This page was translated by the Cloud Translation API.
Switch to English

কেরাস উদাহরণে ওজন ক্লাস্টারিং

টেনসরফ্লো.আর.জে দেখুন গুগল কোলাবে চালান গিটহাবের উত্স দেখুন নোটবুক ডাউনলোড করুন

সংক্ষিপ্ত বিবরণ

টেনসরফ্লো মডেল অপটিমাইজেশন টুলকিটের অংশ ওজন ক্লাস্টারিংয়ের জন্য শেষ থেকে শেষের উদাহরণে স্বাগতম।

অন্যান্য পৃষ্ঠা

ওজন ক্লাস্টারিং কী তা সম্পর্কে পরিচিতির জন্য এবং আপনার এটি ব্যবহার করা উচিত কিনা তা নির্ধারণের জন্য (যা সমর্থিত তা সহ) ওভারভিউ পৃষ্ঠাটি দেখুন

আপনার ব্যবহারের কেসটির জন্য আপনার প্রয়োজনীয় API গুলি দ্রুত সন্ধান করতে (16 টি ক্লাস্টার সহ কোনও মডেলকে পুরোপুরি ক্লাস্টারিংয়ের বাইরে), বিস্তৃত গাইড দেখুন

সামগ্রী

টিউটোরিয়ালে, আপনি:

  1. স্ক্র্যাচ থেকে এমএনআইএসটি ডেটাসেটের জন্য একটি tf.keras মডেলটি প্রশিক্ষণ দিন।
  2. ওজন ক্লাস্টারিং এপিআই প্রয়োগ করে মডেলটির সূক্ষ্ম-টিউন করুন এবং যথার্থতা দেখুন।
  3. ক্লাস্টারিং থেকে 6x ছোট টিএফ এবং টিএফলাইট মডেল তৈরি করুন।
  4. ওজন ক্লাস্টারিং এবং প্রশিক্ষণোত্তর পরবর্তী পরিমাণের সংমিশ্রণ থেকে একটি 8x ছোট টিএফলাইট মডেল তৈরি করুন।
  5. টিএফ থেকে টিএফলাইটে নির্ভুলতার অধ্যবসায়টি দেখুন।

সেটআপ

আপনি আপনার স্থানীয় এই Jupyter নোটবুক চালাতে পারেন virtualenv বা colab । নির্ভরতা স্থাপনের বিশদগুলির জন্য, দয়া করে ইনস্টলেশন গাইডটি দেখুন

 pip install -q tensorflow-model-optimization
 import tensorflow as tf
from tensorflow import keras

import numpy as np
import tempfile
import zipfile
import os
 

ক্লাস্টারিং ছাড়াই এমএনআইএসটির জন্য একটি tf.keras মডেলটি প্রশিক্ষণ দিন

 # 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>

বেসলাইন মডেলটি মূল্যায়ন করুন এবং এটি পরবর্তী ব্যবহারের জন্য সংরক্ষণ করুন

 _, 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

ক্লাস্টারিং সহ প্রাক-প্রশিক্ষিত মডেলটি ফাইন টিউন করুন

শালীন নির্ভুলতা বজায় রেখে জিপ প্রয়োগের পরে মডেলের আকার হ্রাস করার কার্যকারিতা প্রদর্শনের জন্য পুরো প্রাক-প্রশিক্ষিত মডেলটিতে cluster_weights() এপিআই প্রয়োগ করুন। আপনার ব্যবহারের ক্ষেত্রে যথাযথতা এবং সংকোচনের হারের মধ্যে কীভাবে ভারসাম্য বজায় রাখা যায় তার জন্য, দয়া করে বিস্তৃত গাইডের প্রতি লেয়ার উদাহরণটি দেখুন।

মডেলটি সংজ্ঞায়িত করুন এবং ক্লাস্টারিং এপিআই প্রয়োগ করুন

ক্লাস্টারিং এপিআইতে মডেলটি পাস করার আগে, এটি প্রশিক্ষিত কিনা তা নিশ্চিত করুন এবং কিছু গ্রহণযোগ্য নির্ভুলতা দেখান।

 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
_________________________________________________________________

