Se usó la API de Cloud Translation para traducir esta página.
Switch to English

El componente de tubería TFX Entrenador

El componente de tubería Trainer TFX entrena un modelo TensorFlow.

Entrenador y TensorFlow

El entrenador hace un uso extensivo de la API Python TensorFlow para los modelos de entrenamiento.

Componente

El entrenador toma:

  • tf. Ejemplos utilizados para capacitación y evaluación.
  • Un archivo de módulo proporcionado por el usuario que define la lógica del entrenador.
  • Un esquema de datos creado por un componente de canalización SchemaGen y opcionalmente modificado por el desarrollador.
  • Definición de protofuf de args de tren y args de evaluación.
  • (Opcional) gráfico de transformación producido por un componente de transformación aguas arriba.
  • (Opcional) modelos pre-entrenados utilizados para escenarios como el arranque en caliente.
  • Hiperparámetros (opcionales), que se pasarán a la función del módulo de usuario. Los detalles de la integración con Tuner se pueden encontrar aquí .

El formador emite: al menos un modelo para inferencia / servicio (generalmente en SavedModelFormat) y, opcionalmente, otro modelo para eval (generalmente un EvalSavedModel).

Brindamos soporte para formatos de modelos alternativos como TFLite a través de la Biblioteca de reescritura de modelos . Consulte el enlace a la Biblioteca de reescritura de modelos para ver ejemplos de cómo convertir los modelos Estimator y Keras.

Entrenador basado en estimador

Para obtener información sobre el uso de un modelo basado en Estimator con TFX y Trainer, consulte Diseño de código de modelado TensorFlow con tf.Estimator para TFX .

Configurar un componente de entrenador

El código DSL de Python de canalización típico se ve así:

 from tfx.components import Trainer

...

trainer = Trainer(
      module_file=module_file,
      examples=transform.outputs['transformed_examples'],
      schema=infer_schema.outputs['schema'],
      base_models=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))
 

El entrenador invoca un módulo de entrenamiento, que se especifica en el parámetro module_file . Un módulo de entrenamiento típico se ve así:

 # 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_models[
      0] if trainer_fn_args.base_models 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
  }
 

Entrenador Genérico

El entrenador genérico permite a los desarrolladores utilizar cualquier modelo de API TensorFlow con el componente Entrenador. Además de los estimadores TensorFlow, los desarrolladores pueden usar modelos Keras o bucles de entrenamiento personalizados. Para más detalles, consulte el RFC para el entrenador genérico .

Configuración del componente de entrenador para usar el GenericExecutor

El código DSL de canalización típico para el Entrenador genérico se vería así:

 from tfx.components import Trainer
from tfx.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'],
    schema=infer_schema.outputs['schema'],
    train_args=trainer_pb2.TrainArgs(num_steps=10000),
    eval_args=trainer_pb2.EvalArgs(num_steps=5000))
 

El entrenador invoca un módulo de entrenamiento, que se especifica en el parámetro module_file . En lugar de trainer_fn , se requiere un run_fn en el archivo del módulo si GenericExecutor se especifica en custom_executor_spec .

Si el componente Transformar no se usa en la tubería, entonces el Entrenador tomaría los ejemplos de ExampleGen directamente:

 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))
 

Aquí hay un archivo de módulo de ejemplo con run_fn .