Переход с оценщика на API Keras

Посмотреть на TensorFlow.org Запустить в Google Colab Посмотреть исходный код на GitHub Скачать блокнот

В этом руководстве показано, как перейти с API tf.estimator.Estimator TensorFlow 1 на API tf.estimator.Estimator tf.keras . Сначала вы настроите и запустите базовую модель для обучения и оценки с помощью tf.estimator.Estimator . Затем вы выполните аналогичные шаги в TensorFlow 2 с API-интерфейсами tf.keras . Вы также узнаете, как настроить этап обучения, создав подкласс tf.keras.Model и используя tf.GradientTape .

  • В TensorFlow 1 высокоуровневые API-интерфейсы tf.estimator.Estimator позволяют обучать и оценивать модель, а также выполнять логические выводы и сохранять модель (для обслуживания).
  • В TensorFlow 2 используйте API-интерфейсы Keras для выполнения вышеупомянутых задач, таких как построение модели , применение градиента, обучение , оценка и прогнозирование.

(Для переноса рабочих процессов сохранения модели/контрольной точки в TensorFlow 2 ознакомьтесь с руководствами по миграции SavedModel и Checkpoint .)

Настраивать

Начните с импорта и простого набора данных:

import tensorflow as tf
import tensorflow.compat.v1 as tf1

features = [[1., 1.5], [2., 2.5], [3., 3.5]]
labels = [[0.3], [0.5], [0.7]]
eval_features = [[4., 4.5], [5., 5.5], [6., 6.5]]
eval_labels = [[0.8], [0.9], [1.]]

TensorFlow 1: обучение и оценка с помощью tf.estimator.Estimator

В этом примере показано, как выполнять обучение и оценку с помощью tf.estimator.Estimator в TensorFlow 1.

Начните с определения нескольких функций: функция ввода для данных обучения, функция ввода оценки для данных оценки и функция модели, которая сообщает Estimator , как определяется операция обучения с помощью функций и меток:

def _input_fn():
  return tf1.data.Dataset.from_tensor_slices((features, labels)).batch(1)

def _eval_input_fn():
  return tf1.data.Dataset.from_tensor_slices(
      (eval_features, eval_labels)).batch(1)

def _model_fn(features, labels, mode):
  logits = tf1.layers.Dense(1)(features)
  loss = tf1.losses.mean_squared_error(labels=labels, predictions=logits)
  optimizer = tf1.train.AdagradOptimizer(0.05)
  train_op = optimizer.minimize(loss, global_step=tf1.train.get_global_step())
  return tf1.estimator.EstimatorSpec(mode, loss=loss, train_op=train_op)

Создайте свой Estimator и обучите модель:

estimator = tf1.estimator.Estimator(model_fn=_model_fn)
estimator.train(_input_fn)

INFO:tensorflow:Using default config.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpeovq622_
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpeovq622_', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
  rewrite_options {
    meta_optimizer_iterations: ONE
  }
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_protocol': None, '_eval_distribute': None, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/training/training_util.py:236: Variable.initialized_value (from tensorflow.python.ops.variables) is deprecated and will be removed in a future version.
Instructions for updating:
Use Variable.read_value. Variables in 2.X are initialized automatically both in eager and graph (inside tf.defun) contexts.
INFO:tensorflow:Calling model_fn.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/training/adagrad.py:77: calling Constant.__init__ (from tensorflow.python.ops.init_ops) with dtype is deprecated and will be removed in a future version.
Instructions for updating:
Call initializer instance with the dtype argument instead of passing it to the constructor
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Saving checkpoints for 0 into /tmp/tmpeovq622_/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 2.0834494, step = 0
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 3...
INFO:tensorflow:Saving checkpoints for 3 into /tmp/tmpeovq622_/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 3...
INFO:tensorflow:Loss for final step: 9.88002.
<tensorflow_estimator.python.estimator.estimator.Estimator at 0x7fbd06673350>

Оцените программу с помощью оценочного набора:

estimator.evaluate(_eval_input_fn)

INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Starting evaluation at 2021-10-26T01:32:58
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Restoring parameters from /tmp/tmpeovq622_/model.ckpt-3
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Inference Time : 0.10194s
INFO:tensorflow:Finished evaluation at 2021-10-26-01:32:58
INFO:tensorflow:Saving dict for global step 3: global_step = 3, loss = 20.543152
INFO:tensorflow:Saving 'checkpoint_path' summary for global step 3: /tmp/tmpeovq622_/model.ckpt-3
{'loss': 20.543152, 'global_step': 3}

TensorFlow 2: обучение и оценка с помощью встроенных методов Keras

В этом примере показано, как выполнять обучение и оценку с Model.fit и Model.evaluate в TensorFlow 2. (Вы можете узнать больше в руководстве по обучению и оценке с помощью встроенных методов .)

  • Начните с подготовки конвейера набора данных с помощью API-интерфейсов tf.data.Dataset .
  • Определите простую модель Keras Sequential с одним линейным ( tf.keras.layers.Dense ) слоем.
  • Создайте экземпляр оптимизатора Adagrad ( tf.keras.optimizers.Adagrad ).
  • Настройте модель для обучения, передав переменную optimizer и потерю среднеквадратичной ошибки ( "mse" ) в Model.compile .
dataset = tf.data.Dataset.from_tensor_slices((features, labels)).batch(1)
eval_dataset = tf.data.Dataset.from_tensor_slices(
      (eval_features, eval_labels)).batch(1)

model = tf.keras.models.Sequential([tf.keras.layers.Dense(1)])
optimizer = tf.keras.optimizers.Adagrad(learning_rate=0.05)

model.compile(optimizer=optimizer, loss="mse")

После этого вы готовы обучить модель, вызвав Model.fit :

model.fit(dataset)

3/3 [==============================] - 0s 2ms/step - loss: 0.2785
<keras.callbacks.History at 0x7fbc4b320350>

Наконец, оцените модель с помощью Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)

3/3 [==============================] - 0s 1ms/step - loss: 0.0451
{'loss': 0.04510306194424629}

TensorFlow 2: обучение и оценка с помощью специального шага обучения и встроенных методов Keras.

В TensorFlow 2 вы также можете написать свою собственную функцию шага обучения с помощью tf.GradientTape для выполнения проходов вперед и назад, при этом используя встроенную поддержку обучения, такую ​​как tf.keras.callbacks.Callback и tf.distribute.Strategy . (Подробнее читайте в разделах Настройка того, что происходит в Model.fit и Написание пользовательских циклов обучения с нуля .)

В этом примере начните с создания собственного tf.keras.Model путем создания подкласса tf.keras.Sequential , который переопределяет Model.train_step . (Подробнее о создании подклассов tf.keras.Model ). Внутри этого класса определите пользовательскую функцию train_step , которая для каждого пакета данных выполняет прямой проход и обратный проход в течение одного шага обучения.

class CustomModel(tf.keras.Sequential):
  """A custom sequential model that overrides `Model.train_step`."""

  def train_step(self, data):
    batch_data, labels = data

    with tf.GradientTape() as tape:
      predictions = self(batch_data, training=True)
      # Compute the loss value (the loss function is configured
      # in `Model.compile`).
      loss = self.compiled_loss(labels, predictions)

    # Compute the gradients of the parameters with respect to the loss.
    gradients = tape.gradient(loss, self.trainable_variables)
    # Perform gradient descent by updating the weights/parameters.
    self.optimizer.apply_gradients(zip(gradients, self.trainable_variables))
    # Update the metrics (includes the metric that tracks the loss).
    self.compiled_metrics.update_state(labels, predictions)
    # Return a dict mapping metric names to the current values.
    return {m.name: m.result() for m in self.metrics}

Далее, как и раньше:

  • Подготовьте конвейер набора данных с помощью tf.data.Dataset .
  • Определите простую модель с одним слоем tf.keras.layers.Dense .
  • Создание экземпляра Adagrad ( tf.keras.optimizers.Adagrad )
  • Настройте модель для обучения с помощью Model.compile , используя среднеквадратичную ошибку ( "mse" ) в качестве функции потерь.
dataset = tf.data.Dataset.from_tensor_slices((features, labels)).batch(1)
eval_dataset = tf.data.Dataset.from_tensor_slices(
      (eval_features, eval_labels)).batch(1)

model = CustomModel([tf.keras.layers.Dense(1)])
optimizer = tf.keras.optimizers.Adagrad(learning_rate=0.05)

model.compile(optimizer=optimizer, loss="mse")

Вызовите Model.fit для обучения модели:

model.fit(dataset)

3/3 [==============================] - 0s 2ms/step - loss: 0.0587
<keras.callbacks.History at 0x7fbc3873f1d0>

И, наконец, оцените программу с помощью Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)

3/3 [==============================] - 0s 2ms/step - loss: 0.0197
{'loss': 0.019738242030143738}

Следующие шаги

Дополнительные ресурсы Keras, которые могут оказаться полезными:

Следующие руководства могут помочь в переносе рабочих процессов стратегии распределения из API-интерфейсов tf.estimator :