 Ver TensorFlow.org |  Executar no Google Colab |  Ver fonte no GitHub |  Baixar notebook |
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 :
- Se você quiser ver os benefícios do agrupamento de peso e que está apoiado, verifique a visão geral .
- Para um único exemplo de ponta-a-ponta, ver o exemplo, o peso de agrupamento .
Neste guia, os seguintes casos de uso são abordados:
- Definir um modelo de cluster.
- Checkpoint e desserializar um modelo de cluster.
- Melhorar a precisão do modelo de cluster.
- Para implantação somente, você deve tomar medidas para ver os benefícios da compressão.
Configuração
! 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()
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: 1.3192 - accuracy: 0.0000e+00
Definir um modelo agrupado
Agrupar um modelo inteiro (sequencial e funcional)
Dicas para uma melhor precisão do modelo:
- Você deve passar por um modelo de pré-treinado com precisão aceitável para esta API. Treinando modelos a partir do zero com o clustering resulta em precisão subpar.
- Em alguns casos, o agrupamento certas camadas tem um efeito negativo sobre a precisão do modelo. Marque a opção "cluster algumas camadas" para ver como pular aglomerando as camadas que afetam a precisão a mais.
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.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 _________________________________________________________________
Cluster algumas camadas (sequencial e modelos funcionais)
Dicas para uma melhor precisão do modelo:
- Você deve passar por um modelo de pré-treinado com precisão aceitável para esta API. Treinando modelos a partir do zero com o clustering resulta em precisão subpar.
- Cluster camadas posteriores com os parâmetros mais redundantes (por exemplo,
tf.keras.layers.Dense,tf.keras.layers.Conv2D), em oposição às primeiras camadas. - Congelar camadas iniciais anteriores para as camadas de cluster durante a sintonia fina. Tratar o número de camadas congeladas como um hiperparâmetro. Empiricamente, congelamento camadas mais adiantados é ideal para o atual API clustering.
- Evitar o agrupamento 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) 423 _________________________________________________________________ flatten_3 (Flatten) (None, 20) 0 ================================================================= Total params: 423 Trainable params: 23 Non-trainable params: 400 _________________________________________________________________
Checkpoint e desserializar um modelo agrupado
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: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 _________________________________________________________________
Melhorar a precisão do modelo de cluster
Para o seu caso de uso específico, há dicas que você pode considerar:
inicialização centróide desempenha um papel fundamental na precisão do modelo otimizado final. Em geral, a inicialização linear Supera densidade e inicialização aleatório, uma vez que não tende a grandes pesos perder. No entanto, a inicialização densidade tem sido observado para dar uma melhor precisão para o caso de utilização de muito poucos aglomerados em pesos com distribuições bimodais.
Defina uma taxa de aprendizagem que é menor do que a utilizada no treinamento, quando o ajuste fino do modelo de cluster.
Para idéias gerais para melhorar a precisão do modelo, procure dicas para o seu caso de uso (s) em "Definir um modelo de cluster".
Desdobramento, desenvolvimento
modelo de exportação com compressão 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 1ms/step - loss: 2.2136 - 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: 1822.00 bytes Size of gzipped clustered model with stripping: 1408.00 bytes