ترجمت واجهة Cloud Translation API‏ هذه الصفحة.
Switch to English

تجميع الوزن في مثال Keras

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:

  1. تدريب tf.keras نموذج للبيانات MNIST من الصفر.
  2. اضبط النموذج من خلال تطبيق واجهة برمجة التطبيقات لتجميع الوزن وشاهد الدقة.
  3. قم بإنشاء نماذج TF و TFLite أصغر بمقدار 6 أضعاف من التجميع.
  4. أنشئ نموذج TFLite أصغر بمقدار 8 أضعاف من الجمع بين تجميع الوزن وتقدير ما بعد التدريب.
  5. 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.