مساعدة في حماية الحاجز المرجاني العظيم مع TensorFlow على Kaggle تاريخ التحدي

تناثر الحفاظ على العنقودية مثال Keras

عرض على TensorFlow.org تشغيل في Google Colab عرض على جيثب تحميل دفتر

ملخص

هذا هو وضع حد لمثل نهاية تبين استخدام تبعثر الحفاظ API المجموعات، جزء من خط أنابيب الأمثل التعاوني للTensorFlow نموذج الأمثل أدوات و.

صفحات أخرى

للحصول على مقدمة إلى خط أنابيب وغيرها من التقنيات المتاحة، راجع صفحة نظرة عامة الأمثل التعاونية .

محتويات

في البرنامج التعليمي ، سوف:

  1. تدريب tf.keras نموذج للبيانات MNIST من الصفر.
  2. قم بضبط النموذج مع التفرقة ولاحظ الدقة ولاحظ أن النموذج قد تم تقليمه بنجاح.
  3. قم بتطبيق مجموعات الوزن على النموذج المشذب ولاحظ فقدان التناثر.
  4. قم بتطبيق مجموعات الحفاظ على التباين على النموذج المشذب ولاحظ أن التباين المطبق سابقًا قد تم الحفاظ عليه.
  5. قم بإنشاء نموذج TFLite وتحقق من الحفاظ على الدقة في النموذج العنقودي المشذب.
  6. قارن أحجام النماذج المختلفة لملاحظة فوائد الضغط لتطبيق التباين متبوعًا بتقنية التحسين التعاوني للتفرقة التي تحافظ على المجموعات.

اقامة

يمكنك تشغيل هذا الكمبيوتر الدفتري Jupyter في منطقتك virtualenv أو colab . للحصول على تفاصيل إنشاء التبعيات، يرجى الرجوع إلى دليل التثبيت .

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

import numpy as np
import tempfile
import zipfile
import os

تدريب نموذج tf.keras لـ MNIST ليتم تقليمه وتجميعه

# Load MNIST dataset
mnist = tf.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

model = tf.keras.Sequential([
  tf.keras.layers.InputLayer(input_shape=(28, 28)),
  tf.keras.layers.Reshape(target_shape=(28, 28, 1)),
  tf.keras.layers.Conv2D(filters=12, kernel_size=(3, 3),
                         activation=tf.nn.relu),
  tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
  tf.keras.layers.Flatten(),
  tf.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
)
Epoch 1/10
1688/1688 [==============================] - 8s 4ms/step - loss: 0.3112 - accuracy: 0.9121 - val_loss: 0.1266 - val_accuracy: 0.9673
Epoch 2/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.1215 - accuracy: 0.9662 - val_loss: 0.0795 - val_accuracy: 0.9783
Epoch 3/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0845 - accuracy: 0.9756 - val_loss: 0.0654 - val_accuracy: 0.9820
Epoch 4/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0685 - accuracy: 0.9802 - val_loss: 0.0601 - val_accuracy: 0.9825
Epoch 5/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0586 - accuracy: 0.9823 - val_loss: 0.0592 - val_accuracy: 0.9833
Epoch 6/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0522 - accuracy: 0.9845 - val_loss: 0.0532 - val_accuracy: 0.9858
Epoch 7/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0468 - accuracy: 0.9860 - val_loss: 0.0571 - val_accuracy: 0.9847
Epoch 8/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0423 - accuracy: 0.9873 - val_loss: 0.0543 - val_accuracy: 0.9842
Epoch 9/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0383 - accuracy: 0.9883 - val_loss: 0.0535 - val_accuracy: 0.9860
Epoch 10/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0346 - accuracy: 0.9895 - val_loss: 0.0574 - val_accuracy: 0.9848
<tensorflow.python.keras.callbacks.History at 0x7f8e9c4170d0>

قم بتقييم النموذج الأساسي وحفظه لاستخدامه لاحقًا

_, 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: 0.9812999963760376
Saving model to:  /tmp/tmpfua4ka97.h5

قم بتقليم النموذج وضبطه بدقة حتى يصل إلى 50٪ من التباين

تطبيق prune_low_magnitude() API لتقليم نموذج المدربين قبل بأكمله لتحقيق النموذج الذي سيتم تتجمع في الخطوة التالية. لأفضل السبل لاستخدام API لتحقيق أفضل معدل ضغط مع الحفاظ على دقة الهدف الخاص بك، يرجى الرجوع إلى دليل شامل التقليم .

