คอมโพเนนต์ Tuner จะปรับแต่งไฮเปอร์พารามิเตอร์สำหรับโมเดล
Tuner Component และ KerasTuner Library
องค์ประกอบจูนเนอร์ที่ทำให้การใช้งานที่กว้างขวางของงูหลาม KerasTuner API สำหรับการปรับแต่ง hyperparameters
ส่วนประกอบ
จูนเนอร์ใช้เวลา:
- tf.ตัวอย่างที่ใช้ในการฝึกอบรมและประเมินผล
- ผู้ใช้จัดเตรียมไฟล์โมดูล (หรือโมดูล fn) ที่กำหนดตรรกะการปรับแต่ง รวมถึงคำจำกัดความของโมเดล พื้นที่ค้นหาไฮเปอร์พารามิเตอร์ วัตถุประสงค์ ฯลฯ
- protobuf นิยามของ args รถไฟและ args EVAL
- (อุปกรณ์เสริม) Protobuf ความหมายของการปรับแต่ง args
- (ไม่บังคับ) กราฟการแปลงที่สร้างโดยองค์ประกอบการแปลงต้นน้ำ
- (ไม่บังคับ) สคีมาข้อมูลที่สร้างโดยคอมโพเนนต์ไปป์ไลน์ SchemaGen และผู้พัฒนาสามารถเลือกแก้ไขได้
ด้วยข้อมูล โมเดล และวัตถุประสงค์ที่กำหนด Tuner จะปรับไฮเปอร์พารามิเตอร์และให้ผลลัพธ์ที่ดีที่สุด
คำแนะนำ
ฟังก์ชั่นการใช้โมดูล tuner_fn
ที่มีลายเซ็นต่อไปนี้เป็นสิ่งจำเป็นสำหรับจูนเนอร์:
...
from keras_tuner.engine import base_tuner
TunerFnResult = NamedTuple('TunerFnResult', [('tuner', base_tuner.BaseTuner),
('fit_kwargs', Dict[Text, Any])])
def tuner_fn(fn_args: FnArgs) -> TunerFnResult:
"""Build the tuner using the KerasTuner API.
Args:
fn_args: Holds args as name/value pairs.
- working_dir: working dir for tuning.
- train_files: List of file paths containing training tf.Example data.
- eval_files: List of file paths containing eval tf.Example data.
- train_steps: number of train steps.
- eval_steps: number of eval steps.
- schema_path: optional schema of the input data.
- transform_graph_path: optional transform graph produced by TFT.
Returns:
A namedtuple contains the following:
- tuner: A BaseTuner that will be used for tuning.
- fit_kwargs: Args to pass to tuner's run_trial function for fitting the
model , e.g., the training and validation dataset. Required
args depend on the above tuner's implementation.
"""
...
ในฟังก์ชันนี้ คุณกำหนดทั้งพื้นที่การค้นหาโมเดลและไฮเปอร์พารามิเตอร์ และเลือกวัตถุประสงค์และอัลกอริทึมสำหรับการปรับแต่ง คอมโพเนนต์ Tuner ใช้โค้ดโมดูลนี้เป็นอินพุต ปรับแต่งไฮเปอร์พารามิเตอร์ และให้ผลลัพธ์ที่ดีที่สุด
ผู้ฝึกสอนสามารถใช้ไฮเปอร์พารามิเตอร์เอาต์พุตของ Tuner เป็นอินพุตและใช้ในโค้ดโมดูลผู้ใช้ นิยามไปป์ไลน์มีลักษณะดังนี้:
...
tuner = Tuner(
module_file=module_file, # Contains `tuner_fn`.
examples=transform.outputs['transformed_examples'],
transform_graph=transform.outputs['transform_graph'],
train_args=trainer_pb2.TrainArgs(num_steps=20),
eval_args=trainer_pb2.EvalArgs(num_steps=5))
trainer = Trainer(
module_file=module_file, # Contains `run_fn`.
examples=transform.outputs['transformed_examples'],
transform_graph=transform.outputs['transform_graph'],
schema=schema_gen.outputs['schema'],
# This will be passed to `run_fn`.
hyperparameters=tuner.outputs['best_hyperparameters'],
train_args=trainer_pb2.TrainArgs(num_steps=100),
eval_args=trainer_pb2.EvalArgs(num_steps=5))
...
คุณอาจไม่ต้องการปรับไฮเปอร์พารามิเตอร์ทุกครั้งที่คุณฝึกโมเดลของคุณใหม่ เมื่อคุณได้ใช้จูนเนอร์เพื่อตรวจสอบชุดที่ดีของ hyperparameters คุณสามารถลบจูนเนอร์จากท่อและการใช้งานของคุณ ImporterNode
ที่จะนำเข้าสิ่งประดิษฐ์จูนเนอร์จากการฝึกอบรมก่อนหน้านี้วิ่งไปฟีดเทรนเนอร์
hparams_importer = ImporterNode(
instance_name='import_hparams',
# This can be Tuner's output file or manually edited file. The file contains
# text format of hyperparameters (keras_tuner.HyperParameters.get_config())
source_uri='path/to/best_hyperparameters.txt',
artifact_type=HyperParameters)
trainer = Trainer(
...
