O componente Tuner ajusta os hiperparâmetros para o modelo.
Componente Tuner e biblioteca KerasTuner
O componente Tuner faz uso extensivo da API Python KerasTuner para ajustar hiperparâmetros.
Componente
Tuner leva:
- tf.Exemplos usados para treinamento e avaliação.
- Um arquivo de módulo fornecido pelo usuário (ou módulo fn) que define a lógica de ajuste, incluindo definição de modelo, espaço de pesquisa de hiperparâmetro, objetivo etc.
- Definição de protobuf de args de trem e args de eval.
- (Opcional) Definição de protobuf de argumentos de ajuste.
- (Opcional) gráfico de transformação produzido por um componente Transform upstream.
- (Opcional) Um esquema de dados criado por um componente de pipeline SchemaGen e opcionalmente alterado pelo desenvolvedor.
Com os dados, modelo e objetivo fornecidos, o Tuner sintoniza os hiperparâmetros e emite o melhor resultado.
Instruções
Uma função de módulo de usuário tuner_fn com a seguinte assinatura é necessária para o Tuner:
...
from kerastuner.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.
"""
...
Nesta função, você define os espaços de pesquisa do modelo e do hiperparâmetro e escolhe o objetivo e o algoritmo para ajuste. O componente Tuner recebe este código do módulo como entrada, ajusta os hiperparâmetros e emite o melhor resultado.
O Trainer pode pegar os hiperparâmetros de saída do Sintonizador como entrada e utilizá-los em seu código de módulo de usuário. A definição do pipeline é semelhante a esta:
...
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`.
custom_executor_spec=executor_spec.ExecutorClassSpec(GenericExecutor),
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))
...
Você pode não querer ajustar os hiperparâmetros toda vez que treinar novamente seu modelo. Depois de usar o Tuner para determinar um bom conjunto de hiperparâmetros, você pode remover o Tuner do pipeline e usar o ImporterNode para importar o artefato do Tuner de uma execução de treinamento anterior para alimentar o Trainer.
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 (kerastuner.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'])
Ajuste no Google Cloud Platform (GCP)
Ao ser executado no Google Cloud Platform (GCP), o componente Tuner pode tirar proveito de dois serviços:
- AI Platform Vizier (via implementação do CloudTuner)
- AI Platform Training (como gerente de rebanho para ajuste distribuído)
AI Platform Vizier como back-end do ajuste de hiperparâmetros
AI Platform Vizier é um serviço gerenciado que realiza otimização de caixa preta, com base na tecnologia Google Vizier .
CloudTuner é uma implementação do KerasTuner que se comunica com o serviço AI Platform Vizier como back-end do estudo. Visto que CloudTuner é uma subclasse de kerastuner.Tuner , ele pode ser usado como um substituto drop-in no módulo tuner_fn e executado como parte do componente TFX Tuner.
Abaixo está um trecho de código que mostra como usar o CloudTuner . Observe que a configuração do CloudTuner requer itens específicos do GCP, como project_id e 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={...}
)
Ajuste paralelo no grupo de trabalhadores distribuídos do Cloud AI Platform Training
A estrutura KerasTuner como a implementação subjacente do componente Tuner tem a capacidade de conduzir pesquisas de hiperparâmetros em paralelo. Embora o componente Tuner de estoque não tenha a capacidade de executar mais de um trabalhador de pesquisa em paralelo, usando o componente Tuner de extensão do Google Cloud AI Platform , ele oferece a capacidade de executar o ajuste paralelo, usando um trabalho de treinamento do AI Platform como um bando de trabalhadores distribuído Gerente. TuneArgs é a configuração dada a este componente. Esta é uma substituição imediata do componente Tuner de estoque.
from tfx.extensions.google_cloud_ai_platform.tuner.component import Tuner
from tfx.extensions.google_cloud_ai_platform.trainer import executor as ai_platform_trainer_executor
...
tuner = Tuner(
... # Same kwargs as the above stock Tuner component.
tune_args=tuner_pb2.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.
ai_platform_trainer_executor.TRAINING_ARGS_KEY:
{
'project': ...,
'region': ...,
# Configuration of machines for each master/worker in the flock.
'masterConfig': ...,
'workerConfig': ...,
...
}
})
...
O comportamento e a saída do componente Tuner de extensão é o mesmo do componente Tuner de estoque, exceto que várias pesquisas de hiperparâmetros são executadas em paralelo em diferentes máquinas de trabalho e, como resultado, os num_trials serão concluídos mais rapidamente. Isso é particularmente eficaz quando o algoritmo de pesquisa é constrangedoramente paralelizável, como RandomSearch . No entanto, se o algoritmo de pesquisa usar informações de resultados de testes anteriores, como o algoritmo Google Vizier implementado no AI Platform Vizier, uma pesquisa excessivamente paralela afetaria negativamente a eficácia da pesquisa.