This page was translated by the Cloud Translation API.
Switch to English

টিএফএল স্তর সহ কেরাস মডেল তৈরি করা হচ্ছে

টেনসরফ্লো.আর.জে দেখুন গুগল কোলাবে চালান গিটহাবের উত্স দেখুন নোটবুক ডাউনলোড করুন

ওভারভিউ

একঘেয়েমি এবং অন্যান্য আকৃতির সীমাবদ্ধতার সাথে কেরাস মডেলগুলি তৈরি করতে আপনি টিএফএল কেরাস স্তরগুলি ব্যবহার করতে পারেন। এই উদাহরণটি টিসিএল স্তরগুলি ব্যবহার করে ইউসিআই হার্ট ডেটাসেটের জন্য ক্যালিব্রেটেড ল্যাটিস মডেল তৈরি এবং প্রশিক্ষণ দেয়।

ক্যালিব্রেটেড ল্যাটিস মডেলটিতে প্রতিটি বৈশিষ্ট্য একটি tfl.layers.PWLCalibration বা একটি tfl.layers.CategoricalCalibration স্তর দ্বারা রূপান্তরিত হয় এবং ফলাফলগুলি tfl.layers.Lattice ব্যবহার করে tfl.layers.Lattice

সেটআপ

টিএফ ল্যাটিস প্যাকেজ ইনস্টল করা হচ্ছে:


!pip install -q tensorflow-lattice pydot

প্রয়োজনীয় প্যাকেজগুলি আমদানি করা হচ্ছে:

import tensorflow as tf

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)

ইউসিআই স্ট্যাটলগ (হার্ট) ডেটাসেট ডাউনলোড হচ্ছে:

# UCI Statlog (Heart) dataset.
csv_file = tf.keras.utils.get_file(
    'heart.csv', 'http://storage.googleapis.com/applied-dl/heart.csv')
training_data_df = pd.read_csv(csv_file).sample(
    frac=1.0, random_state=41).reset_index(drop=True)
training_data_df.head()
Downloading data from http://storage.googleapis.com/applied-dl/heart.csv
16384/13273 [=====================================] - 0s 0us/step

এই গাইডের প্রশিক্ষণের জন্য ব্যবহৃত ডিফল্ট মান সেট করা:

LEARNING_RATE = 0.1
BATCH_SIZE = 128
NUM_EPOCHS = 100

সিক্যুয়ালিয়াল কেরাস মডেল

এই উদাহরণটি সিক্যুয়াল কেরাস মডেল তৈরি করে এবং কেবল টিএফএল স্তর ব্যবহার করে।

জাল স্তরগুলি input[i] প্রত্যাশা করে input[i] [0, lattice_sizes[i] - 1.0] , তাই আমাদের ক্রমাঙ্করণের স্তরগুলির আগে [0, lattice_sizes[i] - 1.0] আকারগুলি সংজ্ঞায়িত করা দরকার যাতে আমরা সঠিকভাবে ক্রমাঙ্কন স্তরগুলির আউটপুট পরিসর নির্দিষ্ট করতে পারি।

# Lattice layer expects input[i] to be within [0, lattice_sizes[i] - 1.0], so
lattice_sizes = [3, 2, 2, 2, 2, 2, 2]

tfl.layers.ParallelCombination স্তরগুলিকে একত্রে গ্রুপ করার জন্য আমরা একটি tfl.layers.ParallelCombination স্তর ব্যবহার করি যা tfl.layers.ParallelCombination মডেল তৈরি করতে সক্ষম হওয়ার জন্য সমান্তরালভাবে সম্পাদন করতে হয়।

combined_calibrators = tfl.layers.ParallelCombination()

আমরা প্রতিটি বৈশিষ্ট্যের জন্য একটি ক্রমাঙ্ককরণ স্তর তৈরি করি এবং এটি সমান্তরাল সংমিশ্রণ স্তরে যুক্ত করি। সংখ্যাসূচক বৈশিষ্ট্যের জন্য আমরা tfl.layers.PWLCalibration ব্যবহার tfl.layers.PWLCalibration এবং শ্রেণিবদ্ধ বৈশিষ্ট্যগুলির জন্য আমরা tfl.layers.CategoricalCalibration ব্যবহার tfl.layers.CategoricalCalibration