حدد النموذج وطبق واجهة برمجة التطبيقات المتناثرة

لاحظ أنه يتم استخدام النموذج المدرب مسبقًا.

import tensorflow_model_optimization as tfmot

prune_low_magnitude = tfmot.sparsity.keras.prune_low_magnitude

pruning_params = {
      'pruning_schedule': tfmot.sparsity.keras.ConstantSparsity(0.5, begin_step=0, frequency=100)
  }

callbacks = [
  tfmot.sparsity.keras.UpdatePruningStep()
]

pruned_model = prune_low_magnitude(model, **pruning_params)

# Use smaller learning rate for fine-tuning
opt = tf.keras.optimizers.Adam(learning_rate=1e-5)

pruned_model.compile(
  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
  optimizer=opt,
  metrics=['accuracy'])

pruned_model.summary()
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/keras/engine/base_layer.py:2191: UserWarning: `layer.add_variable` is deprecated and will be removed in a future version. Please use `layer.add_weight` method instead.
  warnings.warn('`layer.add_variable` is deprecated and '
Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
prune_low_magnitude_reshape  (None, 28, 28, 1)         1         
_________________________________________________________________
prune_low_magnitude_conv2d ( (None, 26, 26, 12)        230       
_________________________________________________________________
prune_low_magnitude_max_pool (None, 13, 13, 12)        1         
_________________________________________________________________
prune_low_magnitude_flatten  (None, 2028)              1         
_________________________________________________________________
prune_low_magnitude_dense (P (None, 10)                40572     
=================================================================
Total params: 40,805
Trainable params: 20,410
Non-trainable params: 20,395
_________________________________________________________________

قم بضبط النموذج ، وفحص التباين ، وقم بتقييم الدقة مقابل خط الأساس

صقل النموذج بالتقليم لمدة 3 فترات.

# Fine-tune model
pruned_model.fit(
  train_images,
  train_labels,
  epochs=3,
  validation_split=0.1,
  callbacks=callbacks)
Epoch 1/3
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/ops/array_ops.py:5049: calling gather (from tensorflow.python.ops.array_ops) with validate_indices is deprecated and will be removed in a future version.
Instructions for updating:
The `validate_indices` argument has no effect. Indices are always validated on CPU and never validated on GPU.
1688/1688 [==============================] - 9s 5ms/step - loss: 0.0931 - accuracy: 0.9696 - val_loss: 0.0878 - val_accuracy: 0.9755
Epoch 2/3
1688/1688 [==============================] - 8s 4ms/step - loss: 0.0597 - accuracy: 0.9813 - val_loss: 0.0732 - val_accuracy: 0.9802
Epoch 3/3
1688/1688 [==============================] - 8s 4ms/step - loss: 0.0499 - accuracy: 0.9849 - val_loss: 0.0689 - val_accuracy: 0.9822
<tensorflow.python.keras.callbacks.History at 0x7f8e9c3566d0>

تحديد وظائف المساعد لحساب وطباعة تناثر النموذج.

def print_model_weights_sparsity(model):

    for layer in model.layers:
        if isinstance(layer, tf.keras.layers.Wrapper):
            weights = layer.trainable_weights
        else:
            weights = layer.weights
        for weight in weights:
            if "kernel" not in weight.name or "centroid" in weight.name:
                continue
            weight_size = weight.numpy().size
            zero_num = np.count_nonzero(weight == 0)
            print(
                f"{weight.name}: {zero_num/weight_size:.2%} sparsity ",
                f"({zero_num}/{weight_size})",
            )

تحقق من أن حبات النموذج قد تم تقليمها بشكل صحيح. نحتاج إلى تجريد غلاف التقليم أولاً. نقوم أيضًا بإنشاء نسخة عميقة من النموذج لاستخدامها في الخطوة التالية.

