 عرض على TensorFlow.org |  تشغيل في Google Colab |  عرض المصدر على جيثب |  تنزيل دفتر الملاحظات |
نظرة عامة
مرحبًا بك في المثال الشامل لتجميع الوزن ، وهو جزء من مجموعة أدوات تحسين نموذج TensorFlow.
صفحات أخرى
للحصول على مقدمة حول كتلة الوزن وتحديد ما إذا كان يجب استخدامه (بما في ذلك ما هو مدعوم) ، راجع صفحة النظرة العامة .
للعثور بسرعة على واجهات برمجة التطبيقات التي تحتاجها لحالة الاستخدام الخاصة بك (بخلاف تجميع النموذج بالكامل مع 16 مجموعة) ، راجع الدليل الشامل .
محتويات
في البرنامج التعليمي ، ستقوم بما يلي:
- تدريب
tf.kerasنموذج للبيانات MNIST من الصفر. - صقل النموذج بتطبيق واجهة برمجة تطبيقات تجميع الوزن ومعرفة الدقة.
- إنشاء نماذج أصغر 6 مرات TF و TFLite من المجموعات.
- قم بإنشاء نموذج TFLite أصغر 8 مرات من الجمع بين تجميع الوزن وتحديد الكميات بعد التدريب.
- شاهد استمرار الدقة من TF إلى TFLite.
اقامة
يمكنك تشغيل Jupyter Notebook هذا في Virtualenv المحلي أو colab . للحصول على تفاصيل إعداد التبعيات ، يرجى الرجوع إلى دليل التثبيت .
pip install -q tensorflow-model-optimization
import tensorflow as tf
from tensorflow import keras
import numpy as np
import tempfile
import zipfile
import os
تدريب نموذج tf.keras لـ MNIST بدون تجميع
# Load MNIST dataset
mnist = keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
# Normalize the input image so that each pixel value is between 0 to 1.
train_images = train_images / 255.0
test_images = test_images / 255.0
# Define the model architecture.
model = keras.Sequential([
keras.layers.InputLayer(input_shape=(28, 28)),
keras.layers.Reshape(target_shape=(28, 28, 1)),
keras.layers.Conv2D(filters=12, kernel_size=(3, 3), activation=tf.nn.relu),
keras.layers.MaxPooling2D(pool_size=(2, 2)),
keras.layers.Flatten(),
keras.layers.Dense(10)
])
# Train the digit classification model
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
model.fit(
train_images,
train_labels,
validation_split=0.1,
epochs=10
)
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz 11493376/11490434 [==============================] - 0s 0us/step Epoch 1/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.3352 - accuracy: 0.9039 - val_loss: 0.1543 - val_accuracy: 0.9575 Epoch 2/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.1535 - accuracy: 0.9559 - val_loss: 0.0948 - val_accuracy: 0.9745 Epoch 3/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.1003 - accuracy: 0.9715 - val_loss: 0.0750 - val_accuracy: 0.9788 Epoch 4/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0791 - accuracy: 0.9768 - val_loss: 0.0652 - val_accuracy: 0.9828 Epoch 5/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0669 - accuracy: 0.9803 - val_loss: 0.0663 - val_accuracy: 0.9807 Epoch 6/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0589 - accuracy: 0.9820 - val_loss: 0.0581 - val_accuracy: 0.9833 Epoch 7/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0528 - accuracy: 0.9840 - val_loss: 0.0584 - val_accuracy: 0.9832 Epoch 8/10 1688/1688 [==============================] - 8s 5ms/step - loss: 0.0479 - accuracy: 0.9854 - val_loss: 0.0560 - val_accuracy: 0.9838 Epoch 9/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0434 - accuracy: 0.9867 - val_loss: 0.0550 - val_accuracy: 0.9853 Epoch 10/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0393 - accuracy: 0.9880 - val_loss: 0.0571 - val_accuracy: 0.9845 <tensorflow.python.keras.callbacks.History at 0x7fd1a1e18668>
قم بتقييم نموذج خط الأساس واحفظه للاستخدام لاحقًا
_, baseline_model_accuracy = model.evaluate(
test_images, test_labels, verbose=0)
print('Baseline test accuracy:', baseline_model_accuracy)
_, keras_file = tempfile.mkstemp('.h5')
print('Saving model to: ', keras_file)
tf.keras.models.save_model(model, keras_file, include_optimizer=False)
Baseline test accuracy: 0.9805999994277954 Saving model to: /tmp/tmpphs68ctq.h5
صقل النموذج المدرب مسبقًا مع التجميع
قم cluster_weights() واجهة برمجة تطبيقات cluster_weights() على نموذج كامل تم تدريبه مسبقًا لإثبات فعاليته في تقليل حجم النموذج بعد تطبيق الرمز البريدي مع الحفاظ على الدقة اللائقة. لمعرفة أفضل طريقة لموازنة الدقة ومعدل الضغط لحالة الاستخدام الخاصة بك ، يرجى الرجوع إلى مثال لكل طبقة في الدليل الشامل .
