 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:
- Huấn luyện một mô hình
tf.kerascho bộ dữ liệu MNIST từ đầu. - Tinh chỉnh mô hình bằng cách áp dụng API phân cụm trọng lượng và xem độ chính xác.
- Tạo một mô hình TF và TFLite nhỏ hơn 6 lần từ phân cụm.
- Tạo một mô hình TFLite nhỏ hơn 8 lần từ việc kết hợp phân cụm trọng lượng và lượng tử hóa sau đào tạo.
- 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.