এমএল কমিউনিটি দিবস 9 নভেম্বর! TensorFlow, Jax থেকে আপডেটের জন্য আমাদের সাথে যোগ দিন, এবং আরও আরও জানুন

কেরাস উদাহরণে ছাঁটাই

টেনসরফ্লো.আর.জে দেখুন গুগল কোলাবে চালান গিটহাবের উত্স দেখুন নোটবুক ডাউনলোড করুন

ওভারভিউ

প্রস্থ-ভিত্তিক ওজন ছাঁটাইয়ের জন্য শেষ থেকে শেষের উদাহরণে স্বাগতম।

অন্যান্য পৃষ্ঠা

ছাঁটাই কী হয় তার একটি পরিচিতির জন্য এবং আপনি এটি ব্যবহার করা উচিত কিনা তা নির্ধারণের জন্য (কী সমর্থন করে তা সহ) ওভারভিউ পৃষ্ঠাটি দেখুন

আপনার ব্যবহারের কেসগুলির জন্য আপনার প্রয়োজনীয় API গুলি দ্রুত সন্ধান করতে (৮০% স্পারসিটি দিয়ে কোনও মডেলকে পুরোপুরি ছাঁটাই করার বাইরে), বিস্তারিত গাইড দেখুন

সারসংক্ষেপ

এই টিউটোরিয়ালে, আপনি:

  1. স্ক্র্যাচ থেকে এমএনআইএসটির জন্য একটি tf.keras মডেলটি প্রশিক্ষণ দিন।
  2. ছাঁটাই এপিআই প্রয়োগ করে মডেলটির সূচনা করুন এবং নির্ভুলতা দেখুন।
  3. ছাঁটাই থেকে 3x ছোট টিএফ এবং টিএফলাইট মডেল তৈরি করুন।
  4. ছাঁটাই এবং প্রশিক্ষণ পরবর্তী কোয়ান্টাইজেশন সংমিশ্রণ থেকে একটি 10x ছোট টিএফলাইট মডেল তৈরি করুন।
  5. টিএফ থেকে টিএফলাইটে নির্ভুলতার অধ্যবসায়টি দেখুন।

সেটআপ

 pip install -q tensorflow-model-optimization
import tempfile
import os

import tensorflow as tf
import numpy as np

from tensorflow import keras

%load_ext tensorboard

ছাঁটাই ছাড়াই এমএনআইএসটির জন্য একটি মডেল প্রশিক্ষণ দিন

# 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 and 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='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,
  epochs=4,
  validation_split=0.1,
)
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step
Epoch 1/4
1688/1688 [==============================] - 10s 6ms/step - loss: 0.2785 - accuracy: 0.9220 - val_loss: 0.1031 - val_accuracy: 0.9740
Epoch 2/4
1688/1688 [==============================] - 9s 5ms/step - loss: 0.1063 - accuracy: 0.9691 - val_loss: 0.0782 - val_accuracy: 0.9790
Epoch 3/4
1688/1688 [==============================] - 9s 5ms/step - loss: 0.0815 - accuracy: 0.9765 - val_loss: 0.0788 - val_accuracy: 0.9775
Epoch 4/4
1688/1688 [==============================] - 9s 5ms/step - loss: 0.0689 - accuracy: 0.9797 - val_loss: 0.0633 - val_accuracy: 0.9840
<tensorflow.python.keras.callbacks.History at 0x7f146fbd8bd0>

বেসলাইন পরীক্ষার নির্ভুলতার মূল্যায়ন করুন এবং পরবর্তী ব্যবহারের জন্য মডেলটি সংরক্ষণ করুন।

_, baseline_model_accuracy = model.evaluate(
    test_images, test_labels, verbose=0)

print('Baseline test accuracy:', baseline_model_accuracy)

_, keras_file = tempfile.mkstemp('.h5')
tf.keras.models.save_model(model, keras_file, include_optimizer=False)
print('Saved baseline model to:', keras_file)
Baseline test accuracy: 0.9775999784469604
Saved baseline model to: /tmp/tmpjj6swf59.h5

ছাঁটাইয়ের সাথে ফাইন-টিউন প্রাক-প্রশিক্ষিত মডেল

মডেল সংজ্ঞায়িত করুন

আপনি পুরো মডেলটিতে ছাঁটাই প্রয়োগ করবেন এবং এটি মডেলের সারাংশে দেখবেন।

এই উদাহরণস্বরূপ, আপনি 50% স্পারসিটি (ওজনে 50% জিরো) দিয়ে মডেলটি শুরু করেন এবং 80% স্পারসিটি দিয়ে শেষ করুন।

বিস্তৃত গাইডে , আপনি মডেল নির্ভুলতার উন্নতির জন্য কয়েকটি স্তর ছাঁটাই করতে দেখতে পারেন।

import tensorflow_model_optimization as tfmot

prune_low_magnitude = tfmot.sparsity.keras.prune_low_magnitude

# Compute end step to finish pruning after 2 epochs.
batch_size = 128
epochs = 2
validation_split = 0.1 # 10% of training set will be used for validation set. 

