 عرض على TensorFlow.org |  تشغيل في Google Colab |  عرض المصدر على جيثب |  تحميل دفتر |
نظرة عامة
مرحبًا بكم في المثال الشامل لتجميع الوزن ، وهو جزء من مجموعة أدوات تحسين نموذج TensorFlow.
صفحات أخرى
للحصول على مقدمة حول ماهية نظام الكتلة ولتحديد ما إذا كان يجب عليك استخدامه (بما في ذلك ما هو مدعوم) ، راجع صفحة النظرة العامة .
للعثور سريعًا على واجهات برمجة التطبيقات التي تحتاجها لحالة الاستخدام الخاصة بك (بالإضافة إلى تجميع نموذج بشكل كامل مع 16 مجموعة) ، راجع الدليل الشامل .
محتويات
في البرنامج التعليمي ، سوف:
- تدريب
tf.kerasنموذج للبيانات MNIST من الصفر. - اضبط النموذج من خلال تطبيق واجهة برمجة التطبيقات لتجميع الوزن وشاهد الدقة.
- قم بإنشاء نماذج TF و TFLite أصغر بمقدار 6 أضعاف من التجميع.
- أنشئ نموذج TFLite أصغر بمقدار 8 أضعاف من الجمع بين تجميع الوزن وتقدير ما بعد التدريب.
- انظر إلى استمرار الدقة من TF إلى TFLite.
اقامة
يمكنك تشغيل هذا الكمبيوتر الدفتري Jupyter في منطقتك virtualenv 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
قم بتدريب 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: 0.3008 - accuracy: 0.9148 - val_loss: 0.1216 - val_accuracy: 0.9687 Epoch 2/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.1221 - accuracy: 0.9651 - val_loss: 0.0861 - val_accuracy: 0.9758 Epoch 3/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0897 - accuracy: 0.9741 - val_loss: 0.0710 - val_accuracy: 0.9802 Epoch 4/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0727 - accuracy: 0.9787 - val_loss: 0.0719 - val_accuracy: 0.9803 Epoch 5/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0631 - accuracy: 0.9808 - val_loss: 0.0657 - val_accuracy: 0.9822 Epoch 6/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0554 - accuracy: 0.9833 - val_loss: 0.0601 - val_accuracy: 0.9820 Epoch 7/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0489 - accuracy: 0.9855 - val_loss: 0.0647 - val_accuracy: 0.9805 Epoch 8/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0442 - accuracy: 0.9869 - val_loss: 0.0575 - val_accuracy: 0.9845 Epoch 9/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0403 - accuracy: 0.9875 - val_loss: 0.0596 - val_accuracy: 0.9820 Epoch 10/10 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0362 - accuracy: 0.9888 - val_loss: 0.0588 - val_accuracy: 0.9833 <tensorflow.python.keras.callbacks.History at 0x7f0e6f780a58>
قم بتقييم النموذج الأساسي وحفظه لاستخدامه 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: 0.9785000085830688 Saving model to: /tmp/tmpjo5b6jen.h5
صقل النموذج المدرب مسبقًا باستخدام التجميع
قم cluster_weights() API على نموذج كامل مدرب مسبقًا لإثبات فعاليته في تقليل حجم النموذج بعد تطبيق الرمز البريدي مع الحفاظ على الدقة اللائقة. لمعرفة أفضل السبل لتحقيق التوازن بين الدقة ومعدل الضغط لحالة الاستخدام الخاصة بك ، يرجى الرجوع إلى المثال لكل طبقة في الدليل الشامل .
حدد النموذج وقم بتطبيق نظام التجميع API
قبل أن تمرر النموذج إلى API العنقودية ، تأكد من أنه مدرب ويظهر 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
اضبط النموذج باستخدام نظام التجميع لحقبة واحدة.
# 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: 0.0453 - accuracy: 0.9851 - val_loss: 0.0699 - val_accuracy: 0.9802 <tensorflow.python.keras.callbacks.History at 0x7f0e543ffeb8>
في هذا المثال ، هناك خسارة ضئيلة 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: 0.9785000085830688 Clustered test accuracy: 0.9746000170707703
إنشاء 6X نماذج أصغر من التجميع
يعد كل من strip_clustering وتطبيق خوارزمية ضغط قياسية (على سبيل المثال عبر gzip) ضروريين لمعرفة فوائد الضغط للتجميع.
أولاً ، قم بإنشاء نموذج قابل للضغط لـ TensorFlow. هنا ، يزيل strip_clustering جميع المتغيرات (على سبيل المثال ، متغير tf.Variable لتخزين tf.Variable الوسطى للكتلة 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/tmpo83fpb0m.h5
ثم قم بإنشاء نماذج مضغوطة لـ TFLite. يمكنك تحويل النموذج العنقودي إلى تنسيق يمكن تشغيله على الواجهة 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/tmp4gcxcvlh/assets Saved clustered TFLite model to: /tmp/clustered_mnist.tflite
حدد وظيفة مساعدة 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)
قارن ولاحظ أن النماذج أصغر بمقدار 6 أضعاف من المجموعات
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: 78047.00 bytes Size of gzipped clustered Keras model: 12524.00 bytes Size of gzipped clustered TFlite model: 12141.00 bytes
قم بإنشاء نموذج TFLite أصغر بمقدار 8 أضعاف من الجمع بين تجميع الوزن وتقدير ما بعد التدريب
يمكنك تطبيق التكميم بعد التدريب على النموذج العنقودي للحصول على فوائد 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/tmpt2flzp4s/assets INFO:tensorflow:Assets written to: /tmp/tmpt2flzp4s/assets Saved quantized and clustered TFLite model to: /tmp/tmpgu3loy72.tflite Size of gzipped baseline Keras model: 78047.00 bytes Size of gzipped clustered and quantized TFlite model: 9240.00 bytes
شاهد ثبات الدقة من TF إلى TFLite
حدد وظيفة مساعدة 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 وتحديده كميًا ، ثم ترى الدقة من TensorFlow مستمرة 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: 0.9746 Clustered TF test accuracy: 0.9746000170707703
استنتاج
في هذا البرنامج التعليمي ، رأيت كيفية إنشاء نماذج مجمعة باستخدام TensorFlow Model Optimization Toolkit API. وبشكل أكثر تحديدًا ، مررت بمثال شامل لإنشاء نموذج أصغر بمقدار 8 مرات لـ MNIST مع الحد الأدنى من اختلاف الدقة. نحن نشجعك على تجربة هذه الإمكانية الجديدة ، والتي يمكن أن تكون مهمة بشكل خاص للنشر في البيئات محدودة الموارد.