Esta página foi traduzida pela API Cloud Translation.
Switch to English

agrupamento de peso guia completo

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 :

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