999f64192 ডি

এরপরে আমরা ক্যালিব্রেটারদের আউটপুটগুলি নিখরচায়ভাবে ফিউজ করতে একটি জাল স্তর তৈরি করি।

নোট করুন যে আমাদের প্রয়োজনীয় মাত্রাগুলির জন্য বাড়ার জন্য জালির একঘেয়েমি নির্দিষ্ট করতে হবে। ক্রমাঙ্কনে একঘেয়েমিটির দিকনির্দেশের সংমিশ্রণের ফলে একঘেয়েমিটির সঠিক শেষ-থেকে-শেষের দিকটি দেখাবে। এর মধ্যে শ্রেণিবদ্ধ ক্যালিব্রেশন স্তরটির আংশিক একঘেয়েমি অন্তর্ভুক্ত।

lattice = tfl.layers.Lattice(
    lattice_sizes=lattice_sizes,
    monotonicities=[
        'increasing', 'none', 'increasing', 'increasing', 'increasing',
        'increasing', 'increasing'
    ],
    output_min=0.0,
    output_max=1.0)

এরপরে আমরা সম্মিলিত ক্যালিবিটার এবং ল্যাটিস স্তরগুলি ব্যবহার করে একটি ক্রমিক মডেল তৈরি করতে পারি।

model = tf.keras.models.Sequential()
model.add(combined_calibrators)
model.add(lattice)

প্রশিক্ষণ অন্য কেরাস মডেলের মতোই কাজ করে।

features = training_data_df[[
    'age', 'sex', 'cp', 'trestbps', 'chol', 'fbs', 'restecg'
]].values.astype(np.float32)
target = training_data_df[['target']].values.astype(np.float32)

model.compile(
    loss=tf.keras.losses.mean_squared_error,
    optimizer=tf.keras.optimizers.Adagrad(learning_rate=LEARNING_RATE))
model.fit(
    features,
    target,
    batch_size=BATCH_SIZE,
    epochs=NUM_EPOCHS,
    validation_split=0.2,
    shuffle=False,
    verbose=0)

model.evaluate(features, target)
10/10 [==============================] - 0s 1ms/step - loss: 0.1551

0.15507389605045319

কার্যকরী কেরাস মডেল

এই উদাহরণটি কেরাস মডেল নির্মাণের জন্য একটি কার্যকরী API ব্যবহার করে।

পূর্ববর্তী বিভাগে উল্লিখিত হিসাবে, জাল স্তরগুলি input[i] প্রত্যাশা করে input[i] [0, lattice_sizes[i] - 1.0] , সুতরাং আমাদেরকে ক্যালিব্রেশন স্তরগুলির আগে [0, lattice_sizes[i] - 1.0] আকারগুলি সংজ্ঞায়িত করতে হবে যাতে আমরা সঠিকভাবে আউটপুট পরিসর নির্দিষ্ট করতে পারি ক্রমাঙ্কন স্তর

# We are going to have 2-d embedding as one of lattice inputs.
lattice_sizes = [3, 2, 2, 3, 3, 2, 2]

প্রতিটি বৈশিষ্ট্যের জন্য, আমাদের একটি ইনপুট স্তর তৈরি করতে হবে যা একটি ক্রমাঙ্কন স্তর অনুসরণ করবে। সংখ্যাসূচক বৈশিষ্ট্যের জন্য আমরা tfl.layers.PWLCalibration ব্যবহার tfl.layers.PWLCalibration এবং শ্রেণিবদ্ধ বৈশিষ্ট্যগুলির জন্য আমরা tfl.layers.CategoricalCalibration ব্যবহার tfl.layers.CategoricalCalibration

model_inputs = []
lattice_inputs = []
# ############### age ###############
age_input = tf.keras.layers.Input(shape=[1], name='age')
model_inputs.append(age_input)
age_calibrator = tfl.layers.PWLCalibration(
    # Every PWLCalibration layer must have keypoints of piecewise linear
    # function specified. Easiest way to specify them is to uniformly cover
    # entire input range by using numpy.linspace().
    input_keypoints=np.linspace(
        training_data_df['age'].min(), training_data_df['age'].max(), num=5),
    # You need to ensure that input keypoints have same dtype as layer input.
    # You can do it by setting dtype here or by providing keypoints in such
    # format which will be converted to desired tf.dtype by default.
    dtype=tf.float32,
    # Output range must correspond to expected lattice input range.
    output_min=0.0,
    output_max=lattice_sizes[0] - 1.0,
    monotonicity='increasing',
    name='age_calib',
)(
    age_input)
lattice_inputs.append(age_calibrator)

