इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

टीएफ जाली का डिब्बा अनुमानक

TensorFlow.org पर देखें Google Colab में चलाएं GitHub पर स्रोत देखें नोटबुक डाउनलोड करें

अवलोकन

डिब्बाबंद अनुमानक ठेठ उपयोग के मामलों के लिए टीएफएल मॉडल को प्रशिक्षित करने के लिए त्वरित और आसान तरीके हैं। यह मार्गदर्शिका एक TFL डिब्बाबंद अनुमानक बनाने के लिए आवश्यक कदमों की रूपरेखा तैयार करती है।

सेट अप

टीएफ जाली पैकेज स्थापित करना:


!pip install -q tensorflow-lattice

आवश्यक पैकेज आयात करना:

import tensorflow as tf

import copy
import logging
import numpy as np
import pandas as pd
import sys
import tensorflow_lattice as tfl
from tensorflow import feature_column as fc
logging.disable(sys.maxsize)

यूसीआई स्टैचू (हार्ट) डेटासेट डाउनलोड करना:

csv_file = tf.keras.utils.get_file(
    'heart.csv', 'http://storage.googleapis.com/applied-dl/heart.csv')
df = pd.read_csv(csv_file)
target = df.pop('target')
train_size = int(len(df) * 0.8)
train_x = df[:train_size]
train_y = target[:train_size]
test_x = df[train_size:]
test_y = target[train_size:]
df.head()

इस गाइड में प्रशिक्षण के लिए उपयोग किए जाने वाले डिफ़ॉल्ट मान सेट करना:

LEARNING_RATE = 0.01
BATCH_SIZE = 128
NUM_EPOCHS = 500
PREFITTING_NUM_EPOCHS = 10

फ़ीचर कॉलम

किसी अन्य TF आकलनकर्ता के लिए के रूप में, डेटा की जरूरत है आकलनकर्ता है, जो एक input_fn के माध्यम से आम तौर पर है करने के लिए पारित किया और का उपयोग कर पार्स किया जा सकता FeatureColumns

# Feature columns.
# - age
# - sex
# - cp        chest pain type (4 values)
# - trestbps  resting blood pressure
# - chol      serum cholestoral in mg/dl
# - fbs       fasting blood sugar > 120 mg/dl
# - restecg   resting electrocardiographic results (values 0,1,2)
# - thalach   maximum heart rate achieved
# - exang     exercise induced angina
# - oldpeak   ST depression induced by exercise relative to rest
# - slope     the slope of the peak exercise ST segment
# - ca        number of major vessels (0-3) colored by flourosopy
# - thal      3 = normal; 6 = fixed defect; 7 = reversable defect
feature_columns = [
    fc.numeric_column('age', default_value=-1),
    fc.categorical_column_with_vocabulary_list('sex', [0, 1]),
    fc.numeric_column('cp'),
    fc.numeric_column('trestbps', default_value=-1),
    fc.numeric_column('chol'),
    fc.categorical_column_with_vocabulary_list('fbs', [0, 1]),
    fc.categorical_column_with_vocabulary_list('restecg', [0, 1, 2]),
    fc.numeric_column('thalach'),
    fc.categorical_column_with_vocabulary_list('exang', [0, 1]),
    fc.numeric_column('oldpeak'),
    fc.categorical_column_with_vocabulary_list('slope', [0, 1, 2]),
    fc.numeric_column('ca'),
    fc.categorical_column_with_vocabulary_list(
        'thal', ['normal', 'fixed', 'reversible']),
]

TFL कैन्ड अनुमानक सुविधा स्तंभ के प्रकार का उपयोग यह तय करने के लिए करते हैं कि किस प्रकार के अंशांकन परत का उपयोग करना है। हम एक का उपयोग tfl.layers.PWLCalibration सांख्यिक सुविधा स्तंभों के लिए परत और एक tfl.layers.CategoricalCalibration स्पष्ट सुविधा स्तंभों के लिए परत।

ध्यान दें कि श्रेणीबद्ध फ़ीचर कॉलम एंबेडिंग फ़ीचर कॉलम से लिपटे हुए नहीं हैं। उन्हें सीधे अनुमान लगाने वाले में खिलाया जाता है।

