หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

การแบ่งกลุ่มน้ำหนักในตัวอย่าง Keras

ดูบน TensorFlow.org ทำงานใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดสมุดบันทึก

ภาพรวม

ยินดีต้อนรับสู่ตัวอย่างแบบ end-to-end สำหรับการทำ คลัสเตอร์น้ำหนัก ซึ่งเป็นส่วนหนึ่งของ TensorFlow Model Optimization Toolkit

หน้าอื่น ๆ

สำหรับข้อมูลเบื้องต้นเกี่ยวกับการจัดกลุ่มน้ำหนักและการพิจารณาว่าคุณควรใช้ (รวมถึงสิ่งที่สนับสนุน) ให้ดูที่ หน้าภาพรวม

หากต้องการค้นหา API อย่างรวดเร็วที่คุณต้องการสำหรับกรณีการใช้งานของคุณ (นอกเหนือจากการจัดกลุ่มแบบจำลองที่มี 16 กลุ่ม) ให้ดู คู่มือที่ครอบคลุม

สารบัญ

ในบทช่วยสอนคุณจะ:

  1. ฝึกโมเดล tf.keras สำหรับชุดข้อมูล MNIST ตั้งแต่เริ่มต้น
  2. ปรับแต่งโมเดลโดยใช้ API การทำคลัสเตอร์น้ำหนักและดูความแม่นยำ
  3. สร้างรุ่น TF และ TFLite ขนาดเล็กกว่า 6x จากการทำคลัสเตอร์
  4. สร้างรูปแบบ TFLite ขนาดเล็ก 8x จากการรวมการจัดกลุ่มน้ำหนักและการทำควอนตัมหลังการฝึก
  5. ดูการคงอยู่ของความถูกต้องจาก TF ถึง TFLite

ติดตั้ง

คุณสามารถเรียกใช้ Jupyter Notebook ใน virtualenv หรือ colab ในพื้นที่ของคุณ สำหรับรายละเอียดการตั้งค่าการอ้างอิงโปรดดู คู่มือการติดตั้ง

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

import numpy as np
import tempfile
import zipfile
import os
 

ฝึกโมเดล tf.keras สำหรับ MNIST โดยไม่ต้องทำคลัสเตอร์

 # 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>

ประเมินโมเดลพื้นฐานและบันทึกเพื่อการใช้งานในภายหลัง

 _, 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

ปรับจูนโมเดลที่ผ่านการฝึกอบรมมาอย่างละเอียดด้วยการทำคลัสเตอร์

ใช้ cluster_weights() API กับโมเดลที่ผ่านการฝึกอบรมมาแล้วทั้งหมดเพื่อแสดงให้เห็นถึงประสิทธิภาพในการลดขนาดของโมเดลหลังจากใช้ zip ในขณะที่ยังคงความถูกต้องไว้อย่างเหมาะสม สำหรับวิธีที่ดีที่สุดในการรักษาสมดุลระหว่างความแม่นยำและอัตราการบีบอัดสำหรับกรณีการใช้งานของคุณโปรดดูตัวอย่างต่อเลเยอร์ใน คู่มือที่ครอบคลุม

กำหนดรูปแบบและใช้ API การทำคลัสเตอร์

ก่อนที่คุณจะส่งโมเดลไปยัง API การทำคลัสเตอร์ให้แน่ใจว่าได้รับการฝึกอบรมและแสดงความแม่นยำที่ยอมรับได้

 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
_________________________________________________________________

ปรับแต่งโมเดลและประเมินความแม่นยำเทียบกับพื้นฐาน

ปรับจูนโมเดลด้วยการจัดกลุ่มเป็นเวลา 1 ยุค

 # 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>

สำหรับตัวอย่างนี้มีการสูญเสียน้อยที่สุดในความแม่นยำในการทดสอบหลังจากการจัดกลุ่มเมื่อเทียบกับพื้นฐาน

 _, 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

สร้างโมเดลขนาดเล็ก 6x จากการทำคลัสเตอร์

ทั้ง strip_clustering และการใช้อัลกอริทึมการบีบอัดมาตรฐาน (เช่นผ่าน gzip) มีความจำเป็นเพื่อดูประโยชน์การบีบอัดของการจัดกลุ่ม

ขั้นแรกให้สร้างแบบจำลองการบีบอัดสำหรับ TensorFlow ที่นี่ strip_clustering จะลบตัวแปรทั้งหมด (เช่น tf.Variable สำหรับการจัดเก็บ centroids ของคลัสเตอร์และดัชนี) ที่การจัดกลุ่มนั้นต้องการเฉพาะระหว่างการฝึกอบรมซึ่งจะเป็นการเพิ่มขนาดของแบบจำลองในระหว่างการอนุมาน

 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

จากนั้นสร้างโมเดลที่บีบอัดได้สำหรับ TFLite คุณสามารถแปลงโมเดลคลัสเตอร์เป็นรูปแบบที่สามารถรันได้บนแบ็กเอนด์เป้าหมายของคุณ TensorFlow Lite เป็นตัวอย่างที่คุณสามารถใช้เพื่อปรับใช้กับอุปกรณ์มือถือ

 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

กำหนดฟังก์ชั่นตัวช่วยเพื่อบีบอัดแบบจำลองผ่าน gzip และวัดขนาดซิป

 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)
 

เปรียบเทียบและดูว่ารุ่นเล็กกว่า 6x จากการทำคลัสเตอร์

 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

สร้างรูปแบบ TFLite ขนาดเล็ก 8x จากการรวมการจัดกลุ่มน้ำหนักและการทำควอนตัมหลังการฝึก

คุณสามารถใช้การวัดปริมาณหลังการฝึกอบรมกับโมเดลคลัสเตอร์เพื่อประโยชน์เพิ่มเติม

 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

ดูการคงอยู่ของความถูกต้องจาก TF ถึง TFLite

กำหนดฟังก์ชั่นตัวช่วยเพื่อประเมินโมเดล TFLite บนชุดข้อมูลการทดสอบ

 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
 

คุณประเมินโมเดลซึ่งได้รับการจัดกลุ่มและวัดปริมาณแล้วดูความแม่นยำจาก TensorFlow ยังคงมีอยู่ในแบ็กเอนด์ 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

ข้อสรุป

ในบทช่วยสอนนี้คุณจะเห็นวิธีการสร้างแบบจำลองคลัสเตอร์ด้วย TensorFlow Model Optimization Toolkit API โดยเฉพาะอย่างยิ่งคุณได้ผ่านตัวอย่างแบบ end-to-end สำหรับการสร้างโมเดลขนาดเล็กลง 8 เท่าสำหรับ MNIST ด้วยความแตกต่างที่แม่นยำน้อยที่สุด เราขอแนะนำให้คุณลองใช้ความสามารถใหม่นี้ซึ่งมีความสำคัญอย่างยิ่งสำหรับการปรับใช้ในสภาพแวดล้อมที่ จำกัด ทรัพยากร