# ############### sex ###############
# For boolean features simply specify CategoricalCalibration layer with 2
# buckets.
sex_input = tf.keras.layers.Input(shape=[1], name='sex')
model_inputs.append(sex_input)
sex_calibrator = tfl.layers.CategoricalCalibration(
    num_buckets=2,
    output_min=0.0,
    output_max=lattice_sizes[1] - 1.0,
    # Initializes all outputs to (output_min + output_max) / 2.0.
    kernel_initializer='constant',
    name='sex_calib',
)(
    sex_input)
lattice_inputs.append(sex_calibrator)

# ############### cp ###############
cp_input = tf.keras.layers.Input(shape=[1], name='cp')
model_inputs.append(cp_input)
cp_calibrator = tfl.layers.PWLCalibration(
    # Here instead of specifying dtype of layer we convert keypoints into
    # np.float32.
    input_keypoints=np.linspace(1, 4, num=4, dtype=np.float32),
    output_min=0.0,
    output_max=lattice_sizes[2] - 1.0,
    monotonicity='increasing',
    # You can specify TFL regularizers as tuple ('regularizer name', l1, l2).
    kernel_regularizer=('hessian', 0.0, 1e-4),
    name='cp_calib',
)(
    cp_input)
lattice_inputs.append(cp_calibrator)

# ############### trestbps ###############
trestbps_input = tf.keras.layers.Input(shape=[1], name='trestbps')
model_inputs.append(trestbps_input)
trestbps_calibrator = tfl.layers.PWLCalibration(
    # Alternatively, you might want to use quantiles as keypoints instead of
    # uniform keypoints
    input_keypoints=np.quantile(training_data_df['trestbps'],
                                np.linspace(0.0, 1.0, num=5)),
    dtype=tf.float32,
    # Together with quantile keypoints you might want to initialize piecewise
    # linear function to have 'equal_slopes' in order for output of layer
    # after initialization to preserve original distribution.
    kernel_initializer='equal_slopes',
    output_min=0.0,
    output_max=lattice_sizes[3] - 1.0,
    # You might consider clamping extreme inputs of the calibrator to output
    # bounds.
    clamp_min=True,
    clamp_max=True,
    monotonicity='increasing',
    name='trestbps_calib',
)(
    trestbps_input)
lattice_inputs.append(trestbps_calibrator)

# ############### chol ###############
chol_input = tf.keras.layers.Input(shape=[1], name='chol')
model_inputs.append(chol_input)
chol_calibrator = tfl.layers.PWLCalibration(
    # Explicit input keypoint initialization.
    input_keypoints=[126.0, 210.0, 247.0, 286.0, 564.0],
    output_min=0.0,
    output_max=lattice_sizes[4] - 1.0,
    # Monotonicity of calibrator can be decreasing. Note that corresponding
    # lattice dimension must have INCREASING monotonicity regardless of
    # monotonicity direction of calibrator.
    monotonicity='decreasing',
    # Convexity together with decreasing monotonicity result in diminishing
    # return constraint.
    convexity='convex',
    # You can specify list of regularizers. You are not limited to TFL
    # regularizrs. Feel free to use any :)
    kernel_regularizer=[('laplacian', 0.0, 1e-4),
                        tf.keras.regularizers.l1_l2(l1=0.001)],
    name='chol_calib',
)(
    chol_input)
lattice_inputs.append(chol_calibrator)

