 צפה ב- TensorFlow.org |  הפעל בגוגל קולאב |  צפה במקור ב- GitHub |  הורד מחברת |
סקירה כללית
ברוכים הבאים לדוגמא מקצה לקצה לגיזום משקל מבוסס גודל.
דפים אחרים
לקבלת מבוא מהו גיזום וכדי לקבוע אם עליכם להשתמש בו (כולל מה שנתמך), עיינו בדף הסקירה הכללית .
כדי למצוא במהירות את ממשקי ה- API הדרושים לך למקרה השימוש שלך (מעבר לגיזום מלא של דגם עם 80% דלילות), עיין במדריך המקיף .
סיכום
במדריך זה תוכלו:
-
tf.kerasדגם tf.keras עבור MNIST מאפס. - כוונן את המודל על ידי יישום ה- API לגיזום וראה את הדיוק.
- צור דגמי TF ו- TFLite פי 3 מגיזום.
- צור דגם TFLite קטן פי 10 משילוב גיזום וכימות לאחר האימון.
- ראה את ההתמדה של הדיוק מ- TF ל- TFLite.
להכין
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
התאמן דגם ל- MNIST ללא גיזום
# 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='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,
)
Epoch 1/4 1688/1688 [==============================] - 7s 4ms/step - loss: 0.3422 - accuracy: 0.9004 - val_loss: 0.1760 - val_accuracy: 0.9498 Epoch 2/4 1688/1688 [==============================] - 7s 4ms/step - loss: 0.1813 - accuracy: 0.9457 - val_loss: 0.1176 - val_accuracy: 0.9698 Epoch 3/4 1688/1688 [==============================] - 7s 4ms/step - loss: 0.1220 - accuracy: 0.9648 - val_loss: 0.0864 - val_accuracy: 0.9770 Epoch 4/4 1688/1688 [==============================] - 7s 4ms/step - loss: 0.0874 - accuracy: 0.9740 - val_loss: 0.0763 - val_accuracy: 0.9787 <tensorflow.python.keras.callbacks.History at 0x7f32cbeb9550>
הערך את דיוק הבדיקה הבסיסית ושמור את המודל לשימוש מאוחר יותר.
_, 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: 0.972599983215332 Saved baseline model to: /tmp/tmp6quew9ig.h5
כוונן את המודל המאומן מראש עם גיזום
הגדר את המודל
תחיל גיזום על כל הדגם ותראה זאת בסיכום הדגמים.
בדוגמה זו, אתה מתחיל את הדגם עם 50% דלילות (50% אפסים במשקולות) ומסיים עם 80% דלילות.
במדריך המקיף תוכלו לראות כיצד לגזום כמה שכבות לשיפור דיוק המודל.
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()
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow_model_optimization/python/core/sparsity/keras/pruning_wrapper.py:220: 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" _________________________________________________________________ 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 _________________________________________________________________
התאמן והערך את המודל על בסיס הבסיס
כוונן היטב עם גיזום לשתי תקופות.
tfmot.sparsity.keras.UpdatePruningStep נדרש במהלך האימון, ו- tfmot.sparsity.keras.PruningSummaries מספק יומנים למעקב אחר התקדמות tfmot.sparsity.keras.PruningSummaries באגים.
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 1/422 [..............................] - ETA: 0s - loss: 0.2689 - accuracy: 0.8984WARNING: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. 422/422 [==============================] - 3s 7ms/step - loss: 0.1105 - accuracy: 0.9691 - val_loss: 0.1247 - val_accuracy: 0.9682 Epoch 2/2 422/422 [==============================] - 3s 6ms/step - loss: 0.1197 - accuracy: 0.9667 - val_loss: 0.0969 - val_accuracy: 0.9763 <tensorflow.python.keras.callbacks.History at 0x7f32422a9550>
לדוגמא זו, יש הפסד מינימלי של דיוק הבדיקה לאחר גיזום, בהשוואה לקו הבסיס.
_, 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: 0.972599983215332 Pruned test accuracy: 0.9689000248908997
היומנים מראים את התקדמות הדלילות על בסיס שכבה.
%tensorboard --logdir={logdir}
עבור משתמשים שאינם קולאב, תוכל לראותאת התוצאות של ריצה קודמת של בלוק קוד זה ב- TensorBoard.dev .
צור 3 דגמים קטנים יותר מגיזום
שניהם tfmot.sparsity.keras.strip_pruning וגם יישום אלגוריתם דחיסה סטנדרטי (למשל באמצעות gzip) נחוצים כדי לראות את יתרונות הדחיסה בגיזום.
-
strip_pruningהוא הכרחי מכיוון שהוא מסיר כל tf. משתנה שגיזום צריך רק במהלך האימון, מה שאחרת היה מוסיף לגודל המודל במהלך היסק - החלת אלגוריתם דחיסה סטנדרטי הינה הכרחית מכיוון שמטריצות המשקל הסידוריות באותו הגודל שהיו לפני הגיזום. עם זאת, גיזום הופך את מרבית המשקולות לאפסים, מה שמוסיף יתירות שהאלגוריתמים יכולים להשתמש בהם כדי לדחוס עוד יותר את המודל.
ראשית, צור מודל דחוס עבור TensorFlow.
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)
Saved pruned Keras model to: /tmp/tmpu92n0irx.h5
לאחר מכן, צור מודל דחוס עבור TFLite.
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: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/tmpunez1uhy/assets Saved pruned TFLite model to: /tmp/tmp9oa2swr6.tflite
הגדר פונקציית עוזר בכדי לדחוס את הדגמים באמצעות gzip ולמדוד את גודל הרוכסן.
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)
השווה וראה שהדגמים קטנים פי 3 מגיזום.
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: 78048.00 bytes Size of gzipped pruned Keras model: 25680.00 bytes Size of gzipped pruned TFlite model: 24946.00 bytes
צור מודל קטן פי 10 משילוב גיזום וכימות
ניתן להחיל כימות לאחר אימון על המודל הגזום לקבלת הטבות נוספות.
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)))
INFO:tensorflow:Assets written to: /tmp/tmpf68nyuwr/assets INFO:tensorflow:Assets written to: /tmp/tmpf68nyuwr/assets Saved quantized and pruned TFLite model to: /tmp/tmp85dhxupl.tflite Size of gzipped baseline Keras model: 78048.00 bytes Size of gzipped pruned and quantized TFlite model: 7663.00 bytes
ראה התמדה של דיוק מ- TF ל- TFLite
הגדר פונקציית עוזר להערכת מודל ה- TF Lite במערך הבדיקה.
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
אתה מעריך את המודל הגזום והכמותי ורואה שהדיוק מ- TensorFlow נמשך למגב ה- TFLite.
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: 0.9692 Pruned TF test accuracy: 0.9689000248908997
סיכום
במדריך זה ראית כיצד ליצור מודלים דלילים בעזרת ממשק ה- API של ערכת כלי האופטימיזציה של TensorFlow עבור TensorFlow ו- TFLite. לאחר מכן שילבת גיזום עם כימות לאחר האימון לקבלת יתרונות נוספים.
יצרת דגם קטן פי 10 עבור MNIST, עם הפרש דיוק מינימלי.
אנו ממליצים לך לנסות את היכולת החדשה הזו, שיכולה להיות חשובה במיוחד לפריסה בסביבות מוגבלות משאבים.