หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

คู่มือการจัดกลุ่มน้ำหนักที่ครอบคลุม

ดูใน TensorFlow.org เรียกใช้ใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดสมุดบันทึก

ยินดีต้อนรับสู่คำแนะนำที่ครอบคลุมสำหรับการ จัดกลุ่มน้ำหนัก ซึ่งเป็นส่วนหนึ่งของชุดเครื่องมือ TensorFlow Model Optimization

หน้านี้จัดทำเอกสารกรณีการใช้งานต่างๆและแสดงวิธีใช้ API สำหรับแต่ละรายการ เมื่อคุณทราบว่าคุณต้องการ API ใดแล้วให้ค้นหาพารามิเตอร์และรายละเอียดระดับต่ำใน เอกสาร API :

ในคู่มือนี้ครอบคลุมกรณีการใช้งานต่อไปนี้:

  • กำหนดรูปแบบคลัสเตอร์
  • ตรวจสอบและยกเลิกการกำหนดค่าแบบจำลองคลัสเตอร์
  • ปรับปรุงความแม่นยำของแบบจำลองคลัสเตอร์
  • สำหรับการปรับใช้เท่านั้นคุณต้องทำตามขั้นตอนเพื่อดูประโยชน์การบีบอัด

ติดตั้ง

! 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 20.2.1; however, version 20.2.2 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

กำหนดรูปแบบคลัสเตอร์

คลัสเตอร์โมเดลทั้งหมด (ตามลำดับและใช้งานได้)

เคล็ดลับ เพื่อความแม่นยำของโมเดลที่ดีขึ้น:

  • คุณต้องส่งแบบจำลองที่ผ่านการฝึกอบรมมาก่อนและมีความแม่นยำที่ยอมรับได้สำหรับ API นี้ แบบจำลองการฝึกอบรมตั้งแต่เริ่มต้นด้วยการจัดกลุ่มผลลัพธ์ที่มีความแม่นยำต่ำ
  • ในบางกรณีการรวมกลุ่มบางเลเยอร์อาจส่งผลเสียต่อความแม่นยำของโมเดล เลือก "คลัสเตอร์บางเลเยอร์" เพื่อดูวิธีข้ามการจัดกลุ่มเลเยอร์ที่มีผลต่อความแม่นยำมากที่สุด

ในการทำคลัสเตอร์เลเยอร์ทั้งหมดให้ใช้ tfmot.clustering.keras.cluster_weights กับโมเดล

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
_________________________________________________________________

คลัสเตอร์บางเลเยอร์ (แบบจำลองตามลำดับและฟังก์ชัน)

เคล็ดลับ เพื่อความแม่นยำของโมเดลที่ดีขึ้น:

  • คุณต้องส่งแบบจำลองที่ผ่านการฝึกอบรมมาก่อนและมีความแม่นยำที่ยอมรับได้สำหรับ API นี้ แบบจำลองการฝึกอบรมตั้งแต่เริ่มต้นด้วยการจัดกลุ่มผลลัพธ์ที่มีความแม่นยำต่ำ
  • คลัสเตอร์เลเยอร์ในภายหลังที่มีพารามิเตอร์ซ้ำซ้อนมากขึ้น (เช่น tf.keras.layers.Dense , tf.keras.layers.Conv2D ) ซึ่งตรงข้ามกับเลเยอร์แรก ๆ
  • ตรึงเลเยอร์แรกไว้ก่อนเลเยอร์คลัสเตอร์ระหว่างการปรับแต่ง ถือว่าจำนวนเลเยอร์ที่แช่แข็งเป็นไฮเปอร์พารามิเตอร์ ในเชิงประจักษ์การแช่แข็งเลเยอร์แรก ๆ ส่วนใหญ่เหมาะอย่างยิ่งสำหรับ API การทำคลัสเตอร์ปัจจุบัน
  • หลีกเลี่ยงการจัดกลุ่มชั้นวิกฤต (เช่นกลไกการให้ความสนใจ)

เพิ่มเติม : เอกสาร tfmot.clustering.keras.cluster_weights API ให้รายละเอียดเกี่ยวกับวิธีการเปลี่ยนแปลงการกำหนดค่าคลัสเตอร์ต่อเลเยอร์

# 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
_________________________________________________________________

ตรวจสอบและยกเลิกการกำหนดค่าแบบจำลองคลัสเตอร์

กรณีการใช้งานของคุณ: รหัสนี้จำเป็นสำหรับรูปแบบโมเดล HDF5 เท่านั้น (ไม่ใช่น้ำหนัก HDF5 หรือรูปแบบอื่น ๆ )

# 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
_________________________________________________________________

ปรับปรุงความแม่นยำของแบบจำลองคลัสเตอร์

สำหรับกรณีการใช้งานเฉพาะของคุณมีเคล็ดลับที่คุณสามารถพิจารณา:

  • การเริ่มต้น Centroid มีบทบาทสำคัญในความแม่นยำของโมเดลขั้นสุดท้าย โดยทั่วไปการเริ่มต้นเชิงเส้นมีประสิทธิภาพดีกว่าความหนาแน่นและการเริ่มต้นแบบสุ่มเนื่องจากไม่มีแนวโน้มที่จะพลาดน้ำหนักมาก อย่างไรก็ตามการเริ่มต้นความหนาแน่นได้รับการสังเกตเพื่อให้ความแม่นยำที่ดีขึ้นสำหรับกรณีที่ใช้กลุ่มน้อยมากกับน้ำหนักที่มีการแจกแจงแบบไบโมดอล

  • กำหนดอัตราการเรียนรู้ที่ต่ำกว่าอัตราที่ใช้ในการฝึกอบรมเมื่อปรับโมเดลแบบคลัสเตอร์อย่างละเอียด

  • สำหรับแนวคิดทั่วไปในการปรับปรุงความแม่นยำของโมเดลให้ดูเคล็ดลับสำหรับกรณีการใช้งานของคุณในส่วน "กำหนดรูปแบบคลัสเตอร์"

การปรับใช้

ส่งออกโมเดลด้วยการบีบอัดขนาด

ข้อผิดพลาดทั่วไป : ทั้ง strip_clustering และการใช้อัลกอริธึมการบีบอัดมาตรฐาน (เช่นผ่าน gzip) เป็นสิ่งจำเป็นเพื่อดูประโยชน์การบีบอัดของการทำคลัสเตอร์

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 961us/step - loss: 2.7114 - 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: 1818.00 bytes
Size of gzipped clustered model with stripping: 1412.00 bytes