Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Komponent Trainer TFX Pipeline

Komponent potoku Trainer TFX uczy model TensorFlow.

Trainer i TensorFlow

Trainer w szerokim zakresie wykorzystuje API Python TensorFlow do trenowania modeli.

Składnik

Trener bierze:

  • tf Przykłady użyte do szkolenia i ewaluacji.
  • Plik modułu dostarczony przez użytkownika, który definiuje logikę trenera.
  • Schemat danych utworzony przez składnik potoku SchemaGen i opcjonalnie zmieniony przez dewelopera.
  • Definicja Protobuf argumentów pociągu i argumentów eval.
  • (Opcjonalnie) wykres transformacji utworzony przez wcześniejszy składnik Transform.
  • (Opcjonalnie) wstępnie przeszkolone modele używane w scenariuszach, takich jak ciepły start.
  • (Opcjonalnie) hiperparametry, które zostaną przekazane do funkcji modułu użytkownika. Szczegóły integracji z Tunerem można znaleźć tutaj .

Trainer emituje: Co najmniej jeden model do wnioskowania / udostępniania (zwykle w SavedModelFormat) i opcjonalnie inny model do oceny eval (zwykle EvalSavedModel).

Zapewniamy obsługę alternatywnych formatów modeli, takich jak TFLite, za pośrednictwem biblioteki Model Rewriting Library . Zobacz łącze do biblioteki Model Rewriting Library, aby zapoznać się z przykładami konwertowania modeli Estimator i Keras.

Trener oparty na estymatorze

Aby dowiedzieć się więcej o korzystaniu z modelu opartego na estymatorze z TFX i Trainer, zobacz Projektowanie kodu modelowania TensorFlow z tf.Estimator for TFX .

Konfiguracja komponentu Trainer

Typowy kod Python DSL w potoku wygląda następująco:

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))

Trainer wywołuje moduł szkoleniowy, który jest określony w parametrze module_file . Typowy moduł szkoleniowy wygląda następująco:

# 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
  }

Ogólny trener

Trener generyczny umożliwia programistom używanie dowolnego interfejsu API modelu TensorFlow z komponentem Trainer. Oprócz TensorFlow Estimators programiści mogą korzystać z modeli Keras lub niestandardowych pętli szkoleniowych. Aby uzyskać szczegółowe informacje, zapoznaj się z dokumentem RFC dotyczącym trenera ogólnego .

Konfigurowanie składnika Trainer do korzystania z GenericExecutor

Typowy kod DSL potoku dla generycznego Trainera wyglądałby tak:

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))

Trainer wywołuje moduł szkoleniowy, który jest określony w parametrze module_file . Zamiast trainer_fn , run_fn jest wymagany w pliku modułu, jeśli GenericExecutor jest określony w custom_executor_spec .

Jeśli składnik Transform nie jest używany w potoku, trener pobierze przykłady bezpośrednio z ExampleGen:

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))

Oto przykładowy plik modułu z run_fn .