Junte-se à comunidade SIG TFX-Addons e ajude a tornar o TFX ainda melhor!
Esta página foi traduzida pela API Cloud Translation.
Switch to English

O componente Trainer TFX Pipeline

O componente do pipeline Trainer TFX treina um modelo TensorFlow.

Trainer e TensorFlow

O Trainer faz uso extensivo da API Python TensorFlow para modelos de treinamento.

Componente

O treinador leva:

  • tf.Exemplos usados ​​para treinamento e avaliação.
  • Um arquivo de módulo fornecido pelo usuário que define a lógica do treinador.
  • Definição de protobuf de args de trem e args de eval.
  • (Opcional) Um esquema de dados criado por um componente de pipeline SchemaGen e opcionalmente alterado pelo desenvolvedor.
  • (Opcional) gráfico de transformação produzido por um componente Transform upstream.
  • (Opcional) modelos pré-treinados usados ​​para cenários como o warmstart.
  • (Opcional) hiperparâmetros, que serão passados ​​para a função do módulo do usuário. Os detalhes da integração com o Tuner podem ser encontrados aqui .

O treinador emite: pelo menos um modelo para inferência / veiculação (normalmente em SavedModelFormat) e, opcionalmente, outro modelo para eval (normalmente um EvalSavedModel).

Oferecemos suporte para formatos de modelo alternativos, como TFLite, por meio da Biblioteca de Reescrita de Modelos . Veja o link para a Biblioteca de Reescrita de Modelos para exemplos de como converter os modelos Estimator e Keras.

Treinador baseado em estimador

Para saber como usar um modelo baseado em Estimator com TFX e Trainer, consulte Projetando o código de modelagem do TensorFlow com tf.Estimator para TFX .

Configurando um componente do instrutor

O código DSL do pipeline Python típico se parece com este:

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))

O Trainer invoca um módulo de treinamento, que é especificado no parâmetro module_file . Um módulo de treinamento típico se parece com este:

# 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
  }

Treinador Genérico

O treinador genérico permite que os desenvolvedores usem qualquer API de modelo do TensorFlow com o componente Trainer. Além dos TensorFlow Estimators, os desenvolvedores podem usar modelos Keras ou loops de treinamento personalizados. Para obter detalhes, consulte o RFC para treinador genérico .

Configurando o componente Trainer para usar o GenericExecutor

O código DSL de pipeline típico para o Trainer genérico seria assim:

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))

O Trainer invoca um módulo de treinamento, que é especificado no parâmetro module_file . Em vez de trainer_fn , um run_fn é necessário no arquivo do módulo se o GenericExecutor for especificado no custom_executor_spec . O trainer_fn foi responsável pela criação do modelo. Além disso, run_fn também precisa lidar com a parte de treinamento e enviar o modelo treinado para um local desejado fornecido pelo FnArgs :

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, ...)

Aqui está um arquivo de módulo de exemplo com run_fn .

Observe que, se o componente Transform não for usado no pipeline, o Trainer pegará os exemplos de ExampleGen diretamente:

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))