num_images = train_images.shape[0] * (1 - validation_split)
end_step = np.ceil(num_images / batch_size).astype(np.int32) * epochs

# Define model for pruning.
pruning_params = {
      'pruning_schedule': tfmot.sparsity.keras.PolynomialDecay(initial_sparsity=0.50,
                                                               final_sparsity=0.80,
                                                               begin_step=0,
                                                               end_step=end_step)
}

model_for_pruning = prune_low_magnitude(model, **pruning_params)

# `prune_low_magnitude` requires a recompile.
model_for_pruning.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

model_for_pruning.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
_________________________________________________________________

বেসলাইনটির বিপরীতে মডেলটিকে প্রশিক্ষণ এবং মূল্যায়ন করুন

দুটি যুগের জন্য ছাঁটাইয়ের সাথে দুর্দান্ত সুর।

tfmot.sparsity.keras.UpdatePruningStep প্রশিক্ষণের সময় প্রয়োজন হয়, এবং tfmot.sparsity.keras.PruningSummaries ট্র্যাকিং অগ্রগতি এবং ডিবাগিংয়ের জন্য লগ সরবরাহ করে।

logdir = tempfile.mkdtemp()

callbacks = [
  tfmot.sparsity.keras.UpdatePruningStep(),
  tfmot.sparsity.keras.PruningSummaries(log_dir=logdir),
]

model_for_pruning.fit(train_images, train_labels,
                  batch_size=batch_size, epochs=epochs, validation_split=validation_split,
                  callbacks=callbacks)
Epoch 1/2
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.
  3/422 [..............................] - ETA: 12s - loss: 0.0628 - accuracy: 0.9896  WARNING:tensorflow:Callback method `on_train_batch_end` is slow compared to the batch time (batch time: 0.0075s vs `on_train_batch_end` time: 0.0076s). Check your callbacks.
422/422 [==============================] - 5s 9ms/step - loss: 0.0797 - accuracy: 0.9771 - val_loss: 0.0828 - val_accuracy: 0.9790
Epoch 2/2
422/422 [==============================] - 3s 8ms/step - loss: 0.0971 - accuracy: 0.9741 - val_loss: 0.0839 - val_accuracy: 0.9775
<tensorflow.python.keras.callbacks.History at 0x7f12e4502910>

এই উদাহরণস্বরূপ, বেসলাইনের তুলনায় ছাঁটাইয়ের পরে পরীক্ষার নির্ভুলতায় ন্যূনতম ক্ষতি রয়েছে।

_, model_for_pruning_accuracy = model_for_pruning.evaluate(
   test_images, test_labels, verbose=0)

print('Baseline test accuracy:', baseline_model_accuracy) 
print('Pruned test accuracy:', model_for_pruning_accuracy)
Baseline test accuracy: 0.9775999784469604
Pruned test accuracy: 0.972100019454956

লগগুলি প্রতি-স্তরের ভিত্তিতে স্পারসিটির অগ্রগতি দেখায়।

%tensorboard --logdir={logdir}

নন-কোলাব ব্যবহারকারীদের জন্য, আপনি টেনসরবোর্ড.দেভে এই কোড ব্লকেরআগের রানের ফলাফলগুলি দেখতে পারেন।

ছাঁটাই থেকে 3x ছোট মডেল তৈরি করুন

উভয়ই tfmot.sparsity.keras.strip_pruning এবং স্ট্যান্ডার্ড সংকোচনের অ্যালগোরিদম প্রয়োগ করা (যেমন gzip এর মাধ্যমে) ছাঁটাইয়ের সংকোচনের সুবিধাগুলি দেখতে প্রয়োজনীয়।

  • strip_pruning প্রয়োজনীয় যেহেতু এটি প্রতিটি টিএফ অপসারণ করে। পরিবর্তনশীল যে ছাঁটাই কেবল প্রশিক্ষণের সময় প্রয়োজন যা অন্যথায় অনুমানের সময় মডেল আকারে যুক্ত করবে
  • সিরিয়ালযুক্ত ওজন ম্যাট্রিকগুলি ছাঁটাই করার আগে যেমন ছিল তার সমান আকারের থেকে একটি স্ট্যান্ডার্ড সংক্ষেপণ অ্যালগরিদম প্রয়োগ করা প্রয়োজনীয়। তবে, ছাঁটাইটি বেশিরভাগ ওজন শূন্যকে তৈরি করে, এটি যুক্ত করা হয় যে অতিরিক্তভাবে যুক্ত করা হয় অ্যালগরিদমগুলি মডেলটিকে আরও সংকোচনে ব্যবহার করতে পারে।

প্রথমে টেনসরফ্লোয়ের জন্য একটি সংকোচনের মডেল তৈরি করুন।

model_for_export = tfmot.sparsity.keras.strip_pruning(model_for_pruning)

_, pruned_keras_file = tempfile.mkstemp('.h5')
tf.keras.models.save_model(model_for_export, pruned_keras_file, include_optimizer=False)
print('Saved pruned Keras model to:', pruned_keras_file)
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.
Saved pruned Keras model to: /tmp/tmp22u333hk.h5