stripped_pruned_model = tfmot.sparsity.keras.strip_pruning(pruned_model)

print_model_weights_sparsity(stripped_pruned_model)

stripped_pruned_model_copy = tf.keras.models.clone_model(stripped_pruned_model)
stripped_pruned_model_copy.set_weights(stripped_pruned_model.get_weights())
conv2d/kernel:0: 50.00% sparsity  (54/108)
dense/kernel:0: 50.00% sparsity  (10140/20280)

قم بتطبيق التجميع والتناثر الذي يحافظ على التجميع وتحقق من تأثيره على تباين النموذج في كلتا الحالتين

بعد ذلك ، نطبق كلاً من المجموعات العنقودية والتناثر الحافظ على النموذج المشذب ونلاحظ أن الأخير يحافظ على التباين في نموذجك المشذب. ملاحظة أننا جردت مغلفة التقليم من طراز مجردة مع tfmot.sparsity.keras.strip_pruning قبل تطبيق API المجموعات.

# Clustering
cluster_weights = tfmot.clustering.keras.cluster_weights
CentroidInitialization = tfmot.clustering.keras.CentroidInitialization

clustering_params = {
  'number_of_clusters': 8,
  'cluster_centroids_init': CentroidInitialization.KMEANS_PLUS_PLUS
}

clustered_model = cluster_weights(stripped_pruned_model, **clustering_params)

clustered_model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

print('Train clustering model:')
clustered_model.fit(train_images, train_labels,epochs=3, validation_split=0.1)


stripped_pruned_model.save("stripped_pruned_model_clustered.h5")

# Sparsity preserving clustering
from tensorflow_model_optimization.python.core.clustering.keras.experimental import (
    cluster,
)

cluster_weights = cluster.cluster_weights

clustering_params = {
  'number_of_clusters': 8,
  'cluster_centroids_init': CentroidInitialization.KMEANS_PLUS_PLUS,
  'preserve_sparsity': True
}

sparsity_clustered_model = cluster_weights(stripped_pruned_model_copy, **clustering_params)

sparsity_clustered_model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

print('Train sparsity preserving clustering model:')
sparsity_clustered_model.fit(train_images, train_labels,epochs=3, validation_split=0.1)
Train clustering model:
Epoch 1/3
1688/1688 [==============================] - 8s 5ms/step - loss: 0.0404 - accuracy: 0.9873 - val_loss: 0.0608 - val_accuracy: 0.9845
Epoch 2/3
1688/1688 [==============================] - 8s 5ms/step - loss: 0.0386 - accuracy: 0.9879 - val_loss: 0.0599 - val_accuracy: 0.9842
Epoch 3/3
1688/1688 [==============================] - 8s 5ms/step - loss: 0.0394 - accuracy: 0.9873 - val_loss: 0.0599 - val_accuracy: 0.9842
WARNING:tensorflow:Compiled the loaded model, but the compiled metrics have yet to be built. `model.compile_metrics` will be empty until you train or evaluate the model.
Train sparsity preserving clustering model:
Epoch 1/3
1688/1688 [==============================] - 8s 5ms/step - loss: 0.0411 - accuracy: 0.9873 - val_loss: 0.0570 - val_accuracy: 0.9840
Epoch 2/3
1688/1688 [==============================] - 8s 5ms/step - loss: 0.0409 - accuracy: 0.9865 - val_loss: 0.0559 - val_accuracy: 0.9835
Epoch 3/3
1688/1688 [==============================] - 8s 5ms/step - loss: 0.0397 - accuracy: 0.9872 - val_loss: 0.0582 - val_accuracy: 0.9853
<tensorflow.python.keras.callbacks.History at 0x7f8e2c447bd0>

تحقق من تناثر كلا الطرازين.

print("Clustered Model sparsity:\n")
print_model_weights_sparsity(clustered_model)
print("\nSparsity preserved clustered Model sparsity:\n")
print_model_weights_sparsity(sparsity_clustered_model)
Clustered Model sparsity:

conv2d/kernel:0: 0.00% sparsity  (0/108)
dense/kernel:0: 0.98% sparsity  (198/20280)

Sparsity preserved clustered Model sparsity:

conv2d/kernel:0: 50.00% sparsity  (54/108)
dense/kernel:0: 50.00% sparsity  (10140/20280)

إنشاء نماذج أصغر 1.6 مرة من التجميع

تحديد وظيفة المساعد للحصول على ملف نموذج مضغوط.

def get_gzipped_model_size(file):
  # It returns the size of the gzipped model in kilobytes.

