 Ver no TensorFlow.org |  Executar no Google Colab |  Ver fonte no GitHub |  Baixar caderno |
Visão geral
Bem-vindo a um exemplo de ponta a ponta para poda de peso baseada em magnitude.
Outras páginas
Para obter uma introdução sobre o que é poda e para determinar se você deve usá-la (incluindo o que é compatível), consulte a página de visão geral .
Para encontrar rapidamente as APIs necessárias para o seu caso de uso (além de limpar totalmente um modelo com 80% de dispersão), consulte o guia completo .
Resumo
Neste tutorial, você irá:
- Treine um modelo
tf.keraspara MNIST do zero. - Ajuste o modelo aplicando a API de poda e veja a precisão.
- Crie modelos TF e TFLite 3x menores a partir da poda.
- Crie um modelo TFLite 10x menor combinando poda e quantização pós-treinamento.
- Veja a persistência de precisão de TF a TFLite.
Configurar
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
Treine um modelo para MNIST sem poda
# 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>
Avalie a precisão do teste de linha de base e salve o modelo para uso posterior.
_, 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
Modelo pré-treinado de ajuste fino com poda
Defina o modelo
Você aplicará a poda a todo o modelo e verá isso no resumo do modelo.
Neste exemplo, você inicia o modelo com 50% de dispersão (50% zeros em pesos) e termina com 80% de dispersão.
No guia completo , você pode ver como podar algumas camadas para melhorar a precisão do modelo.
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
_________________________________________________________________
Treine e avalie o modelo em relação à linha de base
Afinação fina com poda para duas épocas.
tfmot.sparsity.keras.UpdatePruningStep é necessário durante o treinamento e tfmot.sparsity.keras.PruningSummaries fornece logs para rastrear o progresso e depuração.
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>
Para este exemplo, há perda mínima na precisão do teste após a poda, em comparação com a linha de base.
_, 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
Os registros mostram a progressão da dispersão em uma base por camada.
%tensorboard --logdir={logdir}
Para não usuários do Colab, você pode veros resultados de uma execução anterior deste bloco de código em TensorBoard.dev .
Crie modelos 3x menores a partir da poda
Tanto o tfmot.sparsity.keras.strip_pruning quanto a aplicação de um algoritmo de compressão padrão (por exemplo, via gzip) são necessários para ver os benefícios da compressão da poda.
-
strip_pruningé necessário, pois remove cada tf. Variável que a poda precisa apenas durante o treinamento, o que, de outra forma, aumentaria o tamanho do modelo durante a inferência - É necessário aplicar um algoritmo de compactação padrão, pois as matrizes de peso serializadas têm o mesmo tamanho de antes da poda. No entanto, a remoção torna a maioria dos pesos zeros, o que é adicionado à redundância que os algoritmos podem utilizar para compactar ainda mais o modelo.
Primeiro, crie um modelo compactável para 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)
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
Em seguida, crie um modelo compactável para 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: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
Defina uma função auxiliar para realmente compactar os modelos via gzip e medir o tamanho compactado.
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)
Compare e veja que os modelos são 3x menores com a poda.
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
Crie um modelo 10x menor combinando poda e quantização
Você pode aplicar a quantização pós-treinamento ao modelo podado para obter benefícios adicionais.
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
Veja a persistência de precisão de TF para TFLite
Defina uma função auxiliar para avaliar o modelo TF Lite no conjunto de dados de teste.
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
Você avalia o modelo removido e quantizado e vê que a precisão do TensorFlow persiste no back-end 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: 0.9722 Pruned TF test accuracy: 0.972100019454956
Conclusão
Neste tutorial, você viu como criar modelos esparsos com a API TensorFlow Model Optimization Toolkit para TensorFlow e TFLite. Em seguida, você combinou a poda com a quantização pós-treinamento para obter benefícios adicionais.
Você criou um modelo 10x menor para MNIST, com diferença mínima de precisão.
Recomendamos que você experimente esse novo recurso, que pode ser particularmente importante para implantação em ambientes com recursos limitados.