 Voir sur TensorFlow.org |  Exécuter dans Google Colab |  Voir la source sur GitHub |  Télécharger le cahier |
La progression du modèle peut être enregistrée pendant et après l'entraînement. Cela signifie qu'un modèle peut reprendre là où il s'était arrêté et éviter de longs temps d'entraînement. L'enregistrement signifie également que vous pouvez partager votre modèle et que d'autres peuvent recréer votre travail. Lors de la publication de modèles et de techniques de recherche, la plupart des praticiens de l'apprentissage automatique partagent :
- code pour créer le modèle, et
- les poids formés, ou paramètres, pour le modèle
Le partage de ces données aide les autres à comprendre le fonctionnement du modèle et à l'essayer eux-mêmes avec de nouvelles données.
Choix
Il existe différentes manières d'enregistrer des modèles TensorFlow en fonction de l'API que vous utilisez. Ce guide utilise tf.keras , une API de haut niveau pour créer et former des modèles dans TensorFlow. Pour d'autres approches, consultez le guide TensorFlow Save and Restore ou Saving in impatient .
Installer
Installe et importe
Installez et importez TensorFlow et ses dépendances :
pip install pyyaml h5py # Required to save models in HDF5 format
import os
import tensorflow as tf
from tensorflow import keras
print(tf.version.VERSION)
2.8.0-rc1
Obtenir un exemple d'ensemble de données
Pour montrer comment enregistrer et charger des pondérations, vous utiliserez l' ensemble de données MNIST . Pour accélérer ces exécutions, utilisez les 1 000 premiers exemples :
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
train_labels = train_labels[:1000]
test_labels = test_labels[:1000]
train_images = train_images[:1000].reshape(-1, 28 * 28) / 255.0
test_images = test_images[:1000].reshape(-1, 28 * 28) / 255.0
Définir un modèle
Commencez par construire un modèle séquentiel simple :
# Define a simple sequential model
def create_model():
model = tf.keras.models.Sequential([
keras.layers.Dense(512, activation='relu', input_shape=(784,)),
keras.layers.Dropout(0.2),
keras.layers.Dense(10)
])
model.compile(optimizer='adam',
loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=[tf.metrics.SparseCategoricalAccuracy()])
return model
# Create a basic model instance
model = create_model()
# Display the model's architecture
model.summary()
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense (Dense) (None, 512) 401920
dropout (Dropout) (None, 512) 0
dense_1 (Dense) (None, 10) 5130
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________
Enregistrer les points de contrôle pendant la formation
Vous pouvez utiliser un modèle formé sans avoir à le recycler, ou reprendre la formation là où vous l'avez laissée au cas où le processus de formation serait interrompu. Le rappel tf.keras.callbacks.ModelCheckpoint vous permet de sauvegarder continuellement le modèle pendant et à la fin de la formation.
Utilisation du rappel de point de contrôle
Créez un rappel tf.keras.callbacks.ModelCheckpoint qui enregistre les pondérations uniquement pendant l'entraînement :
checkpoint_path = "training_1/cp.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)
# Create a callback that saves the model's weights
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path,
save_weights_only=True,
verbose=1)