Input_fn बनाना

किसी भी अन्य अनुमानक के रूप में, आप प्रशिक्षण और मूल्यांकन के लिए मॉडल को डेटा खिलाने के लिए एक input_fn का उपयोग कर सकते हैं। टीएफएल अनुमानक स्वचालित रूप से सुविधाओं की मात्राओं की गणना कर सकते हैं और उन्हें PWL अंशांकन परत के लिए इनपुट कुंजी के रूप में उपयोग कर सकते हैं। ऐसा करने के लिए, उन्हें एक feature_analysis_input_fn पास करने की आवश्यकता होती है, जो प्रशिक्षण input_fn के समान है, लेकिन एक एकल युग या डेटा के एक सबमिशन के साथ।

train_input_fn = tf.compat.v1.estimator.inputs.pandas_input_fn(
    x=train_x,
    y=train_y,
    shuffle=False,
    batch_size=BATCH_SIZE,
    num_epochs=NUM_EPOCHS,
    num_threads=1)

# feature_analysis_input_fn is used to collect statistics about the input.
feature_analysis_input_fn = tf.compat.v1.estimator.inputs.pandas_input_fn(
    x=train_x,
    y=train_y,
    shuffle=False,
    batch_size=BATCH_SIZE,
    # Note that we only need one pass over the data.
    num_epochs=1,
    num_threads=1)

test_input_fn = tf.compat.v1.estimator.inputs.pandas_input_fn(
    x=test_x,
    y=test_y,
    shuffle=False,
    batch_size=BATCH_SIZE,
    num_epochs=1,
    num_threads=1)

# Serving input fn is used to create saved models.
serving_input_fn = (
    tf.estimator.export.build_parsing_serving_input_receiver_fn(
        feature_spec=fc.make_parse_example_spec(feature_columns)))

फ़ीचर कांफिडेंस

फ़ीचर कैलिब्रेशन और प्रति-फ़ीचर कॉन्फ़िगरेशन tfl.configs.FeatureConfig का उपयोग करके सेट किए गए हैं। फ़ीचर कॉन्फ़िगरेशन में tfl.configs.RegularizerConfig कमी, प्रति-सुविधा नियमितीकरण (देखें tfl.configs.RegularizerConfig ), और जाली मॉडल के लिए जाली आकार शामिल हैं।

यदि कोई कॉन्फ़िगरेशन किसी इनपुट सुविधा के लिए परिभाषित नहीं है, तो tfl.config.FeatureConfig में डिफ़ॉल्ट कॉन्फ़िगरेशन का उपयोग किया जाता है।

# Feature configs are used to specify how each feature is calibrated and used.
feature_configs = [
    tfl.configs.FeatureConfig(
        name='age',
        lattice_size=3,
        # By default, input keypoints of pwl are quantiles of the feature.
        pwl_calibration_num_keypoints=5,
        monotonicity='increasing',
        pwl_calibration_clip_max=100,
        # Per feature regularization.
        regularizer_configs=[
            tfl.configs.RegularizerConfig(name='calib_wrinkle', l2=0.1),
        ],
    ),
    tfl.configs.FeatureConfig(
        name='cp',
        pwl_calibration_num_keypoints=4,
        # Keypoints can be uniformly spaced.
        pwl_calibration_input_keypoints='uniform',
        monotonicity='increasing',
    ),
    tfl.configs.FeatureConfig(
        name='chol',
        # Explicit input keypoint initialization.
        pwl_calibration_input_keypoints=[126.0, 210.0, 247.0, 286.0, 564.0],
        monotonicity='increasing',
        # Calibration can be forced to span the full output range by clamping.
        pwl_calibration_clamp_min=True,
        pwl_calibration_clamp_max=True,
        # Per feature regularization.
        regularizer_configs=[
            tfl.configs.RegularizerConfig(name='calib_hessian', l2=1e-4),
        ],
    ),
    tfl.configs.FeatureConfig(
        name='fbs',
        # Partial monotonicity: output(0) <= output(1)
        monotonicity=[(0, 1)],
    ),
    tfl.configs.FeatureConfig(
        name='trestbps',
        pwl_calibration_num_keypoints=5,
        monotonicity='decreasing',
    ),
    tfl.configs.FeatureConfig(
        name='thalach',
        pwl_calibration_num_keypoints=5,
        monotonicity='decreasing',
    ),
    tfl.configs.FeatureConfig(
        name='restecg',
        # Partial monotonicity: output(0) <= output(1), output(0) <= output(2)
        monotonicity=[(0, 1), (0, 2)],
    ),
    tfl.configs.FeatureConfig(
        name='exang',
        # Partial monotonicity: output(0) <= output(1)
        monotonicity=[(0, 1)],
    ),
    tfl.configs.FeatureConfig(
        name='oldpeak',
        pwl_calibration_num_keypoints=5,
        monotonicity='increasing',
    ),
    tfl.configs.FeatureConfig(
        name='slope',
        # Partial monotonicity: output(0) <= output(1), output(1) <= output(2)
        monotonicity=[(0, 1), (1, 2)],
    ),
    tfl.configs.FeatureConfig(
        name='ca',
        pwl_calibration_num_keypoints=4,
        monotonicity='increasing',
    ),
    tfl.configs.FeatureConfig(
        name='thal',
        # Partial monotonicity:
        # output(normal) <= output(fixed)
        # output(normal) <= output(reversible)        
        monotonicity=[('normal', 'fixed'), ('normal', 'reversible')],
    ),
]