# ############### fbs ###############
fbs_input = tf.keras.layers.Input(shape=[1], name='fbs')
model_inputs.append(fbs_input)
fbs_calibrator = tfl.layers.CategoricalCalibration(
    num_buckets=2,
    output_min=0.0,
    output_max=lattice_sizes[5] - 1.0,
    # For categorical calibration layer monotonicity is specified for pairs
    # of indices of categories. Output for first category in pair will be
    # smaller than output for second category.
    #
    # Don't forget to set monotonicity of corresponding dimension of Lattice
    # layer to '1'.
    monotonicities=[(0, 1)],
    # This initializer is identical to default one ('uniform'), but has fixed
    # seed in order to simplify experimentation.
    kernel_initializer=tf.keras.initializers.RandomUniform(
        minval=0.0, maxval=lattice_sizes[5] - 1.0, seed=1),
    name='fbs_calib',
)(
    fbs_input)
lattice_inputs.append(fbs_calibrator)

# ############### restecg ###############
restecg_input = tf.keras.layers.Input(shape=[1], name='restecg')
model_inputs.append(restecg_input)
restecg_calibrator = tfl.layers.CategoricalCalibration(
    num_buckets=3,
    output_min=0.0,
    output_max=lattice_sizes[6] - 1.0,
    # Categorical monotonicity can be partial order.
    monotonicities=[(0, 1), (0, 2)],
    # Categorical calibration layer supports standard Keras regularizers.
    kernel_regularizer=tf.keras.regularizers.l1_l2(l1=0.001),
    kernel_initializer='constant',
    name='restecg_calib',
)(
    restecg_input)
lattice_inputs.append(restecg_calibrator)

এরপরে আমরা ক্যালিব্রেটারদের আউটপুটগুলি নিখরচায়ভাবে ফিউজ করতে একটি জাল স্তর তৈরি করি।

নোট করুন যে আমাদের প্রয়োজনীয় মাত্রাগুলির জন্য বাড়ার জন্য জালির একঘেয়েমি নির্দিষ্ট করতে হবে। ক্রমাঙ্কনে একঘেয়েমিটির দিকনির্দেশের সংমিশ্রণের ফলে একঘেয়েমিটির সঠিক শেষ-থেকে-শেষ দিকের ফলাফল হবে। এর মধ্যে tfl.layers.CategoricalCalibration স্তরটির আংশিক একঘেয়েমি অন্তর্ভুক্ত।

lattice = tfl.layers.Lattice(
    lattice_sizes=lattice_sizes,
    monotonicities=[
        'increasing', 'none', 'increasing', 'increasing', 'increasing',
        'increasing', 'increasing'
    ],
    output_min=0.0,
    output_max=1.0,
    name='lattice',
)(
    lattice_inputs)

মডেলটিতে আরও নমনীয়তা যুক্ত করতে আমরা একটি আউটপুট ক্রমাঙ্কন স্তর যুক্ত করি।

model_output = tfl.layers.PWLCalibration(
    input_keypoints=np.linspace(0.0, 1.0, 5),
    name='output_calib',
)(
    lattice)

আমরা এখন ইনপুট এবং আউটপুট ব্যবহার করে একটি মডেল তৈরি করতে পারি।

model = tf.keras.models.Model(
    inputs=model_inputs,
    outputs=model_output)
tf.keras.utils.plot_model(model, rankdir='LR')

পিএনজি

প্রশিক্ষণ অন্য কেরাস মডেলের মতোই কাজ করে। মনে রাখবেন যে, আমাদের সেটআপের সাথে ইনপুট বৈশিষ্ট্যগুলি পৃথক টেনেসর হিসাবে পাস করা হয়।

feature_names = ['age', 'sex', 'cp', 'trestbps', 'chol', 'fbs', 'restecg']
features = np.split(
    training_data_df[feature_names].values.astype(np.float32),
    indices_or_sections=len(feature_names),
    axis=1)
target = training_data_df[['target']].values.astype(np.float32)

model.compile(
    loss=tf.keras.losses.mean_squared_error,
    optimizer=tf.keras.optimizers.Adagrad(LEARNING_RATE))
model.fit(
    features,
    target,
    batch_size=BATCH_SIZE,
    epochs=NUM_EPOCHS,
    validation_split=0.2,
    shuffle=False,
    verbose=0)

model.evaluate(features, target)
10/10 [==============================] - 0s 1ms/step - loss: 0.1580

0.15798534452915192