تحديد النموذج وتطبيق واجهة برمجة تطبيقات التجميع
قبل تمرير النموذج إلى واجهة برمجة تطبيقات المجموعات ، تأكد من تدريبه وإظهار بعض الدقة المقبولة.
import tensorflow_model_optimization as tfmot
cluster_weights = tfmot.clustering.keras.cluster_weights
CentroidInitialization = tfmot.clustering.keras.CentroidInitialization
clustering_params = {
'number_of_clusters': 16,
'cluster_centroids_init': CentroidInitialization.LINEAR
}
# Cluster a whole model
clustered_model = cluster_weights(model, **clustering_params)
# Use smaller learning rate for fine-tuning clustered model
opt = tf.keras.optimizers.Adam(learning_rate=1e-5)
clustered_model.compile(
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
optimizer=opt,
metrics=['accuracy'])
clustered_model.summary()
Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= cluster_reshape (ClusterWeig (None, 28, 28, 1) 0 _________________________________________________________________ cluster_conv2d (ClusterWeigh (None, 26, 26, 12) 136 _________________________________________________________________ cluster_max_pooling2d (Clust (None, 13, 13, 12) 0 _________________________________________________________________ cluster_flatten (ClusterWeig (None, 2028) 0 _________________________________________________________________ cluster_dense (ClusterWeight (None, 10) 20306 ================================================================= Total params: 20,442 Trainable params: 54 Non-trainable params: 20,388 _________________________________________________________________
صقل النموذج وتقييم الدقة مقابل خط الأساس
صقل النموذج مع التجميع لعصر واحد.
# Fine-tune model
clustered_model.fit(
train_images,
train_labels,
batch_size=500,
epochs=1,
validation_split=0.1)
108/108 [==============================] - 2s 16ms/step - loss: 0.0535 - accuracy: 0.9821 - val_loss: 0.0692 - val_accuracy: 0.9803 <tensorflow.python.keras.callbacks.History at 0x7fd18437ee10>
بالنسبة لهذا المثال ، توجد خسارة طفيفة في دقة الاختبار بعد التجميع ، مقارنة بخط الأساس.
_, clustered_model_accuracy = clustered_model.evaluate(
test_images, test_labels, verbose=0)
print('Baseline test accuracy:', baseline_model_accuracy)
print('Clustered test accuracy:', clustered_model_accuracy)
Baseline test accuracy: 0.9805999994277954 Clustered test accuracy: 0.9753000140190125
إنشاء 6X نماذج أصغر من التجميع
كلا من strip_clustering وتطبيق خوارزمية ضغط قياسية (على سبيل المثال عن طريق gzip) ضرورية لمعرفة فوائد ضغط التجميع.
أولاً ، قم بإنشاء نموذج قابل للانضغاط لـ TensorFlow. هنا ، يزيل strip_clustering جميع المتغيرات (على سبيل المثال tf.Variable المتغير لتخزين tf.Variable المركزية العنقودية والمؤشرات) التي يحتاجها التجميع فقط أثناء التدريب ، والتي من شأنها أن تضيف إلى حجم النموذج أثناء الاستدلال.
final_model = tfmot.clustering.keras.strip_clustering(clustered_model)
_, clustered_keras_file = tempfile.mkstemp('.h5')
print('Saving clustered model to: ', clustered_keras_file)
tf.keras.models.save_model(final_model, clustered_keras_file,
include_optimizer=False)
Saving clustered model to: /tmp/tmpfnmtfvf8.h5
ثم قم بإنشاء نماذج قابلة للانضغاط لـ TFLite. يمكنك تحويل النموذج المجمع إلى تنسيق قابل للتشغيل في الخلفية المستهدفة. TensorFlow Lite هو مثال يمكنك استخدامه للنشر على الأجهزة المحمولة.
clustered_tflite_file = '/tmp/clustered_mnist.tflite'
converter = tf.lite.TFLiteConverter.from_keras_model(final_model)
tflite_clustered_model = converter.convert()
with open(clustered_tflite_file, 'wb') as f:
f.write(tflite_clustered_model)
print('Saved clustered TFLite model to:', clustered_tflite_file)
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/training/tracking/tracking.py:111: Model.state_updates (from tensorflow.python.keras.engine.training) is deprecated and will be removed in a future version. Instructions for updating: This property should not be used in TensorFlow 2.0, as updates are applied automatically. WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/training/tracking/tracking.py:111: Layer.updates (from tensorflow.python.keras.engine.base_layer) is deprecated and will be removed in a future version. Instructions for updating: This property should not be used in TensorFlow 2.0, as updates are applied automatically. INFO:tensorflow:Assets written to: /tmp/tmpe966h_56/assets Saved clustered TFLite model to: /tmp/clustered_mnist.tflite
حدد وظيفة المساعد لضغط النماذج فعليًا عبر gzip وقياس الحجم المضغوط.