कैलिब्रेटेड रैखिक मॉडल

TFL डिब्बाबंद आकलनकर्ता का निर्माण करने के लिए, tfl.configs से एक मॉडल कॉन्फ़िगरेशन का निर्माण करें। एक कैलिब्रेटेड रैखिक मॉडल का निर्माण tfl.configs.CalibratedLinearConfig का उपयोग करके किया tfl.configs.CalibratedLinearConfig । यह इनपुट विशेषताओं पर टुकड़ा-रैखिक और श्रेणीबद्ध अंशांकन लागू करता है, इसके बाद एक रैखिक संयोजन और एक वैकल्पिक आउटपुट टुकड़ा-रेखीय अंशांकन होता है। आउटपुट कैलिब्रेशन का उपयोग करते समय या जब आउटपुट सीमा निर्दिष्ट की जाती है, तो रैखिक परत कैलिब्रेटेड इनपुट पर भारित औसत लागू करेगी।

यह उदाहरण पहले 5 सुविधाओं पर एक कैलिब्रेटेड रैखिक मॉडल बनाता है। हम अंशांकन भूखंडों के साथ मॉडल ग्राफ को प्लॉट करने के लिए tfl.visualization का उपयोग करते हैं।

# Model config defines the model structure for the estimator.
model_config = tfl.configs.CalibratedLinearConfig(
    feature_configs=feature_configs,
    use_bias=True,
    output_calibration=True,
    regularizer_configs=[
        # Regularizer for the output calibrator.
        tfl.configs.RegularizerConfig(name='output_calib_hessian', l2=1e-4),
    ])
# A CannedClassifier is constructed from the given model config.
estimator = tfl.estimators.CannedClassifier(
    feature_columns=feature_columns[:5],
    model_config=model_config,
    feature_analysis_input_fn=feature_analysis_input_fn,
    optimizer=tf.keras.optimizers.Adam(LEARNING_RATE),
    config=tf.estimator.RunConfig(tf_random_seed=42))
estimator.train(input_fn=train_input_fn)
results = estimator.evaluate(input_fn=test_input_fn)
print('Calibrated linear test AUC: {}'.format(results['auc']))
saved_model_path = estimator.export_saved_model(estimator.model_dir,
                                                serving_input_fn)
model_graph = tfl.estimators.get_model_graph(saved_model_path)
tfl.visualization.draw_model_graph(model_graph)
Calibrated linear test AUC: 0.834586501121521

png

कैलिब्रेटेड जाली मॉडल

एक कैलिब्रेटेड जाली मॉडल का निर्माण tfl.configs.CalibratedLatticeConfig का उपयोग करके किया tfl.configs.CalibratedLatticeConfig । एक कैलिब्रेटेड जाली मॉडल इनपुट विशेषताओं पर टुकड़ा-रेखीय और श्रेणीबद्ध अंशांकन लागू करता है, इसके बाद एक जाली मॉडल और एक वैकल्पिक आउटपुट टुकड़ा-रैखिक-अंशांकन होता है।

