 ดูใน TensorFlow.org |  เรียกใช้ใน Google Colab |  ดูแหล่งที่มาบน GitHub |  ดาวน์โหลดสมุดบันทึก |
ยินดีต้อนรับสู่คำแนะนำที่ครอบคลุมสำหรับการตัดแต่งกิ่งน้ำหนัก Keras
หน้านี้จัดทำเอกสารกรณีการใช้งานต่างๆและแสดงวิธีใช้ API สำหรับแต่ละรายการ เมื่อคุณทราบว่าคุณต้องการ API ใดแล้วให้ค้นหาพารามิเตอร์และรายละเอียดระดับต่ำใน เอกสาร API
- หากคุณต้องการดูประโยชน์ของการตัดแต่งกิ่งและสิ่งที่รองรับโปรดดู ภาพรวม
- สำหรับตัวอย่างแบบ end-to-end เดียวโปรดดู ตัวอย่างการตัดแต่งกิ่ง
ครอบคลุมกรณีการใช้งานต่อไปนี้:
- กำหนดและฝึกโมเดลที่ถูกตัดแต่ง
- ลำดับและการทำงาน
- Keras model.fit และลูปการฝึกอบรมที่กำหนดเอง
- ตรวจสอบและยกเลิกการกำหนดค่าแบบจำลองที่ถูกตัดออก
- ปรับใช้โมเดลที่ถูกตัดและดูประโยชน์ของการบีบอัด
สำหรับการกำหนดค่าของอัลกอริทึมการตัดแต่งโปรดดูที่เอกสาร tfmot.sparsity.keras.prune_low_magnitude API
ติดตั้ง
สำหรับการค้นหา API ที่คุณต้องการและเข้าใจวัตถุประสงค์คุณสามารถเรียกใช้ แต่ข้ามการอ่านส่วนนี้
! pip install -q tensorflow-model-optimization
import tensorflow as tf
import numpy as np
import tensorflow_model_optimization as tfmot
%load_ext tensorboard
import tempfile
input_shape = [20]
x_train = np.random.randn(1, 20).astype(np.float32)
y_train = tf.keras.utils.to_categorical(np.random.randn(1), num_classes=20)
def setup_model():
model = tf.keras.Sequential([
tf.keras.layers.Dense(20, input_shape=input_shape),
tf.keras.layers.Flatten()
])
return model
def setup_pretrained_weights():
model = setup_model()
model.compile(
loss=tf.keras.losses.categorical_crossentropy,
optimizer='adam',
metrics=['accuracy']
)
model.fit(x_train, y_train)
_, pretrained_weights = tempfile.mkstemp('.tf')
model.save_weights(pretrained_weights)
return pretrained_weights
def get_gzipped_model_size(model):
# Returns size of gzipped model, in bytes.
import os
import zipfile
_, keras_file = tempfile.mkstemp('.h5')
model.save(keras_file, include_optimizer=False)
_, zipped_file = tempfile.mkstemp('.zip')
with zipfile.ZipFile(zipped_file, 'w', compression=zipfile.ZIP_DEFLATED) as f:
f.write(keras_file)
return os.path.getsize(zipped_file)
setup_model()
pretrained_weights = setup_pretrained_weights()
กำหนดรูปแบบ
พรุนทั้งรุ่น (ตามลำดับและฟังก์ชัน)
เคล็ดลับเพื่อความแม่นยำของโมเดลที่ดีขึ้น:
- ลอง "พรุนบางชั้น" เพื่อข้ามการตัดแต่งเลเยอร์ที่ลดความแม่นยำมากที่สุด
- โดยทั่วไปแล้วการปรับแต่งด้วยการตัดแต่งกิ่งจะดีกว่าเมื่อเทียบกับการฝึกตั้งแต่เริ่มต้น
ในการทำให้โมเดลทั้งหมดฝึกด้วยการตัดแต่งให้ใช้ tfmot.sparsity.keras.prune_low_magnitude กับโมเดล
base_model = setup_model()
base_model.load_weights(pretrained_weights) # optional but recommended.
