মডেল.ফিটে যা ঘটে তা কাস্টমাইজ করুন

TensorFlow.org এ দেখুন Google Colab-এ চালান GitHub-এ উৎস দেখুন নোটবুক ডাউনলোড করুন

ভূমিকা

যখন আপনি তত্ত্বাবধানে থাকা শেখার করছি, আপনি ব্যবহার করতে পারেন fit() এবং সবকিছু সহজে কাজ করে।

যখন আপনি স্ক্র্যাচ থেকে আপনার নিজের প্রশিক্ষণ লুপ লিখতে, আপনি ব্যবহার করতে পারেন GradientTape এবং প্রতি সামান্য বিস্তারিত নিয়ন্ত্রণ নিতে।

কিন্তু কি যদি আপনি একটি কাস্টম প্রশিক্ষণ অ্যালগরিদম প্রয়োজন, কিন্তু আপনার এখনও সুবিধাজনক বৈশিষ্ট্য থেকে সুবিধা করতে চান তাহলে fit() বিল্ট-ইন বন্টন সমর্থন, বা পদক্ষেপ Fusing, এই ধরনের callbacks যেমন?

Keras একটি মূল নীতি জটিলতা প্রগতিশীল প্রকাশ হয়। আপনার সর্বদা ধীরে ধীরে নিম্ন-স্তরের কর্মপ্রবাহে প্রবেশ করতে সক্ষম হওয়া উচিত। উচ্চ-স্তরের কার্যকারিতা যদি আপনার ব্যবহারের ক্ষেত্রে ঠিক মেলে না তবে আপনার পাহাড় থেকে পড়ে যাওয়া উচিত নয়। উচ্চ-স্তরের সুবিধার একটি সামঞ্জস্যপূর্ণ পরিমাণ বজায় রেখে আপনি ছোট বিবরণের উপর আরও নিয়ন্ত্রণ অর্জন করতে সক্ষম হবেন।

যখন আপনি কাস্টমাইজ করতে যা প্রয়োজন fit() করে, আপনি প্রশিক্ষণ পদক্ষেপ ফাংশন ওভাররাইড করা উচিত Model বর্গ। এই ফাংশনটি যে বলা হয় fit() ডেটার প্রতি ব্যাচ জন্য। এর পরে আপনি কল করতে সক্ষম হবে fit() যথারীতি - এবং এটা আপনার নিজের শেখার আলগোরিদিম চলমান করা হবে না।

মনে রাখবেন যে এই প্যাটার্নটি আপনাকে কার্যকরী API দিয়ে মডেল তৈরি করতে বাধা দেয় না। আপনি তৈরি করছি কিনা আপনি এটা করতে পারেন Sequential মডেল, প্রায়োগিক এপিআই মডেল, বা subclassed মডেল।

দেখা যাক কিভাবে কাজ করে.

সেটআপ

TensorFlow 2.2 বা তার পরে প্রয়োজন।

import tensorflow as tf
from tensorflow import keras

একটি প্রথম সহজ উদাহরণ

একটি সহজ উদাহরণ থেকে শুরু করা যাক:

  • আমরা একটি নতুন শ্রেণী যে উপশ্রেণী তৈরি keras.Model
  • আমরা শুধু পদ্ধতি ওভাররাইড train_step(self, data)
  • আমরা একটি অভিধান ম্যাপিং মেট্রিক নাম (ক্ষতি সহ) তাদের বর্তমান মান ফিরিয়ে দিই।

ইনপুট যুক্তি data প্রশিক্ষণ তথ্য হিসাবে মাপসই পাশ পরার কি:

  • আপনি Numpy অ্যারে পাস যদি কল করে, fit(x, y, ...) , তারপর data tuple হতে হবে (x, y)
  • আপনি যদি একটি পাস যদি tf.data.Dataset কল করে, fit(dataset, ...) , তারপর data হতে হবে কি দ্বারা পাওয়া পরার dataset প্রতিটি ব্যাচ এ।