यह उदाहरण पहले 5 सुविधाओं पर एक कैलिब्रेटेड जाली मॉडल बनाता है।

# This is calibrated lattice model: Inputs are calibrated, then combined
# non-linearly using a lattice layer.
model_config = tfl.configs.CalibratedLatticeConfig(
    feature_configs=feature_configs,
    regularizer_configs=[
        # Torsion regularizer applied to the lattice to make it more linear.
        tfl.configs.RegularizerConfig(name='torsion', l2=1e-4),
        # Globally defined calibration regularizer is applied to all features.
        tfl.configs.RegularizerConfig(name='calib_hessian', l2=1e-4),
    ])
# A CannedClassifier is constructed from the given model config.
estimator = tfl.estimators.CannedClassifier(
    feature_columns=feature_columns[:5],
    model_config=model_config,
    feature_analysis_input_fn=feature_analysis_input_fn,
    optimizer=tf.keras.optimizers.Adam(LEARNING_RATE),
    config=tf.estimator.RunConfig(tf_random_seed=42))
estimator.train(input_fn=train_input_fn)
results = estimator.evaluate(input_fn=test_input_fn)
print('Calibrated lattice test AUC: {}'.format(results['auc']))
saved_model_path = estimator.export_saved_model(estimator.model_dir,
                                                serving_input_fn)
model_graph = tfl.estimators.get_model_graph(saved_model_path)
tfl.visualization.draw_model_graph(model_graph)
Calibrated lattice test AUC: 0.8433583974838257

png

अंशांकित जाली पहनावा

जब सुविधाओं की संख्या बड़ी होती है, तो आप एक कलाकारों की टुकड़ी के मॉडल का उपयोग कर सकते हैं, जो कि सुविधाओं के सबसेट के लिए कई छोटे अक्षांशों का निर्माण करता है और केवल एक विशाल जाली बनाने के बजाय उनके उत्पादन को औसत करता है। पहनावा जाली मॉडल का निर्माण tfl.configs.CalibratedLatticeEnsembleConfig का उपयोग करके किया tfl.configs.CalibratedLatticeEnsembleConfig । एक कैलिब्रेटेड जाली पहनावा मॉडल इनपुट सुविधा पर टुकड़ा-रैखिक और श्रेणीबद्ध अंशांकन लागू करता है, इसके बाद जाली मॉडल और एक वैकल्पिक आउटपुट टुकड़ा-रैखिक-अंशांकन का एक संयोजन होता है।

रैंडम लट्टू पहनावा

निम्न मॉडल कॉन्फ़िगरेशन प्रत्येक जाली के लिए सुविधाओं का एक यादृच्छिक सबसेट का उपयोग करता है।

# This is random lattice ensemble model with separate calibration:
# model output is the average output of separately calibrated lattices.
model_config = tfl.configs.CalibratedLatticeEnsembleConfig(
    feature_configs=feature_configs,
    num_lattices=5,
    lattice_rank=3)
# A CannedClassifier is constructed from the given model config.
estimator = tfl.estimators.CannedClassifier(
    feature_columns=feature_columns,
    model_config=model_config,
    feature_analysis_input_fn=feature_analysis_input_fn,
    optimizer=tf.keras.optimizers.Adam(LEARNING_RATE),
    config=tf.estimator.RunConfig(tf_random_seed=42))
estimator.train(input_fn=train_input_fn)
results = estimator.evaluate(input_fn=test_input_fn)
print('Random ensemble test AUC: {}'.format(results['auc']))
saved_model_path = estimator.export_saved_model(estimator.model_dir,
                                                serving_input_fn)
model_graph = tfl.estimators.get_model_graph(saved_model_path)
tfl.visualization.draw_model_graph(model_graph, calibrator_dpi=15)
Random ensemble test AUC: 0.8991228342056274

png

आरटीएल लेयर रैंडम जाली एन्सेम्बल

निम्न मॉडल विन्यास एक tfl.layers.RTL परत का उपयोग करता है जो प्रत्येक जाली के लिए सुविधाओं के यादृच्छिक सबसेट का उपयोग करता है। हम ध्यान दें कि tfl.layers.RTL केवल tfl.layers.RTL बाधाओं का समर्थन करता है और सभी विशेषताओं और प्रति-सुविधा नियमितीकरण के लिए समान जाली आकार होना चाहिए। ध्यान दें कि tfl.layers.RTL लेयर का उपयोग करने से आपको अलग-अलग tfl.layers.Lattice इंस्टेंस का उपयोग करने की तुलना में बहुत बड़े ensembles को स्केल करने की सुविधा tfl.layers.Lattice

