このページは Cloud Translation API によって翻訳されました。
Switch to English

ウェイトクラスタリングの包括的なガイド

TensorFlow.orgで表示 GoogleColabで実行 GitHubでソースを表示ノートブックをダウンロード

TensorFlowモデル最適化ツールキットの一部であるウェイトクラスタリングの包括的なガイドへようこそ。

このページでは、さまざまなユースケースについて説明し、それぞれのAPIの使用方法を示します。必要なAPIがわかったら、 APIドキュメントでパラメータと低レベルの詳細を見つけます。

  • ウェイトクラスタリングの利点とサポートされているものを確認したい場合は、概要を確認してください。
  • 単一のエンドツーエンドの例については、重みクラスタリングの例を参照してください。

このガイドでは、次の使用例について説明します。

  • クラスター化されたモデルを定義します。
  • クラスター化されたモデルをチェックポイントして逆シリアル化します。
  • クラスター化モデルの精度を向上させます。
  • 展開の場合のみ、圧縮の利点を確認するための手順を実行する必要があります。

セットアップ

! pip install -q tensorflow-model-optimization

import tensorflow as tf
import numpy as np
import tempfile
import os
import tensorflow_model_optimization as tfmot

input_dim = 20
output_dim = 20
x_train = np.random.randn(1, input_dim).astype(np.float32)
y_train = tf.keras.utils.to_categorical(np.random.randn(1), num_classes=output_dim)

def setup_model():
  model = tf.keras.Sequential([
      tf.keras.layers.Dense(input_dim, input_shape=[input_dim]),
      tf.keras.layers.Flatten()
  ])
  return model

def train_model(model):
  model.compile(
      loss=tf.keras.losses.categorical_crossentropy,
      optimizer='adam',
      metrics=['accuracy']
  )
  model.summary()
  model.fit(x_train, y_train)
  return model

def save_model_weights(model):
  _, pretrained_weights = tempfile.mkstemp('.h5')
  model.save_weights(pretrained_weights)
  return pretrained_weights

def setup_pretrained_weights():
  model= setup_model()
  model = train_model(model)
  pretrained_weights = save_model_weights(model)
  return pretrained_weights

def setup_pretrained_model():
  model = setup_model()
  pretrained_weights = setup_pretrained_weights()
  model.load_weights(pretrained_weights)
  return model

def save_model_file(model):
  _, keras_file = tempfile.mkstemp('.h5') 
  model.save(keras_file, include_optimizer=False)
  return keras_file

def get_gzipped_model_size(model):
  # It returns the size of the gzipped model in bytes.
  import os
  import zipfile

  keras_file = save_model_file(model)

  _, zipped_file = tempfile.mkstemp('.zip')
  with zipfile.ZipFile(zipped_file, 'w', compression=zipfile.ZIP_DEFLATED) as f:
    f.write(keras_file)
  return os.path.getsize(zipped_file)

setup_model()
pretrained_weights = setup_pretrained_weights()
WARNING: You are using pip version 20.2.2; however, version 20.2.3 is available.
You should consider upgrading via the '/tmpfs/src/tf_docs_env/bin/python -m pip install --upgrade pip' command.
Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 20)                420       
_________________________________________________________________
flatten_1 (Flatten)          (None, 20)                0         
=================================================================
Total params: 420
Trainable params: 420
Non-trainable params: 0
_________________________________________________________________
1/1 [==============================] - 0s 1ms/step - loss: 16.1181 - accuracy: 0.0000e+00

クラスター化されたモデルを定義する

モデル全体をクラスター化する(順次および機能)

モデルの精度を高めるためのヒント

  • 事前にトレーニングされたモデルを許容可能な精度でこのAPIに渡す必要があります。クラスタリングを使用してモデルを最初からトレーニングすると、精度が低くなります。
  • 場合によっては、特定のレイヤーをクラスタリングすると、モデルの精度に悪影響があります。精度に最も影響するレイヤーのクラスター化をスキップする方法については、「いくつかのレイヤーをクラスター化する」をチェックしてください。

すべてのレイヤーをクラスター化するには、 tfmot.clustering.keras.cluster_weightsをモデルに適用します。

import tensorflow_model_optimization as tfmot

cluster_weights = tfmot.clustering.keras.cluster_weights
CentroidInitialization = tfmot.clustering.keras.CentroidInitialization

clustering_params = {
  'number_of_clusters': 3,
  'cluster_centroids_init': CentroidInitialization.DENSITY_BASED
}

model = setup_model()
model.load_weights(pretrained_weights)

clustered_model = cluster_weights(model, **clustering_params)

clustered_model.summary()
Model: "sequential_2"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
cluster_dense_2 (ClusterWeig (None, 20)                423       
_________________________________________________________________
cluster_flatten_2 (ClusterWe (None, 20)                0         
=================================================================
Total params: 423
Trainable params: 23
Non-trainable params: 400
_________________________________________________________________

いくつかのレイヤーをクラスター化する(シーケンシャルモデルと機能モデル)