# Train the model with the new callback
model.fit(train_images,
train_labels,
epochs=10,
validation_data=(test_images, test_labels),
callbacks=[cp_callback]) # Pass callback to training
# This may generate warnings related to saving the state of the optimizer.
# These warnings (and similar warnings throughout this notebook)
# are in place to discourage outdated usage, and can be ignored.
Epoch 1/10 23/32 [====================>.........] - ETA: 0s - loss: 1.3666 - sparse_categorical_accuracy: 0.6060 Epoch 1: saving model to training_1/cp.ckpt 32/32 [==============================] - 1s 10ms/step - loss: 1.1735 - sparse_categorical_accuracy: 0.6690 - val_loss: 0.7180 - val_sparse_categorical_accuracy: 0.7750 Epoch 2/10 24/32 [=====================>........] - ETA: 0s - loss: 0.4238 - sparse_categorical_accuracy: 0.8789 Epoch 2: saving model to training_1/cp.ckpt 32/32 [==============================] - 0s 5ms/step - loss: 0.4201 - sparse_categorical_accuracy: 0.8810 - val_loss: 0.5621 - val_sparse_categorical_accuracy: 0.8150 Epoch 3/10 24/32 [=====================>........] - ETA: 0s - loss: 0.2795 - sparse_categorical_accuracy: 0.9336 Epoch 3: saving model to training_1/cp.ckpt 32/32 [==============================] - 0s 5ms/step - loss: 0.2815 - sparse_categorical_accuracy: 0.9310 - val_loss: 0.4790 - val_sparse_categorical_accuracy: 0.8430 Epoch 4/10 24/32 [=====================>........] - ETA: 0s - loss: 0.2027 - sparse_categorical_accuracy: 0.9427 Epoch 4: saving model to training_1/cp.ckpt 32/32 [==============================] - 0s 5ms/step - loss: 0.2016 - sparse_categorical_accuracy: 0.9440 - val_loss: 0.4361 - val_sparse_categorical_accuracy: 0.8610 Epoch 5/10 24/32 [=====================>........] - ETA: 0s - loss: 0.1739 - sparse_categorical_accuracy: 0.9583 Epoch 5: saving model to training_1/cp.ckpt 32/32 [==============================] - 0s 5ms/step - loss: 0.1683 - sparse_categorical_accuracy: 0.9610 - val_loss: 0.4640 - val_sparse_categorical_accuracy: 0.8580 Epoch 6/10 23/32 [====================>.........] - ETA: 0s - loss: 0.1116 - sparse_categorical_accuracy: 0.9796 Epoch 6: saving model to training_1/cp.ckpt 32/32 [==============================] - 0s 5ms/step - loss: 0.1125 - sparse_categorical_accuracy: 0.9780 - val_loss: 0.4420 - val_sparse_categorical_accuracy: 0.8580 Epoch 7/10 24/32 [=====================>........] - ETA: 0s - loss: 0.0978 - sparse_categorical_accuracy: 0.9831 Epoch 7: saving model to training_1/cp.ckpt 32/32 [==============================] - 0s 5ms/step - loss: 0.0989 - sparse_categorical_accuracy: 0.9820 - val_loss: 0.4163 - val_sparse_categorical_accuracy: 0.8590 Epoch 8/10 21/32 [==================>...........] - ETA: 0s - loss: 0.0669 - sparse_categorical_accuracy: 0.9911 Epoch 8: saving model to training_1/cp.ckpt 32/32 [==============================] - 0s 6ms/step - loss: 0.0690 - sparse_categorical_accuracy: 0.9910 - val_loss: 0.4411 - val_sparse_categorical_accuracy: 0.8600 Epoch 9/10 22/32 [===================>..........] - ETA: 0s - loss: 0.0495 - sparse_categorical_accuracy: 0.9972 Epoch 9: saving model to training_1/cp.ckpt 32/32 [==============================] - 0s 5ms/step - loss: 0.0516 - sparse_categorical_accuracy: 0.9950 - val_loss: 0.4064 - val_sparse_categorical_accuracy: 0.8650 Epoch 10/10 24/32 [=====================>........] - ETA: 0s - loss: 0.0436 - sparse_categorical_accuracy: 0.9948 Epoch 10: saving model to training_1/cp.ckpt 32/32 [==============================] - 0s 5ms/step - loss: 0.0437 - sparse_categorical_accuracy: 0.9960 - val_loss: 0.4061 - val_sparse_categorical_accuracy: 0.8770 <keras.callbacks.History at 0x7eff8d865390>
Cela crée une collection unique de fichiers de points de contrôle TensorFlow qui sont mis à jour à la fin de chaque époque :
os.listdir(checkpoint_dir)
['checkpoint', 'cp.ckpt.index', 'cp.ckpt.data-00000-of-00001']
Tant que deux modèles partagent la même architecture, vous pouvez partager des poids entre eux. Ainsi, lors de la restauration d'un modèle à partir de pondérations uniquement, créez un modèle avec la même architecture que le modèle d'origine, puis définissez ses pondérations.
