คอมโพเนนต์ Tuner จะปรับแต่งไฮเปอร์พารามิเตอร์สำหรับโมเดล
ส่วนประกอบจูนเนอร์และ KerasTuner Library
คอมโพเนนต์ Tuner ใช้ Python KerasTuner API อย่างกว้างขวางในการปรับไฮเปอร์พารามิเตอร์
ส่วนประกอบ
จูนเนอร์ใช้เวลา:
- tf.ตัวอย่างที่ใช้สำหรับการฝึกอบรมและการวัดผล
- ไฟล์โมดูลที่ผู้ใช้จัดเตรียม (หรือโมดูล fn) ที่กำหนดตรรกะการปรับแต่ง รวมถึงข้อกำหนดโมเดล พื้นที่ค้นหาไฮเปอร์พารามิเตอร์ วัตถุประสงค์ เป็นต้น
- คำนิยาม Protobuf ของ Train args และ eval args
- (ไม่บังคับ) คำนิยาม Protobuf ของการปรับแต่ง args
- (ไม่บังคับ) กราฟการแปลงที่สร้างโดยคอมโพเนนต์การแปลงต้นทาง
- (ไม่บังคับ) สคีมาข้อมูลที่สร้างขึ้นโดยคอมโพเนนต์ไปป์ไลน์ SchemaGen และแก้ไขเพิ่มเติมโดยนักพัฒนา
ด้วยข้อมูล แบบจำลอง และวัตถุประสงค์ที่กำหนด Tuner จะปรับแต่งไฮเปอร์พารามิเตอร์และปล่อยผลลัพธ์ที่ดีที่สุด
คำแนะนำ
ฟังก์ชันโมดูลผู้ใช้ tuner_fn ที่มีลายเซ็นต่อไปนี้จำเป็นสำหรับ Tuner:
...
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 คุณจะกำหนดทั้งแบบจำลองและช่องว่างการค้นหาพารามิเตอร์หลายมิติ และเลือกวัตถุประสงค์และอัลกอริทึมสำหรับการปรับแต่ง คอมโพเนนต์ Tuner ใช้โค้ดโมดูลนี้เป็นอินพุต ปรับไฮเปอร์พารามิเตอร์ และส่งผลลัพธ์ที่ดีที่สุด
Trainer สามารถใช้ไฮเปอร์พารามิเตอร์เอาต์พุตของ Tuner เป็นอินพุตและใช้ในรหัสโมดูลผู้ใช้ คำจำกัดความไปป์ไลน์มีลักษณะดังนี้:
...
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))
...
คุณอาจไม่ต้องการปรับไฮเปอร์พารามิเตอร์ทุกครั้งที่ฝึกโมเดลใหม่ เมื่อคุณใช้ Tuner เพื่อระบุชุดของไฮเปอร์พารามิเตอร์ที่ดีแล้ว คุณสามารถลบ Tuner ออกจากไปป์ไลน์และใช้ ImporterNode เพื่อนำเข้าส่วน Tuner จากการฝึกก่อนหน้านี้เพื่อป้อนไปยัง Trainer
hparams_importer = Importer(
# 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,
).with_id('import_hparams')
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 สามารถใช้ประโยชน์จากสองบริการได้:
- AI Platform Vizier (ผ่านการใช้งาน CloudTuner)
- AI Platform Training (ในฐานะผู้จัดการฝูงสำหรับการปรับแต่งแบบกระจาย)
AI Platform Vizier เป็นแบ็กเอนด์ของการปรับไฮเปอร์พารามิเตอร์
AI Platform Vizier เป็นบริการที่มีการจัดการที่ดำเนินการเพิ่มประสิทธิภาพกล่องดำ โดยอิงตามเทคโนโลยี Google Vizier
CloudTuner เป็นการดำเนินการของ KerasTuner ซึ่งพูดคุยกับบริการ AI Platform Vizier เป็นแบ็กเอนด์การศึกษา เนื่องจาก CloudTuner เป็นคลาสย่อยของ keras_tuner.Tuner จึงสามารถใช้เป็นการแทนที่ดรอปอินในโมดูล tuner_fn และดำเนินการเป็นส่วนหนึ่งของคอมโพเนนต์ TFX Tuner
ด้านล่างนี้คือข้อมูลโค้ดที่แสดงวิธีใช้ CloudTuner โปรดทราบว่าการกำหนดค่าไปยัง CloudTuner ต้องใช้รายการเฉพาะสำหรับ 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={...}
)
การปรับคู่ขนานบน Cloud AI Platform Training กระจายฝูงคนงาน
กรอบ KerasTuner เป็นการใช้งานพื้นฐานของส่วนประกอบ Tuner มีความสามารถในการค้นหาไฮเปอร์พารามิเตอร์แบบขนาน ในขณะที่ส่วนประกอบ Tuner ของสต็อกไม่มีความสามารถในการดำเนินการค้นหามากกว่าหนึ่งคนพร้อมกัน แต่การใช้ ส่วนประกอบ Tuner ส่วนขยายของ Google Cloud AI Platform จะช่วยให้สามารถเรียกใช้การค้นหาแบบขนานได้โดยใช้ AI Platform Training Job เป็นฝูงผู้ปฏิบัติงานแบบกระจาย ผู้จัดการ. TuneArgs คือการกำหนดค่าที่กำหนดให้กับส่วนประกอบนี้ นี่คือการแทนที่ส่วนประกอบจูนเนอร์สต็อกแบบดรอปอิน
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': ...,
...
}
})
...
ลักษณะการทำงานและเอาต์พุตของส่วนประกอบ Tuner ส่วนขยายจะเหมือนกับส่วนประกอบ Tuner ในสต็อก ยกเว้นว่าการค้นหาไฮเปอร์พารามิเตอร์หลายรายการจะดำเนินการพร้อมกันในเครื่องของผู้ปฏิบัติงานที่แตกต่างกัน และผลที่ตามมาคือ num_trials จะเสร็จสิ้นเร็วขึ้น ซึ่งจะมีประสิทธิภาพโดยเฉพาะอย่างยิ่งเมื่ออัลกอริทึมการค้นหาเป็นแบบขนานอย่างน่าอาย เช่น RandomSearch อย่างไรก็ตาม หากอัลกอริทึมการค้นหาใช้ข้อมูลจากผลลัพธ์ของการทดลองก่อนหน้านี้ เช่น อัลกอริทึมของ Google Vizier ที่ใช้ในแพลตฟอร์ม AI Vizier การค้นหาแบบขนานมากเกินไปจะส่งผลเสียต่อประสิทธิภาพของการค้นหา
ลิงค์
รายละเอียดเพิ่มเติมมีอยู่ใน ข้อมูลอ้างอิง Tuner API