การปรับแต่งไฮเปอร์พารามิเตอร์ด้วย HParams Dashboard

ดูบน TensorFlow.org ทำงานใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดโน๊ตบุ๊ค

เมื่อเครื่องสร้างรูปแบบการเรียนรู้ที่คุณต้องเลือกต่างๆ hyperparameters เช่นอัตราการออกกลางคันในชั้นหรืออัตราการเรียนรู้ การตัดสินใจเหล่านี้ส่งผลต่อเมตริกของแบบจำลอง เช่น ความแม่นยำ ดังนั้น ขั้นตอนสำคัญในเวิร์กโฟลว์แมชชีนเลิร์นนิงคือการระบุไฮเปอร์พารามิเตอร์ที่ดีที่สุดสำหรับปัญหาของคุณ ซึ่งมักจะเกี่ยวข้องกับการทดลอง กระบวนการนี้เรียกว่า "Hyperparameter Optimization" หรือ "Hyperparameter Tuning"

แดชบอร์ด HParams ใน TensorBoard มีเครื่องมือหลายอย่างเพื่อช่วยในกระบวนการระบุการทดลองที่ดีที่สุดหรือชุดไฮเปอร์พารามิเตอร์ที่มีแนวโน้มดีที่สุด

บทช่วยสอนนี้จะเน้นที่ขั้นตอนต่อไปนี้:

  1. การตั้งค่าการทดสอบและสรุป HParams
  2. Adapt TensorFlow ทำงานเพื่อบันทึกไฮเปอร์พารามิเตอร์และเมตริก
  3. เริ่มรันและบันทึกทั้งหมดภายใต้ไดเร็กทอรีหลักเดียว
  4. เห็นภาพผลลัพธ์ในแดชบอร์ด HParams ของ TensorBoard

เริ่มต้นด้วยการติดตั้ง TF 2.0 และโหลดส่วนขยายโน้ตบุ๊ก TensorBoard:

# Load the TensorBoard notebook extension
%load_ext tensorboard
# Clear any logs from previous runs
rm -rf ./logs/

นำเข้า TensorFlow และปลั๊กอิน TensorBoard HParams:

import tensorflow as tf
from tensorboard.plugins.hparams import api as hp

ดาวน์โหลด FashionMNIST ชุดและขนาดมัน:

fashion_mnist = tf.keras.datasets.fashion_mnist

(x_train, y_train),(x_test, y_test) = fashion_mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz
32768/29515 [=================================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz
26427392/26421880 [==============================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
8192/5148 [===============================================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz
4423680/4422102 [==============================] - 0s 0us/step

1. การตั้งค่าการทดสอบและสรุปการทดสอบ HParams

ทดลองกับไฮเปอร์พารามิเตอร์สามตัวในแบบจำลอง:

  1. จำนวนหน่วยในชั้นแรกหนาแน่น
  2. อัตราการออกกลางคันในชั้นออกกลางคัน
  3. เครื่องมือเพิ่มประสิทธิภาพ

ระบุค่าที่จะลอง และบันทึกการกำหนดค่าการทดสอบไปยัง TensorBoard ขั้นตอนนี้เป็นทางเลือก: คุณสามารถระบุข้อมูลโดเมนเพื่อเปิดใช้งานการกรองไฮเปอร์พารามิเตอร์ใน UI ที่แม่นยำยิ่งขึ้น และคุณสามารถระบุได้ว่าจะแสดงเมตริกใด

HP_NUM_UNITS = hp.HParam('num_units', hp.Discrete([16, 32]))
HP_DROPOUT = hp.HParam('dropout', hp.RealInterval(0.1, 0.2))
HP_OPTIMIZER = hp.HParam('optimizer', hp.Discrete(['adam', 'sgd']))

METRIC_ACCURACY = 'accuracy'

with tf.summary.create_file_writer('logs/hparam_tuning').as_default():
  hp.hparams_config(
    hparams=[HP_NUM_UNITS, HP_DROPOUT, HP_OPTIMIZER],
    metrics=[hp.Metric(METRIC_ACCURACY, display_name='Accuracy')],
  )

หากคุณเลือกที่จะข้ามขั้นตอนนี้คุณสามารถใช้ตัวอักษรสตริงทุกที่ที่คุณมิฉะนั้นจะใช้ HParam มูลค่าเช่น hparams['dropout'] แทน hparams[HP_DROPOUT]