Maintenant, reconstruisez un nouveau modèle non formé et évaluez-le sur l'ensemble de test. Un modèle non formé fonctionnera à des niveaux aléatoires (précision d'environ 10 %) :
# Create a basic model instance
model = create_model()
# Evaluate the model
loss, acc = model.evaluate(test_images, test_labels, verbose=2)
print("Untrained model, accuracy: {:5.2f}%".format(100 * acc))
32/32 - 0s - loss: 2.4473 - sparse_categorical_accuracy: 0.0980 - 145ms/epoch - 5ms/step Untrained model, accuracy: 9.80%
Chargez ensuite les poids à partir du point de contrôle et réévaluez :
# Loads the weights
model.load_weights(checkpoint_path)
# Re-evaluate the model
loss, acc = model.evaluate(test_images, test_labels, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))
32/32 - 0s - loss: 0.4061 - sparse_categorical_accuracy: 0.8770 - 65ms/epoch - 2ms/step Restored model, accuracy: 87.70%
Options de rappel de point de contrôle
Le rappel fournit plusieurs options pour fournir des noms uniques aux points de contrôle et ajuster la fréquence des points de contrôle.
Entraînez un nouveau modèle et enregistrez des points de contrôle nommés de manière unique une fois toutes les cinq époques :
# Include the epoch in the file name (uses `str.format`)
checkpoint_path = "training_2/cp-{epoch:04d}.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)
batch_size = 32
# Create a callback that saves the model's weights every 5 epochs
cp_callback = tf.keras.callbacks.ModelCheckpoint(
filepath=checkpoint_path,
verbose=1,
save_weights_only=True,
save_freq=5*batch_size)
# Create a new model instance
model = create_model()
# Save the weights using the `checkpoint_path` format
model.save_weights(checkpoint_path.format(epoch=0))
# Train the model with the new callback
model.fit(train_images,
train_labels,
epochs=50,
batch_size=batch_size,
callbacks=[cp_callback],
validation_data=(test_images, test_labels),
verbose=0)
Epoch 5: saving model to training_2/cp-0005.ckpt Epoch 10: saving model to training_2/cp-0010.ckpt Epoch 15: saving model to training_2/cp-0015.ckpt Epoch 20: saving model to training_2/cp-0020.ckpt Epoch 25: saving model to training_2/cp-0025.ckpt Epoch 30: saving model to training_2/cp-0030.ckpt Epoch 35: saving model to training_2/cp-0035.ckpt Epoch 40: saving model to training_2/cp-0040.ckpt Epoch 45: saving model to training_2/cp-0045.ckpt Epoch 50: saving model to training_2/cp-0050.ckpt <keras.callbacks.History at 0x7eff807703d0>
Maintenant, regardez les points de contrôle résultants et choisissez le plus récent :
os.listdir(checkpoint_dir)
['cp-0005.ckpt.data-00000-of-00001', 'cp-0050.ckpt.index', 'checkpoint', 'cp-0010.ckpt.index', 'cp-0035.ckpt.data-00000-of-00001', 'cp-0000.ckpt.data-00000-of-00001', 'cp-0050.ckpt.data-00000-of-00001', 'cp-0010.ckpt.data-00000-of-00001', 'cp-0020.ckpt.data-00000-of-00001', 'cp-0035.ckpt.index', 'cp-0040.ckpt.index', 'cp-0025.ckpt.data-00000-of-00001', 'cp-0045.ckpt.index', 'cp-0020.ckpt.index', 'cp-0025.ckpt.index', 'cp-0030.ckpt.data-00000-of-00001', 'cp-0030.ckpt.index', 'cp-0000.ckpt.index', 'cp-0045.ckpt.data-00000-of-00001', 'cp-0015.ckpt.index', 'cp-0015.ckpt.data-00000-of-00001', 'cp-0005.ckpt.index', 'cp-0040.ckpt.data-00000-of-00001']
latest = tf.train.latest_checkpoint(checkpoint_dir)
latest
'training_2/cp-0050.ckpt'
Pour tester, réinitialisez le modèle et chargez le dernier point de contrôle :
# Create a new model instance
model = create_model()
# Load the previously saved weights
model.load_weights(latest)
# Re-evaluate the model
loss, acc = model.evaluate(test_images, test_labels, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))
32/32 - 0s - loss: 0.4996 - sparse_categorical_accuracy: 0.8770 - 150ms/epoch - 5ms/step Restored model, accuracy: 87.70%
Quels sont ces fichiers ?
