Guia abrangente de clustering de peso

Ver no TensorFlow.org Executar no Google Colab Ver fonte no GitHub Baixar caderno

Bem-vindo ao guia completo para clustering de peso, que faz parte do kit de ferramentas TensorFlow modelo de otimização.

Esta página documenta vários casos de uso e mostra como usar a API para cada um. Depois de saber quais APIs você precisa, encontrar os parâmetros e os detalhes de baixo nível nos docs API :

Neste guia, os seguintes casos de uso são abordados:

  • Defina um modelo em cluster.
  • Faça checkpoint e desserialize um modelo em cluster.
  • Melhore a precisão do modelo em cluster.
  • Apenas para implantação, você deve seguir etapas para ver os benefícios da compactação.

Configurar

! 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()

Defina um modelo em cluster

Agrupe um modelo completo (sequencial e funcional)

Dicas para uma melhor precisão do modelo:

  • Você deve passar um modelo pré-treinado com precisão aceitável para esta API. Modelos de treinamento do zero com resultados de agrupamento em precisão abaixo da média.
  • Em alguns casos, agrupar certas camadas tem um efeito prejudicial na precisão do modelo. Marque "Agrupar algumas camadas" para ver como ignorar o agrupamento das camadas que mais afetam a precisão.

Para agrupar todas as camadas, aplicar tfmot.clustering.keras.cluster_weights ao modelo.

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.KMEANS_PLUS_PLUS
}

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)                823       
_________________________________________________________________
cluster_flatten_2 (ClusterWe (None, 20)                0         
=================================================================
Total params: 823
Trainable params: 423
Non-trainable params: 400
_________________________________________________________________

Agrupe algumas camadas (modelos sequenciais e funcionais)

Dicas para uma melhor precisão do modelo:

  • Você deve passar um modelo pré-treinado com precisão aceitável para esta API. Modelos de treinamento do zero com resultados de agrupamento em precisão abaixo da média.
  • Cluster camadas posteriores com os parâmetros mais redundantes (por exemplo, tf.keras.layers.Dense , tf.keras.layers.Conv2D ), em oposição às primeiras camadas.
  • Congele as primeiras camadas antes das camadas agrupadas durante o ajuste fino. Trate o número de camadas congeladas como um hiperparâmetro. Empiricamente, congelar a maioria das camadas iniciais é ideal para a API de clustering atual.
  • Evite agrupar camadas críticas (por exemplo, mecanismo de atenção).

Mais: os tfmot.clustering.keras.cluster_weights API docs fornecem detalhes sobre como variar a configuração de cluster por camada.

# 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)                823       
_________________________________________________________________
flatten_3 (Flatten)          (None, 20)                0         
=================================================================
Total params: 823
Trainable params: 423
Non-trainable params: 400
_________________________________________________________________

Agrupe a camada Keras personalizada ou especifique quais espessuras de camada agrupar

tfmot.clustering.keras.ClusterableLayer serve dois casos de uso:

  1. Agrupe qualquer camada que não seja suportada nativamente, incluindo uma camada Keras personalizada.
  2. Especifique quais pesos de uma camada suportada devem ser agrupados.

Por exemplo, os padrões de API a única aglomerando o núcleo do Dense camada. O exemplo abaixo mostra como modificá-lo para também agrupar o viés. Note que quando decorrentes da camada keras, você precisa substituir a função get_clusterable_weights , onde você especifica o nome da variável treinável a ser agrupados e da própria variável treinável. Por exemplo, se você retornar uma lista vazia [], nenhum peso será agrupável.