2. Adapt TensorFlow ทำงานเพื่อบันทึกไฮเปอร์พารามิเตอร์และเมตริก

โมเดลจะค่อนข้างง่าย: สองชั้นหนาแน่นโดยมีชั้นเลื่อนระหว่างพวกเขา รหัสการฝึกอบรมจะดูคุ้นเคย แม้ว่าพารามิเตอร์ไฮเปอร์พารามิเตอร์จะไม่ถูกฮาร์ดโค้ดอีกต่อไป แต่ hyperparameters มีไว้ใน hparams พจนานุกรมและใช้ตลอดทั้งฟังก์ชั่นการฝึกอบรม:

def train_test_model(hparams):
  model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(hparams[HP_NUM_UNITS], activation=tf.nn.relu),
    tf.keras.layers.Dropout(hparams[HP_DROPOUT]),
    tf.keras.layers.Dense(10, activation=tf.nn.softmax),
  ])
  model.compile(
      optimizer=hparams[HP_OPTIMIZER],
      loss='sparse_categorical_crossentropy',
      metrics=['accuracy'],
  )

  model.fit(x_train, y_train, epochs=1) # Run with 1 epoch to speed things up for demo purposes
  _, accuracy = model.evaluate(x_test, y_test)
  return accuracy

สำหรับการรันแต่ละครั้ง ให้บันทึกสรุป hparams ด้วยไฮเปอร์พารามิเตอร์และความแม่นยำขั้นสุดท้าย:

def run(run_dir, hparams):
  with tf.summary.create_file_writer(run_dir).as_default():
    hp.hparams(hparams)  # record the values used in this trial
    accuracy = train_test_model(hparams)
    tf.summary.scalar(METRIC_ACCURACY, accuracy, step=1)

เมื่อฝึกโมเดล Keras คุณสามารถใช้การเรียกกลับแทนการเขียนโดยตรง:

model.fit(
    ...,
    callbacks=[
        tf.keras.callbacks.TensorBoard(logdir),  # log metrics
        hp.KerasCallback(logdir, hparams),  # log hparams
    ],
)

3. เริ่มรันและบันทึกทั้งหมดภายใต้ไดเร็กทอรีหลักเดียว

ตอนนี้คุณสามารถลองการทดลองหลายๆ ครั้ง โดยฝึกแต่ละการทดลองด้วยชุดของไฮเปอร์พารามิเตอร์ที่แตกต่างกัน

เพื่อความง่าย ให้ใช้การค้นหาแบบกริด: ลองใช้พารามิเตอร์ที่ไม่ต่อเนื่องทั้งหมดรวมกันและเพียงแค่ขอบเขตล่างและบนของพารามิเตอร์มูลค่าจริง สำหรับสถานการณ์ที่ซับซ้อนมากขึ้น การเลือกค่าไฮเปอร์พารามิเตอร์แต่ละรายการแบบสุ่มอาจมีประสิทธิภาพมากกว่า (ซึ่งเรียกว่าการค้นหาแบบสุ่ม) มีวิธีการขั้นสูงที่สามารถใช้ได้

ทำการทดสอบสองสามอย่าง ซึ่งจะใช้เวลาสองสามนาที:

session_num = 0

for num_units in HP_NUM_UNITS.domain.values:
  for dropout_rate in (HP_DROPOUT.domain.min_value, HP_DROPOUT.domain.max_value):
    for optimizer in HP_OPTIMIZER.domain.values:
      hparams = {
          HP_NUM_UNITS: num_units,
          HP_DROPOUT: dropout_rate,
          HP_OPTIMIZER: optimizer,
      }
      run_name = "run-%d" % session_num
      print('--- Starting trial: %s' % run_name)
      print({h.name: hparams[h] for h in hparams})
      run('logs/hparam_tuning/' + run_name, hparams)
      session_num += 1
--- Starting trial: run-0
{'num_units': 16, 'dropout': 0.1, 'optimizer': 'adam'}
60000/60000 [==============================] - 4s 62us/sample - loss: 0.6872 - accuracy: 0.7564
10000/10000 [==============================] - 0s 35us/sample - loss: 0.4806 - accuracy: 0.8321
--- Starting trial: run-1
{'num_units': 16, 'dropout': 0.1, 'optimizer': 'sgd'}
60000/60000 [==============================] - 3s 54us/sample - loss: 0.9428 - accuracy: 0.6769
10000/10000 [==============================] - 0s 36us/sample - loss: 0.6519 - accuracy: 0.7770
--- Starting trial: run-2
{'num_units': 16, 'dropout': 0.2, 'optimizer': 'adam'}
60000/60000 [==============================] - 4s 60us/sample - loss: 0.8158 - accuracy: 0.7078
10000/10000 [==============================] - 0s 36us/sample - loss: 0.5309 - accuracy: 0.8154
--- Starting trial: run-3
{'num_units': 16, 'dropout': 0.2, 'optimizer': 'sgd'}
60000/60000 [==============================] - 3s 50us/sample - loss: 1.1465 - accuracy: 0.6019
10000/10000 [==============================] - 0s 36us/sample - loss: 0.7007 - accuracy: 0.7683
--- Starting trial: run-4
{'num_units': 32, 'dropout': 0.1, 'optimizer': 'adam'}
60000/60000 [==============================] - 4s 65us/sample - loss: 0.6178 - accuracy: 0.7849
10000/10000 [==============================] - 0s 38us/sample - loss: 0.4645 - accuracy: 0.8395
--- Starting trial: run-5
{'num_units': 32, 'dropout': 0.1, 'optimizer': 'sgd'}
60000/60000 [==============================] - 3s 55us/sample - loss: 0.8989 - accuracy: 0.6896
10000/10000 [==============================] - 0s 37us/sample - loss: 0.6335 - accuracy: 0.7853
--- Starting trial: run-6
{'num_units': 32, 'dropout': 0.2, 'optimizer': 'adam'}
60000/60000 [==============================] - 4s 64us/sample - loss: 0.6404 - accuracy: 0.7782
10000/10000 [==============================] - 0s 37us/sample - loss: 0.4802 - accuracy: 0.8265
--- Starting trial: run-7
{'num_units': 32, 'dropout': 0.2, 'optimizer': 'sgd'}
60000/60000 [==============================] - 3s 54us/sample - loss: 0.9633 - accuracy: 0.6703
10000/10000 [==============================] - 0s 36us/sample - loss: 0.6516 - accuracy: 0.7755