Le code ci-dessus stocke les pondérations dans une collection de fichiers au format de point de contrôle qui contiennent uniquement les pondérations formées dans un format binaire. Les points de contrôle contiennent :
- Une ou plusieurs partitions contenant les poids de votre modèle.
- Un fichier d'index qui indique quelles pondérations sont stockées dans quelle partition.
Si vous entraînez un modèle sur une seule machine, vous aurez une partition avec le suffixe : .data-00000-of-00001
Enregistrer manuellement les poids
Enregistrement manuel des poids avec la méthode Model.save_weights . Par défaut, tf.keras — et save_weights en particulier — utilise le format de point de contrôle TensorFlow avec une extension .ckpt (l'enregistrement en HDF5 avec une extension .h5 est traité dans le guide Enregistrer et sérialiser les modèles ) :
# Save the weights
model.save_weights('./checkpoints/my_checkpoint')
# Create a new model instance
model = create_model()
# Restore the weights
model.load_weights('./checkpoints/my_checkpoint')
# Evaluate the model
loss, acc = model.evaluate(test_images, test_labels, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))
32/32 - 0s - loss: 0.4996 - sparse_categorical_accuracy: 0.8770 - 143ms/epoch - 4ms/step Restored model, accuracy: 87.70%
Enregistrer le modèle entier
Appelez model.save pour enregistrer l'architecture, les pondérations et la configuration d'entraînement d'un modèle dans un seul fichier/dossier. Cela vous permet d'exporter un modèle afin qu'il puisse être utilisé sans avoir accès au code Python d'origine*. Étant donné que l'état de l'optimiseur est récupéré, vous pouvez reprendre l'entraînement exactement là où vous l'aviez laissé.
Un modèle entier peut être enregistré dans deux formats de fichiers différents ( SavedModel et HDF5 ). Le format TensorFlow SavedModel est le format de fichier par défaut dans TF2.x. Cependant, les modèles peuvent être enregistrés au format HDF5 . Plus de détails sur l'enregistrement de modèles entiers dans les deux formats de fichier sont décrits ci-dessous.
L'enregistrement d'un modèle entièrement fonctionnel est très utile : vous pouvez les charger dans TensorFlow.js ( Modèle enregistré , HDF5 ), puis les entraîner et les exécuter dans des navigateurs Web, ou les convertir pour qu'ils s'exécutent sur des appareils mobiles à l'aide de TensorFlow Lite ( Modèle enregistré , HDF5 ). )
*Les objets personnalisés (par exemple, des modèles ou des calques sous-classés) nécessitent une attention particulière lors de l'enregistrement et du chargement. Voir la section Enregistrement d'objets personnalisés ci-dessous
Format du modèle enregistré
Le format SavedModel est un autre moyen de sérialiser des modèles. Les modèles enregistrés dans ce format peuvent être restaurés à l'aide tf.keras.models.load_model et sont compatibles avec TensorFlow Serving. Le guide SavedModel explique en détail comment servir/inspecter le SavedModel. La section ci-dessous illustre les étapes pour enregistrer et restaurer le modèle.