Erro comum: aglomerando o viés geralmente prejudica a precisão do modelo demais.

class MyDenseLayer(tf.keras.layers.Dense, tfmot.clustering.keras.ClusterableLayer):

  def get_clusterable_weights(self):
   # Cluster kernel and bias. This is just an example, clustering
   # bias usually hurts model accuracy.
   return [('kernel', self.kernel), ('bias', self.bias)]

# Use `cluster_weights` to make the `MyDenseLayer` layer train with clustering as usual.
model_for_clustering = tf.keras.Sequential([
  tfmot.clustering.keras.cluster_weights(MyDenseLayer(20, input_shape=[input_dim]), **clustering_params),
  tf.keras.layers.Flatten()
])

model_for_clustering.summary()
Model: "sequential_4"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
cluster_my_dense_layer (Clus (None, 20)                846       
_________________________________________________________________
flatten_4 (Flatten)          (None, 20)                0         
=================================================================
Total params: 846
Trainable params: 426
Non-trainable params: 420
_________________________________________________________________

Você também pode usar tfmot.clustering.keras.ClusterableLayer a agrupar uma camada personalizada keras. Para fazer isso, você estender tf.keras.Layer como de costume e implementar o __init__ , call , e build funções, mas você também precisa estender a clusterable_layer.ClusterableLayer classe e implementar:

  1. get_clusterable_weights , onde você especificar o kernel peso a ser agrupados, como mostrado acima.
  2. get_clusterable_algorithm , onde você especificar o algoritmo de agrupamento para o tensor de peso. Isso ocorre porque você precisa especificar como os pesos da camada personalizada são moldados para agrupamento. A classe algoritmo de agrupamento devolvido deve ser derivado da clustering_algorithm.ClusteringAlgorithm classe e a função get_pulling_indices deve ser substituído. Um exemplo desta função, que suporta pesos de fileiras 1D, 2D e 3D, pode ser encontrada aqui .

Um exemplo deste caso de uso pode ser encontrada aqui .

Faça checkpoint e desserialize um modelo em cluster

Seu caso de uso: este código só é necessária para o efeito o modelo HDF5 (não HDF5 pesos ou outros formatos).

# 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:Compiled the loaded model, but the compiled metrics have yet to be built. `model.compile_metrics` will be empty until you train or evaluate the model.
WARNING:tensorflow:No training configuration found in the save file, so the model was *not* compiled. Compile it manually.
Model: "sequential_5"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
cluster_dense_4 (ClusterWeig (None, 20)                823       
_________________________________________________________________
cluster_flatten_5 (ClusterWe (None, 20)                0         
=================================================================
Total params: 823
Trainable params: 423
Non-trainable params: 400
_________________________________________________________________

Melhore a precisão do modelo em cluster

Para seu caso de uso específico, existem dicas que você pode considerar:

  • A inicialização do centróide desempenha um papel fundamental na precisão do modelo otimizado final. Em geral, a inicialização do kmeans ++ supera a inicialização linear, de densidade e aleatória. Ao não usar o kmeans ++, a inicialização linear tende a superar a densidade e a inicialização aleatória, uma vez que não tende a perder grandes pesos. No entanto, a inicialização da densidade foi observada para fornecer melhor precisão para o caso de usar muito poucos clusters em pesos com distribuições bimodais.

  • Defina uma taxa de aprendizado inferior à usada no treinamento ao ajustar o modelo em cluster.

  • Para obter ideias gerais para melhorar a precisão do modelo, procure dicas para seu (s) caso (s) de uso em "Definir um modelo em cluster".

Desdobramento, desenvolvimento

Exportar modelo com compressão de tamanho

Erro comum: ambos strip_clustering e aplicar um algoritmo de compressão padrão (por exemplo, através de gzip) são necessários para ver os benefícios de compressão de clustering.

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 343ms/step - loss: 16.1181 - accuracy: 0.0000e+00
final model
Model: "sequential_6"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_5 (Dense)              (None, 20)                420       
_________________________________________________________________
flatten_6 (Flatten)          (None, 20)                0         
=================================================================
Total params: 420
Trainable params: 420
Non-trainable params: 0
_________________________________________________________________


Size of gzipped clustered model without stripping: 3447.00 bytes
WARNING:tensorflow:Compiled the loaded model, but the compiled metrics have yet to be built. `model.compile_metrics` will be empty until you train or evaluate the model.
Size of gzipped clustered model with stripping: 1433.00 bytes