# An alternative is directly use the tuned hyperparameters in Trainer's user
# module code and set hyperparameters to None here.
hyperparameters = hparams_importer.outputs['result'])
การปรับแต่งบน Google Cloud Platform (GCP)
เมื่อทำงานบน Google Cloud Platform (GCP) คอมโพเนนต์ Tuner สามารถใช้ประโยชน์จากสองบริการ:
- AI แพลตฟอร์มราชมนตรี (ผ่านการดำเนินงาน CloudTuner)
- AI ฝึกอบรมแพลตฟอร์ม (เป็นผู้จัดการฝูงสำหรับการปรับการกระจาย)
AI Platform Vizier เป็นแบ็กเอนด์ของการปรับแต่งไฮเปอร์พารามิเตอร์
AI แพลตฟอร์มอัครมหาเสนาบดี เป็นบริการที่มีการจัดการที่มีประสิทธิภาพในการเพิ่มประสิทธิภาพกล่องดำอยู่บนพื้นฐานของ Google อัครมหาเสนาบดี เทคโนโลยี
CloudTuner คือการดำเนินการ KerasTuner ซึ่งพูดในการให้บริการเอไอแพลทฟอร์มอัครมหาเสนาบดีเป็นแบ็กเอนด์การศึกษา ตั้งแต่ CloudTuner เป็น subclass ของ keras_tuner.Tuner
ก็สามารถนำมาใช้เป็นดรอปแทนใน tuner_fn
โมดูลและดำเนินการเป็นส่วนหนึ่งขององค์ประกอบ TFX จูนเนอร์
ด้านล่างเป็นโค้ดซึ่งแสดงให้เห็นถึงวิธีการใช้ CloudTuner
ขอให้สังเกตว่าการกำหนดค่า CloudTuner
ต้องการรายการที่มีความเฉพาะเจาะจงกับ GCP เช่น project_id
และ region
...
from tensorflow_cloud import CloudTuner
...
def tuner_fn(fn_args: FnArgs) -> TunerFnResult:
"""An implementation of tuner_fn that instantiates CloudTuner."""
...
tuner = CloudTuner(
_build_model,
hyperparameters=...,
...
project_id=..., # GCP Project ID
region=..., # GCP Region where Vizier service is run.
)
...
return TuneFnResult(
tuner=tuner,
fit_kwargs={...}
)
การปรับจูนแบบขนานบน Cloud AI Platform Training กระจายฝูงคนงาน
กรอบงาน KerasTuner ที่เป็นการใช้งานพื้นฐานของคอมโพเนนต์ Tuner มีความสามารถในการค้นหาไฮเปอร์พารามิเตอร์แบบคู่ขนาน ในขณะที่องค์ประกอบหุ้นจูนเนอร์ไม่ได้มีความสามารถในการดำเนินการของผู้ปฏิบัติงานมากกว่าหนึ่งค้นหาในแบบคู่ขนานโดยใช้ องค์ประกอบการขยายจูนเนอร์ Google Cloud AI แพลตฟอร์ม ก็มีความสามารถในการเรียกใช้การปรับแต่งขนานใช้ AI แพลตฟอร์มการฝึกงานเป็นฝูงคนงานกระจาย ผู้จัดการ. TuneArgs คือการกำหนดค่าให้กับส่วนนี้ นี่คือการแทนที่ส่วนประกอบ Tuner ของสต็อกแบบดรอปอิน
tuner = google_cloud_ai_platform.Tuner(
... # Same kwargs as the above stock Tuner component.
tune_args=proto.TuneArgs(num_parallel_trials=3), # 3-worker parallel
custom_config={
# Configures Cloud AI Platform-specific configs . For for details, see
# https://cloud.google.com/ai-platform/training/docs/reference/rest/v1/projects.jobs#traininginput.
TUNING_ARGS_KEY:
{
'project': ...,
'region': ...,
# Configuration of machines for each master/worker in the flock.
'masterConfig': ...,
'workerConfig': ...,
...
}
})
...
พฤติกรรมและการส่งออกขององค์ประกอบการขยายจูนเนอร์ที่เป็นเช่นเดียวกับองค์ประกอบหุ้นจูนเนอร์ยกเว้นว่าการค้นหา hyperparameter หลายจะดำเนินการในแบบคู่ขนานบนเครื่องของผู้ปฏิบัติงานที่แตกต่างกันและเป็นผลให้ num_trials
จะแล้วเสร็จเร็วขึ้น นี้จะมีประสิทธิภาพโดยเฉพาะอย่างยิ่งเมื่ออัลกอริทึมการค้นหาเป็น parallelizable เปิ่นเช่น RandomSearch
อย่างไรก็ตาม หากอัลกอริธึมการค้นหาใช้ข้อมูลจากผลการทดลองก่อนหน้านี้ เช่น อัลกอริธึม Google Vizier ที่ใช้ใน AI Platform Vizier การค้นหาแบบคู่ขนานมากเกินไปจะส่งผลเสียต่อประสิทธิภาพของการค้นหา
ลิงค์
รายละเอียดเพิ่มเติมที่มีอยู่ใน การอ้างอิง API จูนเนอร์