  _, 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)/1000
# Clustered model
clustered_model_file = 'clustered_model.h5'

# Save the model.
clustered_model.save(clustered_model_file)

#Sparsity Preserve Clustered model
sparsity_clustered_model_file = 'sparsity_clustered_model.h5'

# Save the model.
sparsity_clustered_model.save(sparsity_clustered_model_file)

print("Clustered Model size: ", get_gzipped_model_size(clustered_model_file), ' KB')
print("Sparsity preserved clustered Model size: ", get_gzipped_model_size(sparsity_clustered_model_file), ' KB')
Clustered Model size:  245.456  KB
Sparsity preserved clustered Model size:  154.102  KB

قم بإنشاء نموذج TFLite من الجمع بين مجموعات الحفاظ على الوزن والتكميم بعد التدريب

قم بتقطيع أغلفة التجميع وتحويلها إلى TFLite.

stripped_sparsity_clustered_model = tfmot.clustering.keras.strip_clustering(sparsity_clustered_model)

converter = tf.lite.TFLiteConverter.from_keras_model(stripped_sparsity_clustered_model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
sparsity_clustered_quant_model = converter.convert()

_, pruned_and_clustered_tflite_file = tempfile.mkstemp('.tflite')

with open(pruned_and_clustered_tflite_file, 'wb') as f:
  f.write(sparsity_clustered_quant_model)

print("Sparsity preserved clustered Model size: ", get_gzipped_model_size(sparsity_clustered_model_file), ' KB')
print("Sparsity preserved clustered and quantized TFLite model size:",
       get_gzipped_model_size(pruned_and_clustered_tflite_file), ' KB')
WARNING:tensorflow:Compiled the loaded model, but the compiled metrics have yet to be built. `model.compile_metrics` will be empty until you train or evaluate the model.
INFO:tensorflow:Assets written to: /tmp/tmp8wy5vqee/assets
Sparsity preserved clustered Model size:  154.102  KB
Sparsity preserved clustered and quantized TFLite model size: 7.6  KB

شاهد ثبات الدقة من TF إلى TFLite

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(f"Evaluated on {i} results so far.")
    # 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

تقوم بتقييم النموذج ، الذي تم تقليمه وتجميعه وتحديده كميًا ، ثم ترى أن الدقة من TensorFlow تستمر في الواجهة الخلفية لـ TFLite.

# Keras model evaluation
stripped_sparsity_clustered_model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
_, sparsity_clustered_keras_accuracy = stripped_sparsity_clustered_model.evaluate(
    test_images, test_labels, verbose=0)

# TFLite model evaluation
interpreter = tf.lite.Interpreter(pruned_and_clustered_tflite_file)
interpreter.allocate_tensors()

sparsity_clustered_tflite_accuracy = eval_model(interpreter)

print('Pruned, clustered and quantized Keras model accuracy:', sparsity_clustered_keras_accuracy)
print('Pruned, clustered and quantized TFLite model accuracy:', sparsity_clustered_tflite_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.


Pruned, clustered and quantized Keras model accuracy: 0.978600025177002
Pruned, clustered and quantized TFLite model accuracy: 0.9785

استنتاج

في هذا البرنامج التعليمي، تعلمت كيفية إنشاء نموذج، تقليم ذلك باستخدام prune_low_magnitude() API، وتطبيق تبعثر الحفاظ على تجميع للحفاظ على تبعثر في حين تجميع الأوزان. تمت مقارنة النموذج العنقودي الذي يحافظ على التباين بالنموذج العنقودي لإظهار أن التباين محفوظ في الأول وفقد في الأخير. بعد ذلك ، تم تحويل النموذج العنقودي المشذب إلى TFLite لإظهار فوائد الضغط لتسلسل تقنيات تحسين نموذج التقليم والتناثر ، وأخيراً ، تم تقييم نموذج TFLite لضمان استمرار الدقة في الواجهة الخلفية لـ TFLite.