทำงานใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดโน๊ตบุ๊ค

คู่มือนี้จะแสดงให้เห็นถึงวิธีการที่จะโยกย้ายจาก TensorFlow 1 tf.estimator.Estimator API เพื่อ TensorFlow 2 tf.keras APIs ครั้งแรกที่คุณจะตั้งค่าและใช้รูปแบบพื้นฐานสำหรับการฝึกอบรมและการประเมินผลด้วย tf.estimator.Estimator จากนั้นคุณจะดำเนินการตามขั้นตอนที่เทียบเท่าใน TensorFlow 2 กับ tf.keras APIs นอกจากนี้คุณยังจะได้เรียนรู้วิธีการปรับแต่งขั้นตอนการฝึกอบรมโดย subclassing tf.keras.Model และการใช้ tf.GradientTape

  • ใน TensorFlow 1, ระดับสูง tf.estimator.Estimator APIs ให้คุณฝึกอบรมและประเมินผลการศึกษารูปแบบเช่นเดียวกับการดำเนินการอนุมานและบันทึกรูปแบบของคุณ (สำหรับการให้บริการ)
  • ใน TensorFlow 2 ใช้ Keras API เพื่อดำเนินงานดังกล่าวข้างต้นเช่น การสร้างรูปแบบ การประยุกต์ใช้การไล่ระดับสี, การฝึกอบรม , การประเมินผลและการทำนาย

(สำหรับการโยกย้ายประหยัดเวิร์กโฟลว์เพื่อ TensorFlow 2 รุ่น / ด่านตรวจสอบ SavedModel และ ด่าน คู่มือการโยกย้าย.)

ติดตั้ง

เริ่มต้นด้วยการนำเข้าและชุดข้อมูลอย่างง่าย:

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: ฝึกอบรมและประเมินด้วย tf.estimator.Estimator

ตัวอย่างนี้แสดงให้เห็นถึงวิธีการดำเนินการฝึกอบรมและการประเมินผลด้วย tf.estimator.Estimator ใน TensorFlow 1

เริ่มต้นด้วยการกำหนดฟังก์ชั่นไม่กี่: ฟังก์ชั่นการป้อนข้อมูลการฝึกอบรม, ฟังก์ชั่นการป้อนข้อมูลการประเมินผลข้อมูลการประเมินผลและฟังก์ชั่นรูปแบบที่บอก Estimator วิธีการสหกรณ์การฝึกอบรมจะถูกกำหนดด้วยคุณสมบัติและป้ายชื่อ:

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)

อินสแตนซ์ของคุณ Estimator และการฝึกอบรมรูปแบบ:

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>

ประเมินโปรแกรมด้วยชุดการประเมิน:

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: ฝึกและประเมินด้วยเมธอด Keras ในตัว

ตัวอย่างนี้แสดงให้เห็นถึงวิธีการดำเนินการฝึกอบรมและการประเมินผลด้วย Keras Model.fit และ Model.evaluate ใน TensorFlow 2. (คุณสามารถเรียนรู้เพิ่มเติมใน การฝึกอบรมและการประเมินผลที่มีในตัววิธี คู่มือ.)

  • เริ่มต้นด้วยการเตรียมท่อชุดข้อมูลที่มี tf.data.Dataset APIs
  • กำหนดง่ายๆ Keras ลำดับ รุ่นกับหนึ่งในเชิงเส้น ( tf.keras.layers.Dense ) ชั้น
  • อินสแตนซ์เพิ่มประสิทธิภาพ Adagrad ( tf.keras.optimizers.Adagrad )
  • กำหนดค่ารูปแบบการฝึกอบรมโดยผ่าน optimizer ตัวแปรและข้อผิดพลาดเฉลี่ยสแควร์ ( "mse" ) การสูญเสีย 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")

กับที่คุณมีความพร้อมในการฝึกอบรมรุ่นโดยการเรียก Model.fit :

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

สุดท้ายประเมินรุ่นที่มี Model.evaluate :

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

TensorFlow 2: ฝึกฝนและประเมินด้วยขั้นตอนการฝึกอบรมที่กำหนดเองและวิธีการ Keras ในตัว

ใน TensorFlow 2 คุณยังสามารถเขียนฟังก์ชั่นของคุณเองที่กำหนดเองการฝึกอบรมขั้นตอนที่มี tf.GradientTape ที่จะดำเนินการไปข้างหน้าและย้อนกลับผ่านขณะที่ยังคงการใช้ประโยชน์จากตัวในการสนับสนุนการฝึกอบรมเช่น tf.keras.callbacks.Callback และ tf.distribute.Strategy (เรียนรู้เพิ่มเติมใน การปรับแต่งสิ่งที่เกิดขึ้นใน Model.fit และ เขียนลูปการฝึกอบรมที่กำหนดเองจากรอยขีดข่วน .)

ในตัวอย่างนี้เริ่มต้นด้วยการสร้างที่กำหนดเอง tf.keras.Model โดย subclassing tf.keras.Sequential ว่าแทนที่ Model.train_step (เรียนรู้เพิ่มเติมเกี่ยวกับ subclassing tf.keras.Model ) ภายในชั้นเรียนที่กำหนดเอง train_step ฟังก์ชั่นว่าขั้นตอนการฝึกอบรมสำหรับชุดของข้อมูลที่จะดำเนินการผ่านไปข้างหน้าและย้อนกลับผ่านไปในแต่ละช่วงหนึ่ง

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}

ต่อไปเช่นเดิม:

  • เตรียมท่อชุดข้อมูลที่มี tf.data.Dataset
  • กำหนดรูปแบบง่ายๆกับหนึ่ง tf.keras.layers.Dense ชั้น
  • ยกตัวอย่าง Adagrad ( tf.keras.optimizers.Adagrad )
  • กำหนดค่าแบบจำลองสำหรับการฝึกอบรมกับ Model.compile ในขณะที่ใช้ค่าเฉลี่ยกำลังสองข้อผิดพลาด ( "mse" ) เป็นฟังก์ชั่นการสูญเสีย
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")

โทร Model.fit ในการฝึกอบรมรูปแบบ:

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

และในที่สุดการประเมินโปรแกรมที่มี Model.evaluate :

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

ขั้นตอนถัดไป

แหล่งข้อมูล Keras เพิ่มเติมที่คุณอาจพบว่ามีประโยชน์:

คำแนะนำต่อไปนี้สามารถช่วยให้มีการโยกย้ายเวิร์กโฟลว์กลยุทธ์การกระจายจาก tf.estimator APIs: