Компонент Tuner настраивает гиперпараметры модели.
Компонент тюнера и библиотека KerasTuner
Компонент Tuner широко использует Python KerasTuner API для настройки гиперпараметров.
Компонент
Тюнер принимает:
- tf.Examples, используемые для обучения и оценки.
- Предоставляемый пользователем файл модуля (или модуль fn), который определяет логику настройки, включая определение модели, пространство поиска гиперпараметров, цель и т. д.
- Protobuf определение аргументов поезда и аргументов eval.
- (Необязательно) Protobuf определение параметров настройки.
- (Необязательно) график преобразования, созданный вышестоящим компонентом Transform.
- (Необязательно) Схема данных, созданная компонентом конвейера SchemaGen и необязательно измененная разработчиком.
С заданными данными, моделью и целью Tuner настраивает гиперпараметры и выдает наилучший результат.
инструкции
Для Tuner требуется функция пользовательского модуля tuner_fn
со следующей сигнатурой:
...
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.
"""
...
В этой функции вы определяете пространство поиска модели и гиперпараметра, а также выбираете цель и алгоритм настройки. Компонент Tuner принимает этот код модуля в качестве входных данных, настраивает гиперпараметры и выдает наилучший результат.
Trainer может принимать выходные гиперпараметры Tuner в качестве входных данных и использовать их в коде своего пользовательского модуля. Определение конвейера выглядит следующим образом:
...
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))
...
Возможно, вам не захочется настраивать гиперпараметры каждый раз при переобучении модели. После того, как вы использовали Tuner для определения хорошего набора гиперпараметров, вы можете удалить Tuner из конвейера и использовать ImporterNode
для импорта артефакта Tuner из предыдущего тренировочного прогона для передачи в 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'])
Настройка на Google Cloud Platform (GCP)
При работе на Google Cloud Platform (GCP) компонент Tuner может использовать две службы:
- AI Platform Vizier (через реализацию CloudTuner)
- Обучение платформе ИИ (в качестве управляющего стадом для распределенной настройки)
AI Platform Vizier как основа для настройки гиперпараметров
AI Platform Vizier — это управляемая служба, которая выполняет оптимизацию черного ящика на основе технологии Google Vizier .
CloudTuner — это реализация KerasTuner , которая взаимодействует со службой AI Platform Vizier в качестве серверной части исследования. Поскольку CloudTuner является подклассом keras_tuner.Tuner
, его можно использовать в качестве замены в модуле tuner_fn
и выполнять как часть компонента TFX Tuner.
Ниже приведен фрагмент кода, показывающий, как использовать CloudTuner
. Обратите внимание, что для настройки CloudTuner
требуются элементы, характерные для GCP, такие как project_id
и 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={...}
)
Параллельная настройка облачной платформы ИИ Обучение распределенного рабочего стада
Платформа KerasTuner как базовая реализация компонента Tuner имеет возможность проводить поиск гиперпараметров параллельно. В то время как стандартный компонент Tuner не может выполнять более одного поискового работника параллельно, с помощью компонента Tuner расширения Google Cloud AI Platform он обеспечивает возможность запуска параллельной настройки, используя задание обучения платформы AI в качестве распределенного рабочего потока. менеджер. TuneArgs — это конфигурация, заданная этому компоненту. Это замена стандартного компонента Tuner.
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': ...,
...
}
})
...
Поведение и выходные данные расширенного компонента Tuner такие же, как у стандартного компонента Tuner, за исключением того, что поиск нескольких гиперпараметров выполняется параллельно на разных рабочих машинах, и в результате num_trials
будет завершено быстрее. Это особенно эффективно, когда алгоритм поиска смущающе параллелизуем, например, RandomSearch
. Однако, если алгоритм поиска использует информацию из результатов предыдущих испытаний, как это делает алгоритм Google Vizier, реализованный в AI Platform Vizier, чрезмерно параллельный поиск отрицательно скажется на эффективности поиска.
Ссылки
Более подробная информация доступна в справочнике Tuner API .