4. เห็นภาพผลลัพธ์ในปลั๊กอิน HParams ของ TensorBoard

ขณะนี้สามารถเปิดแดชบอร์ด HParams ได้แล้ว เริ่ม TensorBoard แล้วคลิก "HParams" ที่ด้านบน

%tensorboard --logdir logs/hparam_tuning

บานหน้าต่างด้านซ้ายของแดชบอร์ดให้ความสามารถในการกรองที่ทำงานอยู่ในมุมมองทั้งหมดในแดชบอร์ด HParams:

  • กรองว่าจะแสดงไฮเปอร์พารามิเตอร์/เมตริกใดบ้างในแดชบอร์ด
  • กรองว่าค่าไฮเปอร์พารามิเตอร์/เมตริกใดแสดงในแดชบอร์ด
  • กรองสถานะการวิ่ง (วิ่ง สำเร็จ ...)
  • จัดเรียงตามไฮเปอร์พารามิเตอร์/เมตริกในมุมมองตาราง
  • จำนวนกลุ่มเซสชันที่จะแสดง (มีประโยชน์สำหรับประสิทธิภาพเมื่อมีการทดสอบจำนวนมาก)

แดชบอร์ด HParams มีมุมมองที่แตกต่างกันสามแบบ พร้อมด้วยข้อมูลที่เป็นประโยชน์มากมาย:

  • ตารางดูรายการวิ่ง, hyperparameters ของพวกเขาและตัวชี้วัดของพวกเขา
  • ขนานพิกัดดูแสดงให้เห็นถึงการทำงานในแต่ละเป็นบรรทัดจะผ่านแกนสำหรับแต่ละ hyperparemeter และตัวชี้วัด คลิกและลากเมาส์บนแกนใด ๆ เพื่อทำเครื่องหมายพื้นที่ที่จะเน้นเฉพาะการวิ่งที่ผ่าน สิ่งนี้มีประโยชน์ในการระบุว่ากลุ่มของพารามิเตอร์ไฮเปอร์พารามิเตอร์ใดที่สำคัญที่สุด สามารถจัดลำดับแกนใหม่ได้ด้วยการลากแกน
  • กระจายพล็อตดูการแสดงแปลงเปรียบเทียบแต่ละ hyperparameter / ตัวชี้วัดแต่ละตัวชี้วัด ซึ่งจะช่วยระบุความสัมพันธ์ คลิกและลากเพื่อเลือกภูมิภาคในแปลงหนึ่งๆ และเน้นเซสชันเหล่านั้นในแปลงอื่นๆ

คุณสามารถคลิกแถวตาราง เส้นพิกัดคู่ขนาน และตลาดการลงจุดแบบกระจายเพื่อดูพล็อตของตัวชี้วัดที่เป็นฟังก์ชันของขั้นตอนการฝึกสำหรับเซสชันนั้น (แม้ว่าในบทช่วยสอนนี้จะใช้ขั้นตอนเดียวเท่านั้นสำหรับแต่ละการวิ่ง)

หากต้องการสำรวจความสามารถของแดชบอร์ด HParams เพิ่มเติม ให้ดาวน์โหลดชุดบันทึกที่สร้างไว้ล่วงหน้าพร้อมการทดลองเพิ่มเติม:

wget -q 'https://storage.googleapis.com/download.tensorflow.org/tensorboard/hparams_demo_logs.zip'
unzip -q hparams_demo_logs.zip -d logs/hparam_demo

ดูบันทึกเหล่านี้ใน TensorBoard:

%tensorboard --logdir logs/hparam_demo

คุณสามารถลองใช้มุมมองต่างๆ ในแดชบอร์ด HParams

ตัวอย่างเช่น โดยไปที่มุมมองพิกัดคู่ขนานแล้วคลิกและลากบนแกนความแม่นยำ คุณสามารถเลือกการวิ่งที่มีความแม่นยำสูงสุดได้ เนื่องจากการดำเนินการเหล่านี้ผ่าน 'adam' ในแกนเครื่องมือเพิ่มประสิทธิภาพ คุณสามารถสรุปได้ว่า 'adam' ทำงานได้ดีกว่า 'sgd' ในการทดสอบเหล่านี้