দেহের train_step পদ্ধতি, আমরা একটি নিয়মিত প্রশিক্ষণ আপডেট, কি আপনি সঙ্গে ইতিমধ্যে পরিচিত অনুরূপ বাস্তবায়ন। সবচেয়ে বড় কথা, এর মাধ্যমে হ্রাস গনা self.compiled_loss যা গোপন করে ক্ষয় (গুলি) ফাংশন (গুলি), যে গৃহীত হয় compile()

একইভাবে, আমরা কল self.compiled_metrics.update_state(y, y_pred) মেট্রিক্স যে গৃহীত হয় রাজ্যের আপডেট করার জন্য compile() , এবং আমরা থেকে অনুসন্ধানের ফলাফলগুলি চলে self.metrics শেষে তাদের বর্তমান মান পুনরুদ্ধার করতে।

class CustomModel(keras.Model):
    def train_step(self, data):
        # Unpack the data. Its structure depends on your model and
        # on what you pass to `fit()`.
        x, y = data

        with tf.GradientTape() as tape:
            y_pred = self(x, training=True)  # Forward pass
            # Compute the loss value
            # (the loss function is configured in `compile()`)
            loss = self.compiled_loss(y, y_pred, regularization_losses=self.losses)

        # Compute gradients
        trainable_vars = self.trainable_variables
        gradients = tape.gradient(loss, trainable_vars)
        # Update weights
        self.optimizer.apply_gradients(zip(gradients, trainable_vars))
        # Update metrics (includes the metric that tracks the loss)
        self.compiled_metrics.update_state(y, y_pred)
        # Return a dict mapping metric names to current value
        return {m.name: m.result() for m in self.metrics}

আসুন এটি চেষ্টা করে দেখি:

import numpy as np

# Construct and compile an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(optimizer="adam", loss="mse", metrics=["mae"])

# Just use `fit` as usual
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.fit(x, y, epochs=3)
Epoch 1/3
32/32 [==============================] - 1s 2ms/step - loss: 0.9909 - mae: 0.8601
Epoch 2/3
32/32 [==============================] - 0s 2ms/step - loss: 0.4363 - mae: 0.5345
Epoch 3/3
32/32 [==============================] - 0s 2ms/step - loss: 0.2906 - mae: 0.4311
<keras.callbacks.History at 0x7f5ad1ca1090>

নিম্ন স্তরে যাচ্ছে

স্বাভাবিকভাবেই, আপনি শুধু একটি ক্ষতি ফাংশন ক্ষণস্থায়ী লাফালাফি পারে compile() , এবং পরিবর্তে নিজে সবকিছু করতে train_step । একইভাবে মেট্রিক্সের জন্য।

এখানে একটি নিম্ন স্তরের উদাহরণ, যে শুধুমাত্র ব্যবহার compile() অপটিমাইজার কনফিগার করতে:

  • আমরা তৈরি করে এটি বাস্তবে Metric আমাদের কমে যাওয়া এবং একটি মায়ে স্কোর ট্র্যাক করতে দৃষ্টান্ত।
  • আমরা একটি কাস্টম বাস্তবায়ন train_step() যে (কল করে এই বৈশিষ্ট্যের মান রাজ্যের আপডেট update_state() তাদের উপর), তারপর তাদের QUERY (মাধ্যমে result() ) তাদের বর্তমান গড় মান ফেরত পাঠাতে, প্রগতি দণ্ড দ্বারা এবং হতে প্রদর্শন করা হবে যেকোনো কলব্যাকে পাস করুন।
  • মনে রাখবেন আমরা কল করতে হবে reset_states() প্রতিটি যুগান্তকারী মধ্যে আমাদের মেট্রিক্স এ! তা না হলে কলিং result() প্রশিক্ষণ শুরু হওয়ার পর গড়ে ফিরে আসবে, যেহেতু আমরা সাধারণত প্রতি যুগে গড় সঙ্গে কাজ করে। সৌভাগ্যক্রমে, ফ্রেমওয়ার্ক যে কাজ করতে পারেন আমাদের জন্য: শুধু তালিকাবদ্ধ কোনো মেট্রিক আপনি রিসেট করতে চান metrics মডেলের সম্পত্তি। মডেল ডাকব reset_states() কোনো প্রতিটি শুরুতে এখানে ক্লিক বস্তুর উপর fit() থেকে কাল বা একটি কল শুরুতে evaluate()
loss_tracker = keras.metrics.Mean(name="loss")
mae_metric = keras.metrics.MeanAbsoluteError(name="mae")


class CustomModel(keras.Model):
    def train_step(self, data):
        x, y = data

        with tf.GradientTape() as tape:
            y_pred = self(x, training=True)  # Forward pass
            # Compute our own loss
            loss = keras.losses.mean_squared_error(y, y_pred)

        # Compute gradients
        trainable_vars = self.trainable_variables
        gradients = tape.gradient(loss, trainable_vars)

        # Update weights
        self.optimizer.apply_gradients(zip(gradients, trainable_vars))

        # Compute our own metrics
        loss_tracker.update_state(loss)
        mae_metric.update_state(y, y_pred)
        return {"loss": loss_tracker.result(), "mae": mae_metric.result()}

    @property
    def metrics(self):
        # We list our `Metric` objects here so that `reset_states()` can be
        # called automatically at the start of each epoch
        # or at the start of `evaluate()`.
        # If you don't implement this property, you have to call
        # `reset_states()` yourself at the time of your choosing.
        return [loss_tracker, mae_metric]


# Construct an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)

# We don't passs a loss or metrics here.
model.compile(optimizer="adam")

# Just use `fit` as usual -- you can use callbacks, etc.
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.fit(x, y, epochs=5)
Epoch 1/5
32/32 [==============================] - 0s 1ms/step - loss: 1.5969 - mae: 1.1523
Epoch 2/5
32/32 [==============================] - 0s 1ms/step - loss: 0.7352 - mae: 0.7310
Epoch 3/5
32/32 [==============================] - 0s 1ms/step - loss: 0.3830 - mae: 0.4999
Epoch 4/5
32/32 [==============================] - 0s 1ms/step - loss: 0.2809 - mae: 0.4215
Epoch 5/5
32/32 [==============================] - 0s 1ms/step - loss: 0.2590 - mae: 0.4058
<keras.callbacks.History at 0x7f5ad1b62c50>

সাপোর্টিং sample_weight & class_weight

আপনি হয়তো লক্ষ্য করেছেন যে আমাদের প্রথম মৌলিক উদাহরণে নমুনা ওজনের কোনো উল্লেখ করা হয়নি। আপনাকে সমর্থন করতে চান, fit() আর্গুমেন্ট sample_weight এবং class_weight , আপনি কেবল নিম্নলিখিত করতে চাই:

  • আনপ্যাক sample_weight থেকে data যুক্তি
  • এটি পাস compiled_loss & compiled_metrics (অবশ্যই, এছাড়াও আপনি শুধু এটা ম্যানুয়ালি প্রয়োগ হতে পারে যদি আপনি উপর নির্ভর করে না compile() লোকসান & মেট্রিক্স জন্য)
  • এটাই. সেই তালিকা।
class CustomModel(keras.Model):
    def train_step(self, data):
        # Unpack the data. Its structure depends on your model and
        # on what you pass to `fit()`.
        if len(data) == 3:
            x, y, sample_weight = data
        else:
            sample_weight = None
            x, y = data

        with tf.GradientTape() as tape:
            y_pred = self(x, training=True)  # Forward pass
            # Compute the loss value.
            # The loss function is configured in `compile()`.
            loss = self.compiled_loss(
                y,
                y_pred,
                sample_weight=sample_weight,
                regularization_losses=self.losses,
            )

        # Compute gradients
        trainable_vars = self.trainable_variables
        gradients = tape.gradient(loss, trainable_vars)