মডেলটিকে সূক্ষ্ম-টিউন করুন এবং বেসলাইনের বিপরীতে যথার্থতার মূল্যায়ন করুন

1 যুগের জন্য ক্লাস্টারিং সহ মডেলটির সূক্ষ্ম সুরে।

 # 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>

এই উদাহরণস্বরূপ, বেসলাইনের তুলনায় ক্লাস্টারিংয়ের পরে পরীক্ষার নির্ভুলতায় ন্যূনতম ক্ষতি রয়েছে।

 _, 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

ক্লাস্টারিং থেকে 6x ছোট মডেল তৈরি করুন

উভয়ই strip_clustering এবং স্ট্যান্ডার্ড সংকোচনের অ্যালগরিদম প্রয়োগ করা (উদাহরণস্বরূপ gzip এর মাধ্যমে) ক্লাস্টারিংয়ের সংক্ষেপণ সুবিধাগুলি দেখতে প্রয়োজনীয়।

প্রথমে টেনসরফ্লোয়ের জন্য একটি সংকোচনের মডেল তৈরি করুন। এখানে, strip_clustering সমস্ত ভেরিয়েবলগুলি (যেমন ক্লাস্টার tf.Variable এবং সূচকগুলি সংরক্ষণের জন্য tf.Variable পরিবর্তনশীল) সরিয়ে দেয় যা কেবল প্রশিক্ষণের সময় ক্লাস্টারিংয়ের প্রয়োজন হয়, যা অন্যথায় অনুমানের সময় মডেল আকারে যুক্ত করবে।

 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

তারপরে, টিএফলাইটের জন্য সংকোচনের মডেল তৈরি করুন। আপনি ক্লাস্টার করা মডেলটিকে এমন একটি ফর্ম্যাটে রূপান্তর করতে পারেন যা আপনার লক্ষ্যযুক্ত ব্যাকএন্ডে চলমান। টেনসরফ্লো লাইট এমন একটি উদাহরণ যা আপনি মোবাইল ডিভাইসে মোতায়েন করতে ব্যবহার করতে পারেন।

 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

জিজিপের মাধ্যমে মডেলগুলি আসলে সংকুচিত করতে এবং জিপ করা আকারটি পরিমাপ করতে একটি সহায়ক ফাংশন সংজ্ঞায়িত করুন।

 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)
 

তুলনা করুন এবং দেখুন ক্লাস্টারিং থেকে মডেলগুলি 6x ছোট

 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

ওজন ক্লাস্টারিং এবং প্রশিক্ষণোত্তর পরবর্তী পরিমাণের সংমিশ্রণ থেকে একটি 8x ছোট টিএফলাইট মডেল তৈরি করুন

অতিরিক্ত সুবিধার জন্য আপনি ক্লাস্টার্ড মডেলটিতে প্রশিক্ষণ পরবর্তী কোয়ান্টাইজেশন প্রয়োগ করতে পারেন।

 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

টিএফ থেকে টিএফলাইটে নির্ভুলতার অধ্যবসায়টি দেখুন

পরীক্ষার ডেটাসেটে টিএফলাইট মডেলটি মূল্যায়নের জন্য কোনও সহায়ক ফাংশন সংজ্ঞায়িত করুন।

 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
 

আপনি মডেলটি মূল্যায়ন করুন, যা ক্লাস্টার এবং কোয়ান্টাইটিসড হয়েছে এবং তারপরে টেনসরফ্লো থেকে যথাযথতা টিএফলাইট ব্যাকএন্ড অবধি দেখুন see

 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

উপসংহার

এই টিউটোরিয়ালে, আপনি টেনসরফ্লো মডেল অপটিমাইজেশন টুলকিট এপিআই দিয়ে ক্লাস্টার মডেলগুলি কীভাবে তৈরি করবেন তা দেখেছি। আরও সুনির্দিষ্টভাবে, আপনি ন্যূনতম নির্ভুলতার পার্থক্য সহ এমএনআইএসটির জন্য একটি 8x ছোট মডেল তৈরির জন্য শেষ থেকে শেষের উদাহরণ দিয়ে এসেছেন। আমরা আপনাকে এই নতুন সামর্থ্যটি চেষ্টা করতে উত্সাহিত করি, যা উত্স-সীমাবদ্ধ পরিবেশে মোতায়েনের জন্য বিশেষত গুরুত্বপূর্ণ হতে পারে।