# Make sure our feature configs have the same lattice size, no per-feature
# regularization, and only monotonicity constraints.
rtl_layer_feature_configs = copy.deepcopy(feature_configs)
for feature_config in rtl_layer_feature_configs:
  feature_config.lattice_size = 2
  feature_config.unimodality = 'none'
  feature_config.reflects_trust_in = None
  feature_config.dominates = None
  feature_config.regularizer_configs = None
# This is RTL layer ensemble model with separate calibration:
# model output is the average output of separately calibrated lattices.
model_config = tfl.configs.CalibratedLatticeEnsembleConfig(
    lattices='rtl_layer',
    feature_configs=rtl_layer_feature_configs,
    num_lattices=5,
    lattice_rank=3)
# A CannedClassifier is constructed from the given model config.
estimator = tfl.estimators.CannedClassifier(
    feature_columns=feature_columns,
    model_config=model_config,
    feature_analysis_input_fn=feature_analysis_input_fn,
    optimizer=tf.keras.optimizers.Adam(LEARNING_RATE),
    config=tf.estimator.RunConfig(tf_random_seed=42))
estimator.train(input_fn=train_input_fn)
results = estimator.evaluate(input_fn=test_input_fn)
print('Random ensemble test AUC: {}'.format(results['auc']))
saved_model_path = estimator.export_saved_model(estimator.model_dir,
                                                serving_input_fn)
model_graph = tfl.estimators.get_model_graph(saved_model_path)
tfl.visualization.draw_model_graph(model_graph, calibrator_dpi=15)
Random ensemble test AUC: 0.9241854548454285

png

क्रिस्टलों जाली का पहनावा

TFL एक हेयुरिस्टिक फीचर अरेंजमेंट एल्गोरिदम भी प्रदान करता है, जिसे क्रिस्टल्स कहा जाता है। क्रिस्टल एल्गोरिथ्म पहले एक प्रीफ़िटिंग मॉडल को प्रशिक्षित करता है जो जोड़ीदार सुविधा इंटरैक्शन का अनुमान लगाता है। यह तब अंतिम पहनावे की व्यवस्था करता है जैसे कि अधिक गैर-रेखीय इंटरैक्शन वाली विशेषताएं समान अक्षांशों में होती हैं।

क्रिस्टलों के मॉडल के लिए, आपको पहले से वर्णित मॉडल को प्रशिक्षित करने के लिए उपयोग किया जाने वाला prefitting_input_fn भी प्रदान करना होगा। प्रीफिटिंग मॉडल को पूरी तरह से प्रशिक्षित करने की आवश्यकता नहीं है, इसलिए कुछ युगों के लिए पर्याप्त होना चाहिए।

prefitting_input_fn = tf.compat.v1.estimator.inputs.pandas_input_fn(
    x=train_x,
    y=train_y,
    shuffle=False,
    batch_size=BATCH_SIZE,
    num_epochs=PREFITTING_NUM_EPOCHS,
    num_threads=1)

फिर आप मॉडल कॉन्फ़िगरेशन में lattice='crystals' सेट करके एक क्रिस्टल मॉडल बना सकते हैं।

# This is Crystals ensemble model with separate calibration: model output is
# the average output of separately calibrated lattices.
model_config = tfl.configs.CalibratedLatticeEnsembleConfig(
    feature_configs=feature_configs,
    lattices='crystals',
    num_lattices=5,
    lattice_rank=3)
# A CannedClassifier is constructed from the given model config.
estimator = tfl.estimators.CannedClassifier(
    feature_columns=feature_columns,
    model_config=model_config,
    feature_analysis_input_fn=feature_analysis_input_fn,
    # prefitting_input_fn is required to train the prefitting model.
    prefitting_input_fn=prefitting_input_fn,
    optimizer=tf.keras.optimizers.Adam(LEARNING_RATE),
    prefitting_optimizer=tf.keras.optimizers.Adam(LEARNING_RATE),
    config=tf.estimator.RunConfig(tf_random_seed=42))
estimator.train(input_fn=train_input_fn)
results = estimator.evaluate(input_fn=test_input_fn)
print('Crystals ensemble test AUC: {}'.format(results['auc']))
saved_model_path = estimator.export_saved_model(estimator.model_dir,
                                                serving_input_fn)
model_graph = tfl.estimators.get_model_graph(saved_model_path)
tfl.visualization.draw_model_graph(model_graph, calibrator_dpi=15)
Crystals ensemble test AUC: 0.8853383660316467

png

आप tfl.visualization मॉड्यूल का उपयोग करके अधिक विवरण के साथ अंशशोधक की साजिश कर सकते हैं।

_ = tfl.visualization.plot_feature_calibrator(model_graph, "age")
_ = tfl.visualization.plot_feature_calibrator(model_graph, "restecg")

png

png