# Create and train a new model instance.
model = create_model()
model.fit(train_images, train_labels, epochs=5)
# Save the entire model as a SavedModel.
!mkdir -p saved_model
model.save('saved_model/my_model')
Epoch 1/5 32/32 [==============================] - 0s 2ms/step - loss: 1.1988 - sparse_categorical_accuracy: 0.6550 Epoch 2/5 32/32 [==============================] - 0s 2ms/step - loss: 0.4180 - sparse_categorical_accuracy: 0.8930 Epoch 3/5 32/32 [==============================] - 0s 2ms/step - loss: 0.2900 - sparse_categorical_accuracy: 0.9220 Epoch 4/5 32/32 [==============================] - 0s 2ms/step - loss: 0.2070 - sparse_categorical_accuracy: 0.9540 Epoch 5/5 32/32 [==============================] - 0s 2ms/step - loss: 0.1593 - sparse_categorical_accuracy: 0.9630 2022-01-26 07:30:22.888387: W tensorflow/python/util/util.cc:368] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them. WARNING:tensorflow:Detecting that an object or model or tf.train.Checkpoint is being deleted with unrestored values. See the following logs for the specific values in question. To silence these warnings, use `status.expect_partial()`. See https://www.tensorflow.org/api_docs/python/tf/train/Checkpoint#restorefor details about the status object returned by the restore function. WARNING:tensorflow:Value in checkpoint could not be found in the restored object: (root).optimizer.iter WARNING:tensorflow:Value in checkpoint could not be found in the restored object: (root).optimizer.beta_1 WARNING:tensorflow:Value in checkpoint could not be found in the restored object: (root).optimizer.beta_2 WARNING:tensorflow:Value in checkpoint could not be found in the restored object: (root).optimizer.decay WARNING:tensorflow:Value in checkpoint could not be found in the restored object: (root).optimizer.learning_rate WARNING:tensorflow:Detecting that an object or model or tf.train.Checkpoint is being deleted with unrestored values. See the following logs for the specific values in question. To silence these warnings, use `status.expect_partial()`. See https://www.tensorflow.org/api_docs/python/tf/train/Checkpoint#restorefor details about the status object returned by the restore function. WARNING:tensorflow:Value in checkpoint could not be found in the restored object: (root).optimizer.iter WARNING:tensorflow:Value in checkpoint could not be found in the restored object: (root).optimizer.beta_1 WARNING:tensorflow:Value in checkpoint could not be found in the restored object: (root).optimizer.beta_2 WARNING:tensorflow:Value in checkpoint could not be found in the restored object: (root).optimizer.decay WARNING:tensorflow:Value in checkpoint could not be found in the restored object: (root).optimizer.learning_rate INFO:tensorflow:Assets written to: saved_model/my_model/assets
Le format SavedModel est un répertoire contenant un binaire protobuf et un point de contrôle TensorFlow. Inspectez le répertoire du modèle enregistré :
# my_model directoryls saved_model# Contains an assets folder, saved_model.pb, and variables folder.ls saved_model/my_model
my_model assets keras_metadata.pb saved_model.pb variables
Rechargez un nouveau modèle Keras à partir du modèle enregistré :
new_model = tf.keras.models.load_model('saved_model/my_model')
# Check its architecture
new_model.summary()
Model: "sequential_5"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_10 (Dense) (None, 512) 401920
dropout_5 (Dropout) (None, 512) 0
dense_11 (Dense) (None, 10) 5130
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________
Le modèle restauré est compilé avec les mêmes arguments que le modèle d'origine. Essayez d'exécuter l'évaluation et la prédiction avec le modèle chargé :
# Evaluate the restored model
loss, acc = new_model.evaluate(test_images, test_labels, verbose=2)
print('Restored model, accuracy: {:5.2f}%'.format(100 * acc))
print(new_model.predict(test_images).shape)
32/32 - 0s - loss: 0.4577 - sparse_categorical_accuracy: 0.8430 - 156ms/epoch - 5ms/step Restored model, accuracy: 84.30% (1000, 10)
Format HDF5
Keras fournit un format de sauvegarde de base utilisant la norme HDF5 .
