Trang này được dịch bởi Cloud Translation API.
Switch to English

Phân cụm trọng lượng trong ví dụ Keras

Xem trên TensorFlow.org Chạy trong Google Colab Xem nguồn trên GitHub Tải vở

Tổng quat

Chào mừng bạn đến với ví dụ từ đầu đến cuối để phân cụm trọng lượng , một phần của Bộ công cụ tối ưu hóa mô hình TensorFlow.

Những trang khác

Để biết giới thiệu về phân cụm trọng lượng là gì và để xác định xem bạn có nên sử dụng nó hay không (bao gồm cả những gì được hỗ trợ), xem trang tổng quan .

Để nhanh chóng tìm thấy các API bạn cần cho trường hợp sử dụng của bạn (ngoài việc phân cụm hoàn toàn một mô hình với 16 cụm), hãy xem hướng dẫn toàn diện .

Nội dung

Trong hướng dẫn, bạn sẽ:

  1. Huấn luyện một mô hình tf.keras cho bộ dữ liệu MNIST từ đầu.
  2. Tinh chỉnh mô hình bằng cách áp dụng API phân cụm trọng lượng và xem độ chính xác.
  3. Tạo một mô hình TF và TFLite nhỏ hơn 6 lần từ phân cụm.
  4. Tạo một mô hình TFLite nhỏ hơn 8 lần từ việc kết hợp phân cụm trọng lượng và lượng tử hóa sau đào tạo.
  5. Xem sự bền bỉ của độ chính xác từ TF đến TFLite.

Thiết lập

Bạn có thể chạy Notebook Jupyter này trong virtualenv hoặc colab cục bộ của bạn. Để biết chi tiết về việc thiết lập các phụ thuộc, vui lòng tham khảo hướng dẫn cài đặt .

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

import numpy as np
import tempfile
import zipfile
import os
 

Huấn luyện một mô hình tf.keras cho MNIST mà không cần phân cụm

 # 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>

Đánh giá mô hình cơ sở và lưu nó để sử dụng sau

 _, 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

Tinh chỉnh mô hình được đào tạo trước với phân cụm

Áp dụng API cluster_weights() cho toàn bộ mô hình được đào tạo trước để chứng minh tính hiệu quả của nó trong việc giảm kích thước mô hình sau khi áp dụng zip trong khi vẫn giữ độ chính xác cao. Để biết cách tốt nhất để cân bằng độ chính xác và tốc độ nén cho trường hợp sử dụng của bạn, vui lòng tham khảo ví dụ trên mỗi lớp trong hướng dẫn toàn diện .

Xác định mô hình và áp dụng API phân cụm

Trước khi bạn chuyển mô hình cho API phân cụm, hãy đảm bảo rằng nó được đào tạo và hiển thị một số độ chính xác chấp nhận được.

 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
_________________________________________________________________

Tinh chỉnh mô hình và đánh giá độ chính xác so với đường cơ sở

Tinh chỉnh mô hình với phân cụm trong 1 epoch.

 # 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>

Trong ví dụ này, có sự mất mát tối thiểu về độ chính xác kiểm tra sau khi phân cụm, so với đường cơ sở.

 _, 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

Tạo các mô hình nhỏ hơn 6 lần từ phân cụm

Cả strip_clustering và áp dụng thuật toán nén tiêu chuẩn (ví dụ: thông qua gzip) đều cần thiết để xem lợi ích nén của phân cụm.

Đầu tiên, tạo một mô hình có thể nén cho TensorFlow. Ở đây, strip_clustering loại bỏ tất cả các biến (ví dụ: tf.Variable lưu trữ các tâm khối và các chỉ số) mà cụm chỉ cần trong quá trình đào tạo, điều này sẽ thêm vào kích thước mô hình trong quá trình suy luận.

 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

Sau đó, tạo các mô hình nén cho TFLite. Bạn có thể chuyển đổi mô hình cụm thành định dạng có thể chạy được trên phần phụ trợ được nhắm mục tiêu của bạn. TensorFlow Lite là một ví dụ bạn có thể sử dụng để triển khai cho các thiết bị di động.

 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

Xác định chức năng của trình trợ giúp để thực sự nén các mô hình thông qua gzip và đo kích thước được nén.

 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)
 

So sánh và thấy rằng các mô hình nhỏ hơn 6 lần từ phân cụm

 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

Tạo một mô hình TFLite nhỏ hơn 8 lần từ việc kết hợp phân cụm trọng lượng và lượng tử hóa sau đào tạo

Bạn có thể áp dụng lượng tử hóa sau đào tạo cho mô hình phân cụm để có thêm lợi ích.

 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

Xem độ bền của độ chính xác từ TF đến TFLite

Xác định hàm trợ giúp để đánh giá mô hình TFLite trên tập dữ liệu thử nghiệm.

 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
 

Bạn đánh giá mô hình đã được phân cụm và định lượng, sau đó xem độ chính xác từ TensorFlow vẫn tồn tại đến phụ trợ 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

Phần kết luận

Trong hướng dẫn này, bạn đã thấy cách tạo các mô hình cụm với API Bộ công cụ tối ưu hóa mô hình TensorFlow. Cụ thể hơn, bạn đã trải qua một ví dụ từ đầu đến cuối để tạo một mô hình nhỏ hơn 8 lần cho MNIST với độ chính xác tối thiểu. Chúng tôi khuyến khích bạn thử khả năng mới này, có thể đặc biệt quan trọng để triển khai trong các môi trường bị hạn chế về tài nguyên.