บันทึกวันที่! Google I / O ส่งคืนวันที่ 18-20 พฤษภาคม ลงทะเบียนเลย
หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

การจัดกลุ่มน้ำหนักในตัวอย่าง Keras

ดูใน TensorFlow.org เรียกใช้ใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดสมุดบันทึก

ภาพรวม

ยินดีต้อนรับสู่ตัวอย่าง end-to-end สำหรับการ จัดกลุ่มน้ำหนัก ซึ่งเป็นส่วนหนึ่งของ TensorFlow Model Optimization Toolkit

หน้าอื่น ๆ

สำหรับข้อมูลเบื้องต้นเกี่ยวกับการจัดกลุ่มน้ำหนักและการพิจารณาว่าคุณควรใช้หรือไม่ (รวมถึงสิ่งที่รองรับ) โปรดดู หน้าภาพรวม

หากต้องการค้นหา API ที่คุณต้องการสำหรับกรณีการใช้งานของคุณอย่างรวดเร็ว (นอกเหนือจากการทำคลัสเตอร์แบบจำลองทั้งหมดด้วยคลัสเตอร์ 16 คลัสเตอร์) โปรดดู คำแนะนำที่ครอบคลุม

เนื้อหา

ในบทช่วยสอนคุณจะ:

  1. ฝึกโมเดล tf.keras สำหรับชุดข้อมูล MNIST ตั้งแต่เริ่มต้น
  2. ปรับแต่งโมเดลโดยใช้ Weight clustering API และดูความถูกต้อง
  3. สร้างโมเดล TF และ TFLite ที่เล็กลง 6 เท่าจากการทำคลัสเตอร์
  4. สร้างแบบจำลอง TFLite ที่เล็กลง 8 เท่าจากการรวมการจัดกลุ่มน้ำหนักและปริมาณหลังการฝึก
  5. ดูความคงอยู่ของความถูกต้องจาก TF ถึง TFLite

ติดตั้ง

คุณสามารถทำงานนี้โน๊ตบุ๊ค Jupyter ในท้องถิ่นของคุณ virtualenv หรือ Colab 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: 0.3008 - 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>

ประเมินโมเดลพื้นฐานและบันทึกไว้เพื่อใช้งานในภายหลัง

_, 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

ปรับแต่งโมเดลที่ได้รับการฝึกฝนมาแล้วอย่างละเอียดด้วยการทำคลัสเตอร์

ใช้ cluster_weights() API กับโมเดลที่ผ่านการฝึกอบรมมาแล้วทั้งหมดเพื่อแสดงให้เห็นถึงประสิทธิภาพในการลดขนาดโมเดลหลังจากใช้ zip ในขณะที่รักษาความแม่นยำที่เหมาะสม สำหรับวิธีที่ดีที่สุดในการปรับสมดุลความแม่นยำและอัตราการบีบอัดสำหรับกรณีการใช้งานของคุณโปรดดูตัวอย่างต่อเลเยอร์ใน คู่มือที่ครอบคลุม

กำหนดโมเดลและใช้คลัสเตอร์ API

ก่อนที่คุณจะส่งแบบจำลองไปยัง API การทำคลัสเตอร์โปรดตรวจสอบว่าได้รับการฝึกอบรมและแสดงความถูกต้องที่ยอมรับได้

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
_________________________________________________________________

ปรับโมเดลอย่างละเอียดและประเมินความแม่นยำเทียบกับพื้นฐาน

ปรับโมเดลอย่างละเอียดด้วยการทำคลัสเตอร์เป็นเวลา 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: 0.0453 - accuracy: 0.9851 - val_loss: 0.0699 - val_accuracy: 0.9802
<tensorflow.python.keras.callbacks.History at 0x7f0e543ffeb8>

สำหรับตัวอย่างนี้มีการสูญเสียความแม่นยำในการทดสอบน้อยที่สุดหลังจากการทำคลัสเตอร์เมื่อเทียบกับค่าพื้นฐาน

_, 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

สร้างโมเดลขนาดเล็กกว่า 6 เท่า จากการทำคลัสเตอร์

strip_clustering ใช้ทั้ง strip_clustering และการใช้อัลกอริธึมการบีบอัดมาตรฐาน (เช่นผ่าน gzip) เพื่อดูประโยชน์การบีบอัดของการทำคลัสเตอร์

ขั้นแรกให้สร้างแบบจำลองที่บีบอัดได้สำหรับ TensorFlow ที่นี่ strip_clustering จะลบตัวแปรทั้งหมด (เช่น tf.Variable ตัวแปรสำหรับการจัดเก็บคลัสเตอร์เซนทรอยด์และดัชนี) ที่การทำคลัสเตอร์ต้องการในระหว่างการฝึกอบรมเท่านั้นซึ่งจะเพิ่มขนาดโมเดลในระหว่างการอนุมาน

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

จากนั้นสร้างแบบจำลองที่บีบอัดได้สำหรับ TFLite คุณสามารถแปลงโมเดลคลัสเตอร์เป็นรูปแบบที่รันได้บนแบ็กเอนด์เป้าหมายของคุณ 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/tmp4gcxcvlh/assets
Saved clustered TFLite model to: /tmp/clustered_mnist.tflite

กำหนดฟังก์ชันตัวช่วยในการบีบอัดโมเดลจริง ๆ ผ่าน 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)

เปรียบเทียบและดูว่าโมเดลมีขนาดเล็กกว่า 6 เท่า 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: 78047.00 bytes
Size of gzipped clustered Keras model: 12524.00 bytes
Size of gzipped clustered TFlite model: 12141.00 bytes

สร้างแบบจำลอง TFLite ที่เล็กลง 8 เท่า จากการรวมการจัดกลุ่มน้ำหนักและปริมาณหลังการฝึก

คุณสามารถใช้การหาปริมาณหลังการฝึกอบรมกับแบบจำลองคลัสเตอร์เพื่อประโยชน์เพิ่มเติม

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

ดูความคงอยู่ของความถูกต้องจาก TF ถึง TFLite

กำหนดฟังก์ชันตัวช่วยเพื่อประเมินแบบจำลอง TFLite บนชุดข้อมูลทดสอบ

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

คุณประเมินโมเดลซึ่งได้รับการคลัสเตอร์และกำหนดปริมาณแล้วดูความถูกต้องจาก TensorFlow ยังคงอยู่ในแบ็กเอนด์ 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

สรุป

ในบทช่วยสอนนี้คุณจะเห็นวิธีสร้างแบบจำลองคลัสเตอร์ด้วย TensorFlow Model Optimization Toolkit API โดยเฉพาะอย่างยิ่งคุณเคยผ่านตัวอย่างตั้งแต่ต้นจนจบในการสร้างแบบจำลองขนาดเล็กกว่า 8 เท่าสำหรับ MNIST โดยมีความแตกต่างของความแม่นยำน้อยที่สุด เราขอแนะนำให้คุณลองใช้ความสามารถใหม่นี้ซึ่งอาจมีความสำคัญอย่างยิ่งสำหรับการปรับใช้ในสภาพแวดล้อมที่ จำกัด ทรัพยากร