model_for_pruning = tfmot.sparsity.keras.prune_low_magnitude(base_model)
model_for_pruning.summary()
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow_model_optimization/python/core/sparsity/keras/pruning_wrapper.py:200: Layer.add_variable (from tensorflow.python.keras.engine.base_layer) is deprecated and will be removed in a future version. Instructions for updating: Please use `layer.add_weight` method instead. Model: "sequential_2" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= prune_low_magnitude_dense_2 (None, 20) 822 _________________________________________________________________ prune_low_magnitude_flatten_ (None, 20) 1 ================================================================= Total params: 823 Trainable params: 420 Non-trainable params: 403 _________________________________________________________________
ตัดเลเยอร์บางส่วน (ตามลำดับและฟังก์ชัน)
การตัดแต่งแบบจำลองอาจส่งผลเสียต่อความแม่นยำ คุณสามารถเลือกตัดเลเยอร์ของโมเดลเพื่อสำรวจการแลกเปลี่ยนระหว่างความแม่นยำความเร็วและขนาดของโมเดล
เคล็ดลับเพื่อความแม่นยำของโมเดลที่ดีขึ้น:
- โดยทั่วไปแล้วการปรับแต่งด้วยการตัดแต่งกิ่งจะดีกว่าเมื่อเทียบกับการฝึกตั้งแต่เริ่มต้น
- ลองตัดแต่งเลเยอร์ในภายหลังแทนชั้นแรก
- หลีกเลี่ยงการตัดแต่งชั้นที่สำคัญ (เช่นกลไกการให้ความสนใจ)
เพิ่มเติม :
- เอกสาร
tfmot.sparsity.keras.prune_low_magnitudeAPI ให้รายละเอียดเกี่ยวกับวิธีการเปลี่ยนแปลงการกำหนดค่าการตัดต่อเลเยอร์
ในตัวอย่างด้านล่างตัดเฉพาะเลเยอร์ Dense
# Create a base model
base_model = setup_model()
base_model.load_weights(pretrained_weights) # optional but recommended for model accuracy
# Helper function uses `prune_low_magnitude` to make only the
# Dense layers train with pruning.
def apply_pruning_to_dense(layer):
if isinstance(layer, tf.keras.layers.Dense):
return tfmot.sparsity.keras.prune_low_magnitude(layer)
return layer
# Use `tf.keras.models.clone_model` to apply `apply_pruning_to_dense`
# to the layers of the model.
model_for_pruning = tf.keras.models.clone_model(
base_model,
clone_function=apply_pruning_to_dense,
)
model_for_pruning.summary()
WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.iter WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_1 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_2 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.decay WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.learning_rate WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.bias WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.bias WARNING:tensorflow:A checkpoint was restored (e.g. tf.train.Checkpoint.restore or tf.keras.Model.load_weights) but not all checkpointed values were used. See above for specific issues. Use expect_partial() on the load status object, e.g. tf.train.Checkpoint.restore(...).expect_partial(), to silence these warnings, or use assert_consumed() to make the check explicit. See https://www.tensorflow.org/guide/checkpoint#loading_mechanics for details. Model: "sequential_3" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= prune_low_magnitude_dense_3 (None, 20) 822 _________________________________________________________________ flatten_3 (Flatten) (None, 20) 0 ================================================================= Total params: 822 Trainable params: 420 Non-trainable params: 402 _________________________________________________________________
ในขณะที่ตัวอย่างนี้ใช้ประเภทของเลเยอร์ในการตัดสินใจว่าจะตัดอะไรวิธีที่ง่ายที่สุดในการตัดเลเยอร์เฉพาะคือการตั้งค่าคุณสมบัติของ name และค้นหาชื่อนั้นใน clone_function
print(base_model.layers[0].name)
dense_3
อ่านได้มากขึ้น แต่ความแม่นยำของโมเดลอาจลดลง
สิ่งนี้ใช้ไม่ได้กับการปรับแต่งอย่างละเอียดด้วยการตัดแต่งกิ่งซึ่งเป็นสาเหตุที่อาจมีความแม่นยำน้อยกว่าตัวอย่างข้างต้นซึ่งรองรับการปรับแต่งอย่างละเอียด
ในขณะที่สามารถใช้ prune_low_magnitude ได้ในขณะที่กำหนดโมเดลเริ่มต้น แต่การโหลดน้ำหนักหลังจะไม่ทำงานในตัวอย่างด้านล่าง
