Google I/O สำเร็จแล้ว! ติดตามเซสชัน TensorFlow ดูเซสชัน

การจัดกลุ่มน้ำหนักในตัวอย่าง Keras

ดูบน TensorFlow.org ทำงานใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดโน๊ตบุ๊ค

ภาพรวม

ยินดีต้อนรับสู่ตัวอย่างแบบ end-to-end สำหรับการจัดกลุ่มน้ำหนักส่วนหนึ่งของการเพิ่มประสิทธิภาพ TensorFlow รุ่น Toolkit

หน้าอื่นๆ

สำหรับข้อมูลเบื้องต้นเกี่ยวกับสิ่งที่เป็นกลุ่มก้อนน้ำหนักและเพื่อตรวจสอบว่าคุณควรจะใช้มัน (รวมถึงสิ่งที่ได้รับการสนับสนุน) ให้ดูที่ หน้าภาพรวม

ได้อย่างรวดเร็วพบ APIs ที่คุณต้องการสำหรับกรณีการใช้งานของคุณ (นอกเหนือจากการจัดกลุ่มอย่างเต็มที่รุ่นที่มี 16 กลุ่ม) ให้ดูที่ คู่มือที่ครอบคลุม

สารบัญ

ในบทช่วยสอน คุณจะ:

  1. รถไฟ tf.keras แบบจำลองสำหรับชุดข้อมูล MNIST จากรอยขีดข่วน
  2. ปรับแต่งโมเดลโดยใช้ Weight Clustering API และดูความถูกต้อง
  3. สร้างโมเดล TF และ TFLite ที่เล็กกว่า 6 เท่าจากการทำคลัสเตอร์
  4. สร้างโมเดล TFLite ที่เล็กกว่า 8 เท่าจากการรวมการจัดกลุ่มน้ำหนักและการหาปริมาณหลังการฝึก
  5. ดูความคงอยู่ของความแม่นยำตั้งแต่ TF ถึง TFLite

ติดตั้ง

คุณสามารถทำงานนี้โน๊ตบุ๊ค Jupyter ในท้องถิ่นของคุณ virtualenv หรือ Colab สำหรับรายละเอียดของการตั้งค่าการอ้างอิงโปรดดูที่ 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>

ประเมินแบบจำลองพื้นฐานและบันทึกไว้เพื่อใช้ในภายหลัง

_, 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

ปรับแต่งโมเดลที่ฝึกไว้ล่วงหน้าด้วยคลัสเตอร์

สมัคร cluster_weights() API เพื่อรูปแบบก่อนการฝึกอบรมทั้งแสดงให้เห็นถึงประสิทธิภาพในการลดขนาดรูปแบบหลังจากที่ใช้ซิปขณะที่การรักษาความถูกต้องดี สำหรับวิธีที่ดีที่สุดเพื่อความสมดุลของความถูกต้องและอัตราการบีบอัดสำหรับกรณีการใช้งานของคุณโปรดดูที่ตามตัวอย่างชั้นใน คู่มือที่ครอบคลุม

กำหนดโมเดลและใช้ API การทำคลัสเตอร์

ก่อนที่คุณจะส่งแบบจำลองไปยัง API การทำคลัสเตอร์ ตรวจสอบให้แน่ใจว่าโมเดลได้รับการฝึกอบรมและแสดงความแม่นยำที่ยอมรับได้

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
_________________________________________________________________

ปรับแต่งโมเดลอย่างละเอียดและประเมินความถูกต้องเทียบกับค่าพื้นฐาน

ปรับแต่งโมเดลอย่างละเอียดด้วยคลัสเตอร์สำหรับ 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>

สำหรับตัวอย่างนี้ มีการสูญเสียความแม่นยำในการทดสอบเพียงเล็กน้อยหลังการจัดกลุ่ม เมื่อเทียบกับค่าพื้นฐาน

_, 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

สร้าง 6x รุ่นที่มีขนาดเล็กจากการจัดกลุ่ม

ทั้งสอง strip_clustering และใช้วิธีการบีบอัดมาตรฐาน (เช่นผ่าน gzip) เป็นสิ่งจำเป็นที่จะเห็นประโยชน์ของการบีบอัดการจัดกลุ่ม

ขั้นแรก สร้างโมเดลที่บีบอัดได้สำหรับ TensorFlow นี่ strip_clustering เอาตัวแปรทั้งหมด (เช่น tf.Variable สำหรับการจัดเก็บ centroids คลัสเตอร์และดัชนี) ที่จัดกลุ่มเฉพาะความต้องการระหว่างการฝึกอบรมซึ่งจะเพิ่มขนาดของรูปแบบในระหว่างการอนุมาน

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 คือตัวอย่างที่คุณสามารถใช้เพื่อปรับใช้กับอุปกรณ์มือถือ

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

กำหนดฟังก์ชันตัวช่วยเพื่อบีบอัดแบบจำลองผ่าน 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)

เปรียบเทียบและเห็นว่ารุ่นที่มีขนาดเล็กกว่า 6 เท่าจากการจัดกลุ่ม

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

สร้างรูปแบบการ TFLite 8x ขนาดเล็กจากการรวมกันเป็นกลุ่มก้อนน้ำหนักและหลังการฝึกอบรม quantization

คุณสามารถใช้การหาปริมาณหลังการฝึกกับโมเดลคลัสเตอร์เพื่อประโยชน์เพิ่มเติม

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

ดูความคงอยู่ของความแม่นยำตั้งแต่ TF ถึง TFLite

กำหนดฟังก์ชันตัวช่วยเพื่อประเมินโมเดล 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

คุณประเมินโมเดล ซึ่งได้รับการจัดกลุ่มและหาปริมาณ แล้วจึงเห็นความถูกต้องจาก TensorFlow ที่ยังคงอยู่ในแบ็กเอนด์ 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

บทสรุป

ในบทช่วยสอนนี้ คุณได้เห็นวิธีสร้างโมเดลคลัสเตอร์ด้วย TensorFlow Model Optimization Toolkit API โดยเฉพาะอย่างยิ่ง คุณได้ผ่านตัวอย่างแบบ end-to-end สำหรับการสร้างแบบจำลองที่เล็กกว่า 8 เท่าสำหรับ MNIST โดยมีความแตกต่างของความแม่นยำเพียงเล็กน้อย เราขอแนะนำให้คุณลองใช้ความสามารถใหม่นี้ ซึ่งอาจมีความสำคัญเป็นพิเศษสำหรับการปรับใช้ในสภาพแวดล้อมที่จำกัดทรัพยากร