তারপরে, টিএফলাইটের জন্য একটি সংকোচনযোগ্য মডেল তৈরি করুন।

converter = tf.lite.TFLiteConverter.from_keras_model(model_for_export)
pruned_tflite_model = converter.convert()

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

with open(pruned_tflite_file, 'wb') as f:
  f.write(pruned_tflite_model)

print('Saved pruned TFLite model to:', pruned_tflite_file)
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/tmp51falze0/assets
Saved pruned TFLite model to: /tmp/tmpehx5la2i.tflite

জিজিপের মাধ্যমে মডেলগুলি আসলে সংকুচিত করতে এবং জিপ করা আকারটি পরিমাপ করতে একটি সহায়ক ফাংশন সংজ্ঞায়িত করুন।

def get_gzipped_model_size(file):
  # Returns size of 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)

তুলনা করুন এবং দেখুন যে ছাঁটাইগুলি থেকে মডেলগুলি 3x ছোট।

print("Size of gzipped baseline Keras model: %.2f bytes" % (get_gzipped_model_size(keras_file)))
print("Size of gzipped pruned Keras model: %.2f bytes" % (get_gzipped_model_size(pruned_keras_file)))
print("Size of gzipped pruned TFlite model: %.2f bytes" % (get_gzipped_model_size(pruned_tflite_file)))
Size of gzipped baseline Keras model: 78211.00 bytes
Size of gzipped pruned Keras model: 25797.00 bytes
Size of gzipped pruned TFlite model: 24995.00 bytes

ছাঁটাই এবং পরিমাণের সংমিশ্রণ থেকে একটি 10x ছোট মডেল তৈরি করুন

অতিরিক্ত সুবিধার জন্য আপনি ছাঁটাই করা মডেলটিতে প্রশিক্ষণোত্তর পরবর্তী পরিমাণের আবেদন করতে পারেন।

converter = tf.lite.TFLiteConverter.from_keras_model(model_for_export)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
quantized_and_pruned_tflite_model = converter.convert()

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

with open(quantized_and_pruned_tflite_file, 'wb') as f:
  f.write(quantized_and_pruned_tflite_model)

print('Saved quantized and pruned TFLite model to:', quantized_and_pruned_tflite_file)

print("Size of gzipped baseline Keras model: %.2f bytes" % (get_gzipped_model_size(keras_file)))
print("Size of gzipped pruned and quantized TFlite model: %.2f bytes" % (get_gzipped_model_size(quantized_and_pruned_tflite_file)))
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.
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/tmp6tzu3z87/assets
INFO:tensorflow:Assets written to: /tmp/tmp6tzu3z87/assets
Saved quantized and pruned TFLite model to: /tmp/tmp0mvlkin1.tflite
Size of gzipped baseline Keras model: 78211.00 bytes
Size of gzipped pruned and quantized TFlite model: 8031.00 bytes

টিএফএল থেকে টিএফলাইটে নির্ভুলতার অধ্যবসায় দেখুন

পরীক্ষার ডেটাসেটে টিএফ লাইট মডেলটি মূল্যায়নের জন্য কোনও সহায়ক ফাংশন সংজ্ঞায়িত করুন।

import numpy as np

def evaluate_model(interpreter):
  input_index = interpreter.get_input_details()[0]["index"]
  output_index = interpreter.get_output_details()[0]["index"]

  # Run predictions on ever y 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

আপনি ছাঁটাই এবং কোয়ান্টাইজড মডেলটি মূল্যায়ন করুন এবং দেখুন যে টেনসরফ্লো থেকে যথার্থতা টিএফলাইট ব্যাকএন্ডে অব্যাহত রয়েছে।

interpreter = tf.lite.Interpreter(model_content=quantized_and_pruned_tflite_model)
interpreter.allocate_tensors()

test_accuracy = evaluate_model(interpreter)

print('Pruned and quantized TFLite test_accuracy:', test_accuracy)
print('Pruned TF test accuracy:', model_for_pruning_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 and quantized TFLite test_accuracy: 0.9722
Pruned TF test accuracy: 0.972100019454956

উপসংহার

এই টিউটোরিয়ালে, আপনি টেনসরফ্লো এবং টিএফলাইট উভয়ের জন্য টেনসরফ্লো মডেল অপটিমাইজেশন টুলকিট এপিআই দিয়ে স্পার্স মডেলগুলি কীভাবে তৈরি করবেন তা দেখেছি। তারপরে আপনি অতিরিক্ত সুবিধাগুলির জন্য প্রশিক্ষণ পরবর্তী কোয়ান্টাইজেশনের সাথে ছাঁটাইকে সম্মিলিত করেছেন।

আপনি ন্যূনতম নির্ভুলতার পার্থক্য সহ এমএনআইএসটির জন্য একটি 10x ছোট মডেল তৈরি করেছেন।

আমরা আপনাকে এই নতুন সামর্থ্যটি চেষ্টা করতে উত্সাহিত করি, যা উত্স-সীমাবদ্ধ পরিবেশে মোতায়েনের জন্য বিশেষত গুরুত্বপূর্ণ হতে পারে।