ตัวอย่างการทำงาน
# Use `prune_low_magnitude` to make the `Dense` layer train with pruning.
i = tf.keras.Input(shape=(20,))
x = tfmot.sparsity.keras.prune_low_magnitude(tf.keras.layers.Dense(10))(i)
o = tf.keras.layers.Flatten()(x)
model_for_pruning = tf.keras.Model(inputs=i, outputs=o)
model_for_pruning.summary()
Model: "functional_1" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= input_1 (InputLayer) [(None, 20)] 0 _________________________________________________________________ prune_low_magnitude_dense_4 (None, 10) 412 _________________________________________________________________ flatten_4 (Flatten) (None, 10) 0 ================================================================= Total params: 412 Trainable params: 210 Non-trainable params: 202 _________________________________________________________________
ตัวอย่างตามลำดับ
# Use `prune_low_magnitude` to make the `Dense` layer train with pruning.
model_for_pruning = tf.keras.Sequential([
tfmot.sparsity.keras.prune_low_magnitude(tf.keras.layers.Dense(20, input_shape=input_shape)),
tf.keras.layers.Flatten()
])
model_for_pruning.summary()
Model: "sequential_4" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= prune_low_magnitude_dense_5 (None, 20) 822 _________________________________________________________________ flatten_5 (Flatten) (None, 20) 0 ================================================================= Total params: 822 Trainable params: 420 Non-trainable params: 402 _________________________________________________________________
ตัดเลเยอร์ Keras ที่กำหนดเองหรือปรับเปลี่ยนบางส่วนของเลเยอร์เพื่อตัดแต่ง
ข้อผิดพลาดทั่วไป: การตัดอคติมักจะส่งผลเสียต่อความแม่นยำของโมเดลมากเกินไป
tfmot.sparsity.keras.PrunableLayer รองรับการใช้งานสองกรณี:
- ตัดเลเยอร์ Keras ที่กำหนดเอง
- แก้ไขบางส่วนของเลเยอร์ Keras ในตัวเพื่อตัดแต่ง
ตัวอย่างเช่น API มีค่าเริ่มต้นที่จะตัดเฉพาะเคอร์เนลของเลเยอร์ Dense ตัวอย่างด้านล่างตัดอคติด้วย
class MyDenseLayer(tf.keras.layers.Dense, tfmot.sparsity.keras.PrunableLayer):
def get_prunable_weights(self):
# Prune bias also, though that usually harms model accuracy too much.
return [self.kernel, self.bias]
# Use `prune_low_magnitude` to make the `MyDenseLayer` layer train with pruning.
model_for_pruning = tf.keras.Sequential([
tfmot.sparsity.keras.prune_low_magnitude(MyDenseLayer(20, input_shape=input_shape)),
tf.keras.layers.Flatten()
])
model_for_pruning.summary()
Model: "sequential_5" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= prune_low_magnitude_my_dense (None, 20) 843 _________________________________________________________________ flatten_6 (Flatten) (None, 20) 0 ================================================================= Total params: 843 Trainable params: 420 Non-trainable params: 423 _________________________________________________________________
โมเดลรถไฟ
รุ่นพอดี
โทรกลับ tfmot.sparsity.keras.UpdatePruningStep ระหว่างการฝึก
เพื่อช่วยในการฝึกแก้จุดบกพร่องให้ใช้การเรียกกลับ tfmot.sparsity.keras.PruningSummaries
# Define the model.
base_model = setup_model()
base_model.load_weights(pretrained_weights) # optional but recommended for model accuracy
model_for_pruning = tfmot.sparsity.keras.prune_low_magnitude(base_model)
log_dir = tempfile.mkdtemp()
callbacks = [
tfmot.sparsity.keras.UpdatePruningStep(),
# Log sparsity and other metrics in Tensorboard.
tfmot.sparsity.keras.PruningSummaries(log_dir=log_dir)
]
model_for_pruning.compile(
loss=tf.keras.losses.categorical_crossentropy,
optimizer='adam',
metrics=['accuracy']
)
model_for_pruning.fit(
x_train,
y_train,
callbacks=callbacks,
epochs=2,
)
%tensorboard --logdir={log_dir}
WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.iter WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_1 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_2 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.decay WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.learning_rate WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.bias WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.bias WARNING:tensorflow:A checkpoint was restored (e.g. tf.train.Checkpoint.restore or tf.keras.Model.load_weights) but not all checkpointed values were used. See above for specific issues. Use expect_partial() on the load status object, e.g. tf.train.Checkpoint.restore(...).expect_partial(), to silence these warnings, or use assert_consumed() to make the check explicit. See https://www.tensorflow.org/guide/checkpoint#loading_mechanics for details. Epoch 1/2 1/1 [==============================] - 0s 3ms/step - loss: 1.2485 - accuracy: 0.0000e+00 Epoch 2/2 WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/ops/summary_ops_v2.py:1277: stop (from tensorflow.python.eager.profiler) is deprecated and will be removed after 2020-07-01. Instructions for updating: use `tf.profiler.experimental.stop` instead. 1/1 [==============================] - 0s 2ms/step - loss: 1.1999 - accuracy: 0.0000e+00
สำหรับผู้ใช้ที่ไม่ใช่ Colab คุณสามารถดูผลลัพธ์ของการเรียกใช้ บล็อกโค้ดนี้ก่อนหน้า นี้บน TensorBoard.dev
ลูปการฝึกที่กำหนดเอง
โทรกลับ tfmot.sparsity.keras.UpdatePruningStep ระหว่างการฝึก
เพื่อช่วยในการฝึกแก้จุดบกพร่องให้ใช้การเรียกกลับ tfmot.sparsity.keras.PruningSummaries
# Define the model.
base_model = setup_model()
base_model.load_weights(pretrained_weights) # optional but recommended for model accuracy
model_for_pruning = tfmot.sparsity.keras.prune_low_magnitude(base_model)
# Boilerplate
loss = tf.keras.losses.categorical_crossentropy
optimizer = tf.keras.optimizers.Adam()
log_dir = tempfile.mkdtemp()
unused_arg = -1
epochs = 2
batches = 1 # example is hardcoded so that the number of batches cannot change.
# Non-boilerplate.
model_for_pruning.optimizer = optimizer
step_callback = tfmot.sparsity.keras.UpdatePruningStep()
step_callback.set_model(model_for_pruning)
log_callback = tfmot.sparsity.keras.PruningSummaries(log_dir=log_dir) # Log sparsity and other metrics in Tensorboard.
log_callback.set_model(model_for_pruning)
step_callback.on_train_begin() # run pruning callback
for _ in range(epochs):
log_callback.on_epoch_begin(epoch=unused_arg) # run pruning callback
for _ in range(batches):
step_callback.on_train_batch_begin(batch=unused_arg) # run pruning callback
with tf.GradientTape() as tape:
logits = model_for_pruning(x_train, training=True)
loss_value = loss(y_train, logits)
grads = tape.gradient(loss_value, model_for_pruning.trainable_variables)
optimizer.apply_gradients(zip(grads, model_for_pruning.trainable_variables))
step_callback.on_epoch_end(batch=unused_arg) # run pruning callback
%tensorboard --logdir={log_dir}
WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.iter WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_1 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_2 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.decay WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.learning_rate WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.bias WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.bias WARNING:tensorflow:A checkpoint was restored (e.g. tf.train.Checkpoint.restore or tf.keras.Model.load_weights) but not all checkpointed values were used. See above for specific issues. Use expect_partial() on the load status object, e.g. tf.train.Checkpoint.restore(...).expect_partial(), to silence these warnings, or use assert_consumed() to make the check explicit. See https://www.tensorflow.org/guide/checkpoint#loading_mechanics for details.
สำหรับผู้ใช้ที่ไม่ใช่ Colab คุณสามารถดูผลลัพธ์ของการเรียกใช้ บล็อกโค้ดนี้ก่อนหน้า นี้บน TensorBoard.dev
ปรับปรุงความแม่นยำของโมเดลที่ถูกตัด
ขั้นแรกให้ดูเอกสาร tfmot.sparsity.keras.prune_low_magnitude API เพื่อทำความเข้าใจว่ากำหนดการตัดแต่งกิ่งคืออะไรและคณิตศาสตร์ของกำหนดการตัดแต่งกิ่งแต่ละประเภท
เคล็ดลับ :
มีอัตราการเรียนรู้ที่ไม่สูงหรือต่ำเกินไปเมื่อโมเดลกำลังตัดแต่งกิ่ง พิจารณา ตารางการตัดแต่งกิ่ง เป็นไฮเปอร์พารามิเตอร์
ในการทดสอบอย่างรวดเร็วให้ลองทดลองตัดโมเดลให้เหลือระยะห่างขั้นสุดท้ายเมื่อเริ่มการฝึกโดยตั้งค่า
begin_stepเป็น 0 ด้วยตารางtfmot.sparsity.keras.ConstantSparsityคุณอาจจะโชคดีกับผลลัพธ์ที่ดีอย่าตัดบ่อยมากเพื่อให้โมเดลมีเวลาฟื้นตัว ตารางการตัดแต่ง ให้ความถี่เริ่มต้นที่เหมาะสม
สำหรับแนวคิดทั่วไปในการปรับปรุงความแม่นยำของโมเดลให้ดูเคล็ดลับสำหรับกรณีการใช้งานของคุณในส่วน "กำหนดรูปแบบ"
จุดตรวจและ deserialize
คุณต้องรักษาขั้นตอนเครื่องมือเพิ่มประสิทธิภาพไว้ในระหว่างการตรวจสอบ ซึ่งหมายความว่าในขณะที่คุณสามารถใช้รุ่น Keras HDF5 ในการตรวจสอบได้ แต่คุณไม่สามารถใช้น้ำหนัก Keras HDF5 ได้
# Define the model.
base_model = setup_model()
base_model.load_weights(pretrained_weights) # optional but recommended for model accuracy
model_for_pruning = tfmot.sparsity.keras.prune_low_magnitude(base_model)
_, keras_model_file = tempfile.mkstemp('.h5')
# Checkpoint: saving the optimizer is necessary (include_optimizer=True is the default).
model_for_pruning.save(keras_model_file, include_optimizer=True)
WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.iter WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_1 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_2 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.decay WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.learning_rate WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.bias WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.bias WARNING:tensorflow:A checkpoint was restored (e.g. tf.train.Checkpoint.restore or tf.keras.Model.load_weights) but not all checkpointed values were used. See above for specific issues. Use expect_partial() on the load status object, e.g. tf.train.Checkpoint.restore(...).expect_partial(), to silence these warnings, or use assert_consumed() to make the check explicit. See https://www.tensorflow.org/guide/checkpoint#loading_mechanics for details.
ข้างต้นมีผลบังคับใช้โดยทั่วไป รหัสด้านล่างนี้จำเป็นสำหรับรูปแบบโมเดล HDF5 เท่านั้น (ไม่ใช่น้ำหนัก HDF5 และรูปแบบอื่น ๆ )
# Deserialize model.
with tfmot.sparsity.keras.prune_scope():
loaded_model = tf.keras.models.load_model(keras_model_file)
loaded_model.summary()
WARNING:tensorflow:No training configuration found in the save file, so the model was *not* compiled. Compile it manually. Model: "sequential_8" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= prune_low_magnitude_dense_8 (None, 20) 822 _________________________________________________________________ prune_low_magnitude_flatten_ (None, 20) 1 ================================================================= Total params: 823 Trainable params: 420 Non-trainable params: 403 _________________________________________________________________
ปรับใช้โมเดลที่ถูกตัด
ส่งออกโมเดลด้วยการบีบอัดขนาด
ข้อผิดพลาดทั่วไป : ทั้ง strip_pruning และการใช้อัลกอริธึมการบีบอัดมาตรฐาน (เช่นผ่าน gzip) เป็นสิ่งจำเป็นเพื่อดูประโยชน์การบีบอัดของการตัดแต่งกิ่ง
# Define the model.
base_model = setup_model()
base_model.load_weights(pretrained_weights) # optional but recommended for model accuracy
model_for_pruning = tfmot.sparsity.keras.prune_low_magnitude(base_model)
# Typically you train the model here.
model_for_export = tfmot.sparsity.keras.strip_pruning(model_for_pruning)
print("final model")
model_for_export.summary()
print("\n")
print("Size of gzipped pruned model without stripping: %.2f bytes" % (get_gzipped_model_size(model_for_pruning)))
print("Size of gzipped pruned model with stripping: %.2f bytes" % (get_gzipped_model_size(model_for_export)))
WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.iter WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_1 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_2 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.decay WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.learning_rate WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.bias WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.bias WARNING:tensorflow:A checkpoint was restored (e.g. tf.train.Checkpoint.restore or tf.keras.Model.load_weights) but not all checkpointed values were used. See above for specific issues. Use expect_partial() on the load status object, e.g. tf.train.Checkpoint.restore(...).expect_partial(), to silence these warnings, or use assert_consumed() to make the check explicit. See https://www.tensorflow.org/guide/checkpoint#loading_mechanics for details. final model Model: "sequential_9" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= dense_9 (Dense) (None, 20) 420 _________________________________________________________________ flatten_10 (Flatten) (None, 20) 0 ================================================================= Total params: 420 Trainable params: 420 Non-trainable params: 0 _________________________________________________________________ Size of gzipped pruned model without stripping: 3299.00 bytes Size of gzipped pruned model with stripping: 2876.00 bytes
การเพิ่มประสิทธิภาพเฉพาะฮาร์ดแวร์
เมื่อแบ็กเอนด์ที่แตกต่างกัน เปิดใช้งานการตัดเพื่อปรับปรุงเวลาในการตอบสนองการ ใช้การกระจัดกระจายของบล็อกสามารถปรับปรุงเวลาในการตอบสนองสำหรับฮาร์ดแวร์บางตัวได้
การเพิ่มขนาดบล็อกจะลดความเบาบางสูงสุดที่ทำได้สำหรับความแม่นยำของโมเดลเป้าหมาย อย่างไรก็ตามเรื่องนี้เวลาในการตอบสนองยังสามารถปรับปรุงได้
สำหรับรายละเอียดเกี่ยวกับสิ่งที่รองรับสำหรับบล็อก sparsity โปรดดูเอกสาร tfmot.sparsity.keras.prune_low_magnitude API
base_model = setup_model()
# For using intrinsics on a CPU with 128-bit registers, together with 8-bit
# quantized weights, a 1x16 block size is nice because the block perfectly
# fits into the register.
pruning_params = {'block_size': [1, 16]}
model_for_pruning = tfmot.sparsity.keras.prune_low_magnitude(base_model, **pruning_params)
model_for_pruning.summary()
WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.iter WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_1 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_2 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.decay WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.learning_rate WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'm' for (root).layer_with_weights-0.bias WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.kernel WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer's state 'v' for (root).layer_with_weights-0.bias WARNING:tensorflow:A checkpoint was restored (e.g. tf.train.Checkpoint.restore or tf.keras.Model.load_weights) but not all checkpointed values were used. See above for specific issues. Use expect_partial() on the load status object, e.g. tf.train.Checkpoint.restore(...).expect_partial(), to silence these warnings, or use assert_consumed() to make the check explicit. See https://www.tensorflow.org/guide/checkpoint#loading_mechanics for details. Model: "sequential_10" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= prune_low_magnitude_dense_10 (None, 20) 822 _________________________________________________________________ prune_low_magnitude_flatten_ (None, 20) 1 ================================================================= Total params: 823 Trainable params: 420 Non-trainable params: 403 _________________________________________________________________