 Ansicht auf TensorFlow.org |  In Google Colab ausführen |  Quelle auf GitHub anzeigen |  Notizbuch herunterladen |
Überblick
Willkommen zum End-to-End-Beispiel für Gewichtsclustering , das Teil des TensorFlow Model Optimization Toolkit ist.
Andere Seiten
Eine Einführung in das Weight Clustering und eine Bestimmung, ob Sie es verwenden sollten (einschließlich der unterstützten Funktionen), finden Sie auf der Übersichtsseite .
Informationen zum schnellen Auffinden der für Ihren Anwendungsfall erforderlichen APIs (über das vollständige Clustering eines Modells mit 16 Clustern hinaus) finden Sie im umfassenden Handbuch .
Inhalt
Im Tutorial werden Sie:
- Trainieren Sie ein
tf.kerasModell für den MNIST-Datensatz von Grund auf neu. - Optimieren Sie das Modell mithilfe der API für Gewichtscluster und überprüfen Sie die Genauigkeit.
- Erstellen Sie aus dem Clustering ein 6x kleineres TF- und TFLite-Modell.
- Erstellen Sie ein 8x kleineres TFLite-Modell aus der Kombination von Gewichtsclustering und Quantisierung nach dem Training.
- Sehen Sie die Beständigkeit der Genauigkeit von TF bis TFLite.
Einrichten
Sie können dieses Jupyter-Notizbuch in Ihrer lokalen virtuellen Umgebung oder in Ihrem Colab ausführen . Einzelheiten zum Einrichten von Abhängigkeiten finden Sie in der Installationsanleitung .
pip install -q tensorflow-model-optimization
import tensorflow as tf
from tensorflow import keras
import numpy as np
import tempfile
import zipfile
import os
Trainieren Sie ein tf.keras-Modell für MNIST ohne Clustering
# 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>
Bewerten Sie das Basismodell und speichern Sie es für die spätere Verwendung
_, 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
Optimieren Sie das vorab trainierte Modell mit Clustering
Wenden Sie die cluster_weights() auf ein ganzes vorab trainiertes Modell an, um seine Wirksamkeit bei der Reduzierung der Modellgröße nach dem Anwenden von zip unter Beibehaltung einer angemessenen Genauigkeit zu demonstrieren. Informationen dazu, wie Sie die Genauigkeit und Komprimierungsrate für Ihren Anwendungsfall am besten ausgleichen können, finden Sie im Beispiel pro Schicht in der umfassenden Anleitung .
Definieren Sie das Modell und wenden Sie die Clustering-API an
Bevor Sie das Modell an die Clustering-API übergeben, stellen Sie sicher, dass es geschult ist und eine akzeptable Genauigkeit aufweist.
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 _________________________________________________________________
Optimieren Sie das Modell und bewerten Sie die Genauigkeit anhand der Basislinie
Optimieren Sie das Modell mit Clustering für 1 Epoche.
# 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>
In diesem Beispiel tritt nach dem Clustering im Vergleich zur Basislinie nur ein minimaler Verlust an Testgenauigkeit auf.
_, 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
Erstellen Sie 6x kleinere Modelle aus dem Clustering
Sowohl strip_clustering als auch die Anwendung eines Standardkomprimierungsalgorithmus (z. B. über gzip) sind erforderlich, um die Komprimierungsvorteile von Clustering zu ermitteln.
Erstellen Sie zunächst ein komprimierbares Modell für TensorFlow. Hier entfernt strip_clustering alle Variablen (z. B. tf.Variable zum Speichern der Cluster-Schwerpunkte und der Indizes), die das Clustering nur während des Trainings benötigt, was sonst die Modellgröße während der Inferenz tf.Variable würde.
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
Erstellen Sie dann komprimierbare Modelle für TFLite. Sie können das Cluster-Modell in ein Format konvertieren, das auf Ihrem Ziel-Backend ausgeführt werden kann. TensorFlow Lite ist ein Beispiel für die Bereitstellung auf Mobilgeräten.
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
Definieren Sie eine Hilfsfunktion, um die Modelle tatsächlich über gzip zu komprimieren und die Größe des Reißverschlusses zu messen.
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)
Vergleichen Sie und sehen Sie, dass die Modelle durch Clustering 6x kleiner sind
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
Erstellen Sie ein 8x kleineres TFLite-Modell aus der Kombination von Gewichtsclustering und Quantisierung nach dem Training
Sie können die Quantisierung nach dem Training auf das Cluster-Modell anwenden, um zusätzliche Vorteile zu erzielen.
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
Sehen Sie die Beständigkeit der Genauigkeit von TF bis TFLite
Definieren Sie eine Hilfsfunktion, um das TFLite-Modell im Testdatensatz auszuwerten.
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
Sie bewerten das Modell, das geclustert und quantisiert wurde, und sehen dann, dass die Genauigkeit von TensorFlow bis zum TFLite-Backend erhalten bleibt.
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
Fazit
In diesem Tutorial haben Sie gesehen, wie Sie Cluster-Modelle mit der TensorFlow Model Optimization Toolkit-API erstellen. Insbesondere haben Sie ein End-to-End-Beispiel für die Erstellung eines 8x kleineren Modells für MNIST mit minimalem Genauigkeitsunterschied durchlaufen. Wir empfehlen Ihnen, diese neue Funktion auszuprobieren, die für die Bereitstellung in Umgebungen mit eingeschränkten Ressourcen besonders wichtig sein kann.