ট্রেনার টিএফএক্স পাইপলাইন উপাদানটি একটি টেনসরফ্লো মডেলকে প্রশিক্ষণ দেয়।
প্রশিক্ষক এবং টেনসরফ্লো
প্রশিক্ষক প্রশিক্ষণ মডেলগুলির জন্য পাইথন টেনসরফ্লো এপিআইয়ের ব্যাপক ব্যবহার করে।
উপাদান
প্রশিক্ষক নেয়:
- প্রশিক্ষণ এবং eval জন্য ব্যবহৃত tf. উদাহরণ।
- একজন ব্যবহারকারী মডিউল ফাইল সরবরাহ করেছেন যা প্রশিক্ষকের যুক্তি সংজ্ঞায়িত করে।
- ট্রেন আরগস এবং ইওল আরগগুলির প্রোটবুফ সংজ্ঞা।
- (Ptionচ্ছিক) একটি স্কিমাজেন পাইপলাইন উপাদান দ্বারা নির্মিত ডেটা স্কিমা এবং বিকাশকারী দ্বারা বিকল্পভাবে পরিবর্তিত।
- (Ptionচ্ছিক) একটি প্রবাহ ট্রান্সফর্ম উপাদান দ্বারা উত্পাদিত ট্রান্সফর্ম গ্রাফ।
- (Alচ্ছিক) প্রাক-প্রশিক্ষিত মডেল যেমন ওয়ার্মস্টার্টের মতো পরিস্থিতিতে ব্যবহৃত হয়।
- (Alচ্ছিক) হাইপারপ্যারামিটারগুলি, যা ব্যবহারকারীর মডিউল ফাংশনে যাবে। টিউনারের সাথে সংহতকরণের বিশদ এখানে পাওয়া যাবে ।
ট্রেনার নির্গত: কমপক্ষে একটি মডেল অনুমান / পরিবেশনার জন্য (সাধারণত স্যাভডমডেলফর্ম্যাটতে) এবং allyচ্ছিকভাবে ইভালের জন্য অন্য একটি মডেল (সাধারণত একটি ইভালসেভডমডেল)।
আমরা মডেল পুনর্লিখনের গ্রন্থাগারের মাধ্যমে টিএফলাইটের মতো বিকল্প মডেল ফর্ম্যাটগুলির জন্য সমর্থন সরবরাহ করি। Estimator এবং কেরাস মডেল উভয়কে কীভাবে রূপান্তর করা যায় তার উদাহরণগুলির জন্য মডেল পুনর্লিখনের লাইব্রেরির লিঙ্কটি দেখুন।
জেনেরিক প্রশিক্ষক
জেনেরিক প্রশিক্ষক বিকাশকারীদের প্রশিক্ষকের উপাদান সহ যে কোনও টেনসরফ্লো মডেল এপিআই ব্যবহার করতে সক্ষম করে। টেনসরফ্লো এস্টিমেটারগুলি ছাড়াও, বিকাশকারীরা কেরাস মডেল বা কাস্টম প্রশিক্ষণের লুপ ব্যবহার করতে পারে। বিশদগুলির জন্য, দয়া করে জেনেরিক প্রশিক্ষকের জন্য আরএফসি দেখুন।
প্রশিক্ষক উপাদান কনফিগার করা হচ্ছে
জেনেরিক ট্রেনারের জন্য সাধারণ পাইপলাইন ডিএসএল কোডটি দেখতে এরকম হবে:
from tfx.components import Trainer
...
trainer = Trainer(
module_file=module_file,
examples=transform.outputs['transformed_examples'],
transform_graph=transform.outputs['transform_graph'],
train_args=trainer_pb2.TrainArgs(num_steps=10000),
eval_args=trainer_pb2.EvalArgs(num_steps=5000))
ট্রেনার একটি প্রশিক্ষণ মডিউল module_file , যা module_file প্যারামিটারে নির্দিষ্ট করা হয়। পরিবর্তে trainer_fn , একটি run_fn মডিউল ফাইলের মধ্যে প্রয়োজনীয় যদি GenericExecutor উল্লেখ করা হয় custom_executor_spec । trainer_fn মডেলটি তৈরি করার জন্য দায়বদ্ধ ছিলেন। run_fn ছাড়াও, run_fn প্রশিক্ষণের অংশটি পরিচালনা করতে হবে এবং প্রশিক্ষিত মডেলকে এফএনআরগস দ্বারা প্রদত্ত পছন্দসই স্থানে আউটপুট তৈরি করতে হবে:
from tfx.components.trainer.fn_args_utils import FnArgs
def run_fn(fn_args: FnArgs) -> None:
"""Build the TF model and train it."""
model = _build_keras_model()
model.fit(...)
# Save model to fn_args.serving_model_dir.
model.save(fn_args.serving_model_dir, ...)
এখানে run_fn সহ একটিউদাহরণ মডিউল ফাইল ।
নোট করুন যে ট্রান্সফর্ম উপাদানটি যদি পাইপলাইনে ব্যবহার না করা হয় তবে প্রশিক্ষক উদাহরণস্বরূপ থেকে সরাসরি উদাহরণগুলি গ্রহণ করবেন:
trainer = Trainer(
module_file=module_file,
examples=example_gen.outputs['examples'],
schema=infer_schema.outputs['schema'],
train_args=trainer_pb2.TrainArgs(num_steps=10000),
eval_args=trainer_pb2.EvalArgs(num_steps=5000))
আরও বিশদ ট্রেনার এপিআই রেফারেন্সে উপলব্ধ ।