RSVP für Ihr lokales TensorFlow Everywhere-Event noch heute!
Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

Die Trainer TFX Pipeline-Komponente

Die Pipeline-Komponente Trainer TFX trainiert ein TensorFlow-Modell.

Trainer und TensorFlow

Der Trainer nutzt die Python TensorFlow- API in großem Umfang für Trainingsmodelle.

Komponente

Trainer nimmt:

  • Beispiele für Schulung und Bewertung.
  • Eine vom Benutzer bereitgestellte Moduldatei, die die Trainerlogik definiert.
  • Protobuf- Definition von Zugargumenten und Bewertungsargumenten.
  • (Optional) Ein Datenschema, das von einer SchemaGen-Pipelinekomponente erstellt und optional vom Entwickler geändert wurde.
  • (Optionaler) Transformationsgraph, der von einer vorgeschalteten Transformationskomponente erzeugt wird.
  • (Optional) vorab trainierte Modelle für Szenarien wie Warmstart.
  • (Optionale) Hyperparameter, die an die Funktion des Benutzermoduls übergeben werden. Details zur Integration mit Tuner finden Sie hier .

Der Trainer gibt Folgendes aus: Mindestens ein Modell für Inferenz / Serving (normalerweise in SavedModelFormat) und optional ein anderes Modell für eval (normalerweise ein EvalSavedModel).

Wir bieten Unterstützung für alternative Modellformate wie TFLite über die Model Rewriting Library . Beispiele zum Konvertieren von Estimator- und Keras-Modellen finden Sie unter dem Link zur Model Rewriting Library.

Schätzer-basierter Trainer

Informationen zur Verwendung eines Estimator- basierten Modells mit TFX und Trainer finden Sie unter Entwerfen von TensorFlow-Modellierungscode mit tf.Estimator für TFX .

Konfigurieren einer Trainerkomponente

Der typische Python-DSL-Pipeline-Code sieht folgendermaßen aus:

from tfx.components import Trainer

...

trainer = Trainer(
      module_file=module_file,
      examples=transform.outputs['transformed_examples'],
      schema=infer_schema.outputs['schema'],
      base_model=latest_model_resolver.outputs['latest_model'],
      transform_graph=transform.outputs['transform_graph'],
      train_args=trainer_pb2.TrainArgs(num_steps=10000),
      eval_args=trainer_pb2.EvalArgs(num_steps=5000))

Der Trainer ruft ein Trainingsmodul auf, das im Parameter module_file angegeben ist. Ein typisches Trainingsmodul sieht folgendermaßen aus:

# TFX will call this function
def trainer_fn(trainer_fn_args, schema):
  """Build the estimator using the high level API.

  Args:
    trainer_fn_args: Holds args used to train the model as name/value pairs.
    schema: Holds the schema of the training examples.

  Returns:
    A dict of the following:

      - estimator: The estimator that will be used for training and eval.
      - train_spec: Spec for training.
      - eval_spec: Spec for eval.
      - eval_input_receiver_fn: Input function for eval.
  """
  # Number of nodes in the first layer of the DNN
  first_dnn_layer_size = 100
  num_dnn_layers = 4
  dnn_decay_factor = 0.7

  train_batch_size = 40
  eval_batch_size = 40

  tf_transform_output = tft.TFTransformOutput(trainer_fn_args.transform_output)

  train_input_fn = lambda: _input_fn(  # pylint: disable=g-long-lambda
      trainer_fn_args.train_files,
      tf_transform_output,
      batch_size=train_batch_size)

  eval_input_fn = lambda: _input_fn(  # pylint: disable=g-long-lambda
      trainer_fn_args.eval_files,
      tf_transform_output,
      batch_size=eval_batch_size)

  train_spec = tf.estimator.TrainSpec(  # pylint: disable=g-long-lambda
      train_input_fn,
      max_steps=trainer_fn_args.train_steps)

  serving_receiver_fn = lambda: _example_serving_receiver_fn(  # pylint: disable=g-long-lambda
      tf_transform_output, schema)

  exporter = tf.estimator.FinalExporter('chicago-taxi', serving_receiver_fn)
  eval_spec = tf.estimator.EvalSpec(
      eval_input_fn,
      steps=trainer_fn_args.eval_steps,
      exporters=[exporter],
      name='chicago-taxi-eval')

  run_config = tf.estimator.RunConfig(
      save_checkpoints_steps=999, keep_checkpoint_max=1)

  run_config = run_config.replace(model_dir=trainer_fn_args.serving_model_dir)
  warm_start_from = trainer_fn_args.base_model[
      0] if trainer_fn_args.base_model else None

  estimator = _build_estimator(
      # Construct layers sizes with exponetial decay
      hidden_units=[
          max(2, int(first_dnn_layer_size * dnn_decay_factor**i))
          for i in range(num_dnn_layers)
      ],
      config=run_config,
      warm_start_from=warm_start_from)

  # Create an input receiver for TFMA processing
  receiver_fn = lambda: _eval_input_receiver_fn(  # pylint: disable=g-long-lambda
      tf_transform_output, schema)

  return {
      'estimator': estimator,
      'train_spec': train_spec,
      'eval_spec': eval_spec,
      'eval_input_receiver_fn': receiver_fn
  }

Generischer Trainer

Mit dem generischen Trainer können Entwickler jede TensorFlow-Modell-API mit der Trainer-Komponente verwenden. Zusätzlich zu TensorFlow Estimators können Entwickler Keras-Modelle oder benutzerdefinierte Trainingsschleifen verwenden. Einzelheiten finden Sie im RFC für generische Trainer .

Konfigurieren der Trainerkomponente für die Verwendung des GenericExecutor

Der typische Pipeline-DSL-Code für den generischen Trainer sieht folgendermaßen aus:

from tfx.components import Trainer
from tfx.dsl.components.base import executor_spec
from tfx.components.trainer.executor import GenericExecutor

...

trainer = Trainer(
    module_file=module_file,
    custom_executor_spec=executor_spec.ExecutorClassSpec(GenericExecutor),
    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))

Der Trainer ruft ein Trainingsmodul auf, das im Parameter module_file angegeben ist. Anstelle von trainer_fn ist in der Moduldatei ein run_fn erforderlich, wenn der GenericExecutor in custom_executor_spec . Der trainer_fn war für die Erstellung des Modells verantwortlich. Darüber hinaus muss run_fn auch den Trainingsteil bearbeiten und das trainierte Modell an den von FnArgs angegebenen gewünschten Ort ausgeben :

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, ...)

Hier ist eine Beispielmoduldatei mit run_fn .

Beachten Sie, dass der Trainer die Beispiele direkt aus ExampleGen übernimmt, wenn die Transformationskomponente nicht in der Pipeline verwendet wird:

trainer = Trainer(
    module_file=module_file,
    custom_executor_spec=executor_spec.ExecutorClassSpec(GenericExecutor),
    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))