        # Update weights
        self.optimizer.apply_gradients(zip(gradients, trainable_vars))

        # Update the metrics.
        # Metrics are configured in `compile()`.
        self.compiled_metrics.update_state(y, y_pred, sample_weight=sample_weight)

        # Return a dict mapping metric names to current value.
        # Note that it will include the loss (tracked in self.metrics).
        return {m.name: m.result() for m in self.metrics}


# Construct and compile an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(optimizer="adam", loss="mse", metrics=["mae"])

# You can now use sample_weight argument
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
sw = np.random.random((1000, 1))
model.fit(x, y, sample_weight=sw, epochs=3)
Epoch 1/3
32/32 [==============================] - 0s 2ms/step - loss: 0.1365 - mae: 0.4196
Epoch 2/3
32/32 [==============================] - 0s 2ms/step - loss: 0.1285 - mae: 0.4068
Epoch 3/3
32/32 [==============================] - 0s 2ms/step - loss: 0.1212 - mae: 0.3971
<keras.callbacks.History at 0x7f5ad1ba64d0>

আপনার নিজস্ব মূল্যায়ন পদক্ষেপ প্রদান

কি হবে যদি আপনাকে কলের জন্য একই কাজ করতে চান model.evaluate() ? তারপর আপনি ওভাররাইড হবে test_step ঠিক একই ভাবে। এটি দেখতে কেমন তা এখানে রয়েছে:

class CustomModel(keras.Model):
    def test_step(self, data):
        # Unpack the data
        x, y = data
        # Compute predictions
        y_pred = self(x, training=False)
        # Updates the metrics tracking the loss
        self.compiled_loss(y, y_pred, regularization_losses=self.losses)
        # Update the metrics.
        self.compiled_metrics.update_state(y, y_pred)
        # Return a dict mapping metric names to current value.
        # Note that it will include the loss (tracked in self.metrics).
        return {m.name: m.result() for m in self.metrics}


# Construct an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(loss="mse", metrics=["mae"])

# Evaluate with our custom test_step
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.evaluate(x, y)
32/32 [==============================] - 0s 1ms/step - loss: 2.7584 - mae: 1.5920
[2.758362054824829, 1.59201979637146]

র‌্যাপিং আপ: এন্ড-টু-এন্ড GAN উদাহরণ

আসুন একটি এন্ড-টু-এন্ড উদাহরণের মধ্য দিয়ে হেঁটে যাই যা আপনি সবেমাত্র যা শিখেছেন তা ব্যবহার করে।

চলো বিবেচনা করি:

  • একটি জেনারেটর নেটওয়ার্ক মানে 28x28x1 ছবি তৈরি করা।
  • একটি বৈষম্যকারী নেটওয়ার্কের অর্থ হল 28x28x1 ছবিকে দুটি শ্রেণিতে ("নকল" এবং "বাস্তব") শ্রেণীবদ্ধ করা।
  • প্রতিটি জন্য একটি অপ্টিমাইজার.
  • বৈষম্যকারীকে প্রশিক্ষণ দেওয়ার জন্য একটি ক্ষতি ফাংশন।
from tensorflow.keras import layers

# Create the discriminator
discriminator = keras.Sequential(
    [
        keras.Input(shape=(28, 28, 1)),
        layers.Conv2D(64, (3, 3), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2D(128, (3, 3), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.GlobalMaxPooling2D(),
        layers.Dense(1),
    ],
    name="discriminator",
)

# Create the generator
latent_dim = 128
generator = keras.Sequential(
    [
        keras.Input(shape=(latent_dim,)),
        # We want to generate 128 coefficients to reshape into a 7x7x128 map
        layers.Dense(7 * 7 * 128),
        layers.LeakyReLU(alpha=0.2),
        layers.Reshape((7, 7, 128)),
        layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2D(1, (7, 7), padding="same", activation="sigmoid"),
    ],
    name="generator",
)