# Create and train a new model instance.
model = create_model()
model.fit(train_images, train_labels, epochs=5)
# Save the entire model to a HDF5 file.
# The '.h5' extension indicates that the model should be saved to HDF5.
model.save('my_model.h5')
Epoch 1/5 32/32 [==============================] - 0s 2ms/step - loss: 1.1383 - sparse_categorical_accuracy: 0.6970 Epoch 2/5 32/32 [==============================] - 0s 2ms/step - loss: 0.4094 - sparse_categorical_accuracy: 0.8920 Epoch 3/5 32/32 [==============================] - 0s 2ms/step - loss: 0.2936 - sparse_categorical_accuracy: 0.9160 Epoch 4/5 32/32 [==============================] - 0s 2ms/step - loss: 0.2050 - sparse_categorical_accuracy: 0.9460 Epoch 5/5 32/32 [==============================] - 0s 2ms/step - loss: 0.1485 - sparse_categorical_accuracy: 0.9690
Maintenant, recréez le modèle à partir de ce fichier :
# Recreate the exact same model, including its weights and the optimizer
new_model = tf.keras.models.load_model('my_model.h5')
# Show the model architecture
new_model.summary()
Model: "sequential_6"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_12 (Dense) (None, 512) 401920
dropout_6 (Dropout) (None, 512) 0
dense_13 (Dense) (None, 10) 5130
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________
Vérifiez son exactitude :
loss, acc = new_model.evaluate(test_images, test_labels, verbose=2)
print('Restored model, accuracy: {:5.2f}%'.format(100 * acc))
32/32 - 0s - loss: 0.4266 - sparse_categorical_accuracy: 0.8620 - 141ms/epoch - 4ms/step Restored model, accuracy: 86.20%
Keras enregistre les modèles en inspectant leurs architectures. Cette technique sauve tout :
- Les valeurs de poids
- L'architecture du modèle
- La configuration d'entraînement du modèle (ce que vous transmettez à la méthode
.compile()) - L'optimiseur et son état, le cas échéant (cela vous permet de reprendre l'entraînement là où vous l'aviez laissé)
Keras n'est pas en mesure de sauvegarder les optimiseurs v1.x (de tf.compat.v1.train ) car ils ne sont pas compatibles avec les points de contrôle. Pour les optimiseurs v1.x, vous devez recompiler le modèle après le chargement, ce qui perd l'état de l'optimiseur.
Enregistrement d'objets personnalisés
Si vous utilisez le format SavedModel, vous pouvez ignorer cette section. La principale différence entre HDF5 et SavedModel est que HDF5 utilise des configurations d'objet pour enregistrer l'architecture du modèle, tandis que SavedModel enregistre le graphique d'exécution. Ainsi, SavedModels est capable d'enregistrer des objets personnalisés tels que des modèles sous-classés et des couches personnalisées sans nécessiter le code d'origine.
Pour enregistrer des objets personnalisés dans HDF5, vous devez procéder comme suit :
- Définissez une méthode
get_configdans votre objet et éventuellement une méthode defrom_config.-
get_config(self)renvoie un dictionnaire JSON sérialisable des paramètres nécessaires pour recréer l'objet. -
from_config(cls, config)utilise la configuration renvoyée parget_configpour créer un nouvel objet. Par défaut, cette fonction utilisera la configuration comme kwargs d'initialisation (return cls(**config)).
-
- Passez l'objet à l'argument
custom_objectslors du chargement du modèle. L'argument doit être un dictionnaire mappant le nom de classe de chaîne à la classe Python. Par exempletf.keras.models.load_model(path, custom_objects={'CustomLayer': CustomLayer})
Consultez le didacticiel Rédaction de calques et de modèles à partir de rien pour obtenir des exemples d'objets personnalisés et de get_config .
# MIT License
#
# Copyright (c) 2017 François Chollet
#
# Permission is hereby granted, free of charge, to any person obtaining a
# copy of this software and associated documentation files (the "Software"),
# to deal in the Software without restriction, including without limitation
# the rights to use, copy, modify, merge, publish, distribute, sublicense,
# and/or sell copies of the Software, and to permit persons to whom the
# Software is furnished to do so, subject to the following conditions:
#
# The above copyright notice and this permission notice shall be included in
# all copies or substantial portions of the Software.
#
# THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
# IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
# FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL
# THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
# LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING
# FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER
# DEALINGS IN THE SOFTWARE.