モデルの精度を高めるためのヒント

  • 事前にトレーニングされたモデルを許容可能な精度でこのAPIに渡す必要があります。クラスタリングを使用してモデルを最初からトレーニングすると、精度が低くなります。
  • 初期のレイヤーとは対照的に、より冗長なパラメーター( tf.keras.layers.Densetf.keras.layers.Conv2D )を使用して後のレイヤーをクラスター化します。
  • 微調整中に、クラスター化されたレイヤーの前に初期レイヤーをフリーズします。凍結された層の数をハイパーパラメータとして扱います。経験的に、ほとんどの初期レイヤーをフリーズすることは、現在のクラスタリングAPIにとって理想的です。
  • 重要なレイヤー(注意メカニズムなど)のクラスター化は避けてください。

詳細tfmot.clustering.keras.cluster_weights APIドキュメントには、レイヤーごとにクラスタリング構成を変更する方法の詳細が記載されています。

# Create a base model
base_model = setup_model()
base_model.load_weights(pretrained_weights)

# Helper function uses `cluster_weights` to make only 
# the Dense layers train with clustering
def apply_clustering_to_dense(layer):
  if isinstance(layer, tf.keras.layers.Dense):
    return cluster_weights(layer, **clustering_params)
  return layer

# Use `tf.keras.models.clone_model` to apply `apply_clustering_to_dense` 
# to the layers of the model.
clustered_model = tf.keras.models.clone_model(
    base_model,
    clone_function=apply_clustering_to_dense,
)

clustered_model.summary()
Model: "sequential_3"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
cluster_dense_3 (ClusterWeig (None, 20)                423       
_________________________________________________________________
flatten_3 (Flatten)          (None, 20)                0         
=================================================================
Total params: 423
Trainable params: 23
Non-trainable params: 400
_________________________________________________________________

クラスター化されたモデルをチェックポイントして逆シリアル化する

ユースケース:このコードは、HDF5モデル形式にのみ必要です(HDF5ウェイトやその他の形式には必要ありません)。

# Define the model.
base_model = setup_model()
base_model.load_weights(pretrained_weights)
clustered_model = cluster_weights(base_model, **clustering_params)

# Save or checkpoint the model.
_, keras_model_file = tempfile.mkstemp('.h5')
clustered_model.save(keras_model_file, include_optimizer=True)

# `cluster_scope` is needed for deserializing HDF5 models.
with tfmot.clustering.keras.cluster_scope():
  loaded_model = tf.keras.models.load_model(keras_model_file)

loaded_model.summary()
WARNING:tensorflow:No training configuration found in the save file, so the model was *not* compiled. Compile it manually.
Model: "sequential_4"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
cluster_dense_4 (ClusterWeig (None, 20)                423       
_________________________________________________________________
cluster_flatten_4 (ClusterWe (None, 20)                0         
=================================================================
Total params: 423
Trainable params: 23
Non-trainable params: 400
_________________________________________________________________

クラスター化モデルの精度を向上させる

特定のユースケースについて、検討できるヒントがあります。

  • セントロイドの初期化は、最終的に最適化されたモデルの精度において重要な役割を果たします。一般に、線形初期化は、大きな重みを見逃す傾向がないため、密度およびランダム初期化よりも優れています。ただし、密度の初期化により、バイモーダル分布の重みで使用するクラスターが非常に少ない場合の精度が向上することが確認されています。

  • クラスター化モデルを微調整するときにトレーニングで使用されるものよりも低い学習率を設定します。

  • モデルの精度を向上させるための一般的なアイデアについては、「クラスター化されたモデルの定義」でユースケースのヒントを探してください。

展開

サイズ圧縮を使用してモデルをエクスポート

よくある間違い:クラスタリングの圧縮の利点を確認するには、 strip_clusteringと標準の圧縮アルゴリズムの適用(gzipなど)の両方が必要です。

model = setup_model()
clustered_model = cluster_weights(model, **clustering_params)

clustered_model.compile(
    loss=tf.keras.losses.categorical_crossentropy,
    optimizer='adam',
    metrics=['accuracy']
)

clustered_model.fit(
    x_train,
    y_train
)

final_model = tfmot.clustering.keras.strip_clustering(clustered_model)

print("final model")
final_model.summary()

print("\n")
print("Size of gzipped clustered model without stripping: %.2f bytes" 
      % (get_gzipped_model_size(clustered_model)))
print("Size of gzipped clustered model with stripping: %.2f bytes" 
      % (get_gzipped_model_size(final_model)))
1/1 [==============================] - 0s 984us/step - loss: 16.1181 - accuracy: 0.0000e+00
final model
Model: "sequential_5"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_5 (Dense)              (None, 20)                420       
_________________________________________________________________
flatten_5 (Flatten)          (None, 20)                0         
=================================================================
Total params: 420
Trainable params: 420
Non-trainable params: 0
_________________________________________________________________


Size of gzipped clustered model without stripping: 1809.00 bytes
Size of gzipped clustered model with stripping: 1399.00 bytes