এখানে একটি বৈশিষ্ট্য-সম্পূর্ণ GAN বর্গ, ওভার-রাইড compile() নিজস্ব স্বাক্ষর ব্যবহার এবং 17 লাইনে সমগ্র GAN অ্যালগরিদম বাস্তবায়ন train_step :

class GAN(keras.Model):
    def __init__(self, discriminator, generator, latent_dim):
        super(GAN, self).__init__()
        self.discriminator = discriminator
        self.generator = generator
        self.latent_dim = latent_dim

    def compile(self, d_optimizer, g_optimizer, loss_fn):
        super(GAN, self).compile()
        self.d_optimizer = d_optimizer
        self.g_optimizer = g_optimizer
        self.loss_fn = loss_fn

    def train_step(self, real_images):
        if isinstance(real_images, tuple):
            real_images = real_images[0]
        # Sample random points in the latent space
        batch_size = tf.shape(real_images)[0]
        random_latent_vectors = tf.random.normal(shape=(batch_size, self.latent_dim))

        # Decode them to fake images
        generated_images = self.generator(random_latent_vectors)

        # Combine them with real images
        combined_images = tf.concat([generated_images, real_images], axis=0)

        # Assemble labels discriminating real from fake images
        labels = tf.concat(
            [tf.ones((batch_size, 1)), tf.zeros((batch_size, 1))], axis=0
        )
        # Add random noise to the labels - important trick!
        labels += 0.05 * tf.random.uniform(tf.shape(labels))

        # Train the discriminator
        with tf.GradientTape() as tape:
            predictions = self.discriminator(combined_images)
            d_loss = self.loss_fn(labels, predictions)
        grads = tape.gradient(d_loss, self.discriminator.trainable_weights)
        self.d_optimizer.apply_gradients(
            zip(grads, self.discriminator.trainable_weights)
        )

        # Sample random points in the latent space
        random_latent_vectors = tf.random.normal(shape=(batch_size, self.latent_dim))

        # Assemble labels that say "all real images"
        misleading_labels = tf.zeros((batch_size, 1))

        # Train the generator (note that we should *not* update the weights
        # of the discriminator)!
        with tf.GradientTape() as tape:
            predictions = self.discriminator(self.generator(random_latent_vectors))
            g_loss = self.loss_fn(misleading_labels, predictions)
        grads = tape.gradient(g_loss, self.generator.trainable_weights)
        self.g_optimizer.apply_gradients(zip(grads, self.generator.trainable_weights))
        return {"d_loss": d_loss, "g_loss": g_loss}

আসুন এটি পরীক্ষা করে দেখি:

# Prepare the dataset. We use both the training & test MNIST digits.
batch_size = 64
(x_train, _), (x_test, _) = keras.datasets.mnist.load_data()
all_digits = np.concatenate([x_train, x_test])
all_digits = all_digits.astype("float32") / 255.0
all_digits = np.reshape(all_digits, (-1, 28, 28, 1))
dataset = tf.data.Dataset.from_tensor_slices(all_digits)
dataset = dataset.shuffle(buffer_size=1024).batch(batch_size)

gan = GAN(discriminator=discriminator, generator=generator, latent_dim=latent_dim)
gan.compile(
    d_optimizer=keras.optimizers.Adam(learning_rate=0.0003),
    g_optimizer=keras.optimizers.Adam(learning_rate=0.0003),
    loss_fn=keras.losses.BinaryCrossentropy(from_logits=True),
)

# To limit the execution time, we only train on 100 batches. You can train on
# the entire dataset. You will need about 20 epochs to get nice results.
gan.fit(dataset.take(100), epochs=1)
100/100 [==============================] - 3s 11ms/step - d_loss: 0.4031 - g_loss: 0.9305
<keras.callbacks.History at 0x7f5ad1b37c50>

গভীর শিক্ষার পিছনে ধারণাগুলি সহজ, তাহলে কেন তাদের বাস্তবায়ন বেদনাদায়ক হবে?