def get_gzipped_model_size(file):
# It returns the size of the gzipped model in bytes.
import os
import zipfile
_, zipped_file = tempfile.mkstemp('.zip')
with zipfile.ZipFile(zipped_file, 'w', compression=zipfile.ZIP_DEFLATED) as f:
f.write(file)
return os.path.getsize(zipped_file)
مقارنة ونرى أن النماذج هي 6X أصغر من التجميع
print("Size of gzipped baseline Keras model: %.2f bytes" % (get_gzipped_model_size(keras_file)))
print("Size of gzipped clustered Keras model: %.2f bytes" % (get_gzipped_model_size(clustered_keras_file)))
print("Size of gzipped clustered TFlite model: %.2f bytes" % (get_gzipped_model_size(clustered_tflite_file)))
Size of gzipped baseline Keras model: 78076.00 bytes Size of gzipped clustered Keras model: 13362.00 bytes Size of gzipped clustered TFlite model: 12982.00 bytes
قم بإنشاء نموذج TFLite أصغر 8 مرات من الجمع بين تجميع الوزن وتحديد الكمية بعد التدريب
يمكنك تطبيق تكميم ما بعد التدريب على النموذج العنقودي للحصول على مزايا إضافية.
converter = tf.lite.TFLiteConverter.from_keras_model(final_model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_quant_model = converter.convert()
_, quantized_and_clustered_tflite_file = tempfile.mkstemp('.tflite')
with open(quantized_and_clustered_tflite_file, 'wb') as f:
f.write(tflite_quant_model)
print('Saved quantized and clustered TFLite model to:', quantized_and_clustered_tflite_file)
print("Size of gzipped baseline Keras model: %.2f bytes" % (get_gzipped_model_size(keras_file)))
print("Size of gzipped clustered and quantized TFlite model: %.2f bytes" % (get_gzipped_model_size(quantized_and_clustered_tflite_file)))
INFO:tensorflow:Assets written to: /tmp/tmpg0gw8r5x/assets INFO:tensorflow:Assets written to: /tmp/tmpg0gw8r5x/assets Saved quantized and clustered TFLite model to: /tmp/tmp43crqft1.tflite Size of gzipped baseline Keras model: 78076.00 bytes Size of gzipped clustered and quantized TFlite model: 9830.00 bytes
شاهد استمرار الدقة من TF إلى TFLite
تحديد وظيفة المساعد لتقييم نموذج TFLite في مجموعة بيانات الاختبار.
def eval_model(interpreter):
input_index = interpreter.get_input_details()[0]["index"]
output_index = interpreter.get_output_details()[0]["index"]
# Run predictions on every image in the "test" dataset.
prediction_digits = []
for i, test_image in enumerate(test_images):
if i % 1000 == 0:
print('Evaluated on {n} results so far.'.format(n=i))
# Pre-processing: add batch dimension and convert to float32 to match with
# the model's input data format.
test_image = np.expand_dims(test_image, axis=0).astype(np.float32)
interpreter.set_tensor(input_index, test_image)
# Run inference.
interpreter.invoke()
# Post-processing: remove batch dimension and find the digit with highest
# probability.
output = interpreter.tensor(output_index)
digit = np.argmax(output()[0])
prediction_digits.append(digit)
print('\n')
# Compare prediction results with ground truth labels to calculate accuracy.
prediction_digits = np.array(prediction_digits)
accuracy = (prediction_digits == test_labels).mean()
return accuracy
تقوم بتقييم النموذج ، الذي تم تجميعه وتثبيته كمياً ، ثم رؤية الدقة من TensorFlow تستمر إلى الواجهة الخلفية TFLite.
interpreter = tf.lite.Interpreter(model_content=tflite_quant_model)
interpreter.allocate_tensors()
test_accuracy = eval_model(interpreter)
print('Clustered and quantized TFLite test_accuracy:', test_accuracy)
print('Clustered TF test accuracy:', clustered_model_accuracy)
Evaluated on 0 results so far. Evaluated on 1000 results so far. Evaluated on 2000 results so far. Evaluated on 3000 results so far. Evaluated on 4000 results so far. Evaluated on 5000 results so far. Evaluated on 6000 results so far. Evaluated on 7000 results so far. Evaluated on 8000 results so far. Evaluated on 9000 results so far. Clustered and quantized TFLite test_accuracy: 0.975 Clustered TF test accuracy: 0.9753000140190125
خاتمة
في هذا البرنامج التعليمي ، رأيت كيفية إنشاء نماذج مجمعة باستخدام TensorFlow Model Optimization Toolkit API. بشكل أكثر تحديدًا ، لقد مررت بمثال شامل لإنشاء نموذج أصغر 8x لـ MNIST بأقل اختلاف في الدقة. نحن نشجعك على تجربة هذه الإمكانية الجديدة ، والتي يمكن أن تكون مهمة بشكل خاص للنشر في البيئات المحدودة الموارد.