チューナー TFX パイプライン コンポーネント

Tuner コンポーネントは、モデルのハイパーパラメーターを調整します。

チューナー コンポーネントと KerasTuner ライブラリ

Tuner コンポーネントは、ハイパーパラメーターの調整に Python KerasTuner API を広範囲に使用します。

成分

チューナーは以下を取得します:

• tf.トレーニングと評価に使用される例。
• モデル定義、ハイパーパラメータ検索スペース、目標などの調整ロジックを定義するユーザー指定のモジュール ファイル (またはモジュール fn)。
• train 引数と eval 引数のProtobuf定義。
• (オプション) 調整引数のProtobuf定義。
• (オプション) 上流の Transform コンポーネントによって生成される変換グラフ。
• (オプション) SchemaGen パイプライン コンポーネントによって作成され、必要に応じて開発者によって変更されるデータ スキーマ。

指定されたデータ、モデル、および目的を使用して、チューナーはハイパーパラメーターを調整し、最良の結果を出力します。

説明書

Tuner には、次の署名を持つユーザー モジュール関数tuner_fnが必要です。

...
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.
  """
  ...

この関数では、モデルとハイパーパラメーターの両方の検索空間を定義し、調整の目的とアルゴリズムを選択します。 Tuner コンポーネントは、このモジュール コードを入力として受け取り、ハイパーパラメーターを調整して、最良の結果を出力します。

Trainer は、Tuner の出力ハイパーパラメータを入力として受け取り、そのユーザー モジュール コードで利用できます。パイプライン定義は次のようになります。

...
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))
...

モデルを再トレーニングするたびにハイパーパラメーターを調整したくない場合があります。 Tuner を使用して適切なハイパーパラメータのセットを決定したら、パイプラインから Tuner を削除し、 ImporterNodeを使用して以前のトレーニング実行から Tuner アーティファクトをインポートして Trainer にフィードすることができます。

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'])

Google Cloud Platform (GCP) でのチューニング

Google Cloud Platform (GCP) 上で実行する場合、Tuner コンポーネントは次の 2 つのサービスを利用できます。

• AI Platform Vizier (CloudTuner 実装経由)
• AI プラットフォーム トレーニング(分散チューニングの群マネージャーとして)

ハイパーパラメータ調整のバックエンドとしての AI Platform Vizier

AI Platform Vizier は、 Google Vizierテクノロジーに基づいてブラック ボックスの最適化を実行するマネージド サービスです。

CloudTuner は、研究バックエンドとして AI Platform Vizier サービスと通信するKerasTunerの実装です。 CloudTuner はkeras_tuner.Tunerのサブクラスであるため、 tuner_fnモジュールのドロップイン置換として使用でき、TFX Tuner コンポーネントの一部として実行できます。

以下は、 CloudTuner使用方法を示すコード スニペットです。 CloudTunerへの構成には、 project_idやregionなど、GCP に固有の項目が必要であることに注意してください。

...
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={...}
  )

Cloud AI Platform での並列チューニング 分散ワーカー群のトレーニング

Tuner コンポーネントの基礎となる実装としての KerasTuner フレームワークには、ハイパーパラメータ検索を並行して実行する機能があります。標準の Tuner コンポーネントには複数の検索ワーカーを並行して実行する機能はありませんが、 Google Cloud AI Platform 拡張機能 Tuner コンポーネントを使用することで、AI Platform トレーニング ジョブを分散ワーカーの群れとして使用して、並列チューニングを実行する機能が提供されます。マネージャー。 TuneArgs は、このコンポーネントに与えられる構成です。これは、純正チューナーコンポーネントのドロップイン交換品です。

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': ...,
                ...
            }
    })
...

拡張 Tuner コンポーネントの動作と出力は、複数のハイパーパラメーター検索が異なるワーカー マシンで並行して実行されることを除き、標準 Tuner コンポーネントと同じです。その結果、 num_trialsより速く完了します。これは、 RandomSearchなど、検索アルゴリズムが驚くほど並列化可能な場合に特に効果的です。ただし、AI Platform Vizier に実装されている Google Vizier アルゴリズムのように、検索アルゴリズムが以前のトライアルの結果からの情報を使用する場合、過剰な並列検索は検索の有効性に悪影響を及ぼす可能性があります。

リンク

E2E の例

GCP 上の E2E CloudTuner の例

KerasTuner チュートリアル

CloudTuner チュートリアル

提案

詳細については、チューナー API リファレンスを参照してください。