7 Aralık'ta düzenlenecek Makine Öğreniminde Kadın Sempozyumu'na katılın Şimdi kaydolun

Model.fit'te olanları özelleştirin

TensorFlow.org'da görüntüleyin Google Colab'da çalıştırın Kaynağı GitHub'da görüntüleyin Not defterini indir

Tanıtım

Denetlenen öğrenme yapıyoruz, sen kullanabilirsiniz fit() ve her şey sorunsuz çalışır.

Eğer sıfırdan kendi antrenman döngü yazmak için gerektiğinde, kullanabilir GradientTape ve her küçük ayrıntı kontrol altına almak.

Ama ne özel bir eğitim algoritması gerekir, ancak yine de elverişli özelliklerinden fayda istiyorsanız fit() yerleşik dağıtım destek veya basamak kaynaştırma gibi geri aramaları gibi?

Keras bir temel ilkesi karmaşıklığı ilerleyen bir açıklama vardır. Her zaman daha düşük seviyeli iş akışlarına kademeli olarak girebilmelisiniz. Üst düzey işlevsellik kullanım durumunuza tam olarak uymuyorsa uçurumdan düşmemelisiniz. Orantılı bir üst düzey rahatlığı korurken, küçük ayrıntılar üzerinde daha fazla kontrol sahibi olabilmeniz gerekir.

Ne özelleştirmek için gerektiğinde fit() , sen eğitim aşaması işlevini geçersiz kılar gelmez Model sınıfında. Bu tarafından çağrılan fonksiyonudur fit() veri her parti için. Ardından çağrı mümkün olacak fit() her zamanki gibi - ve kendi öğrenme algoritması yayınlanmaya başlayacak.

Bu kalıbın, İşlevsel API ile modeller oluşturmanızı engellemediğini unutmayın. Eğer oluşturuyor olun Bunu yapabilirsin Sequential modelleri, Fonksiyonel API modelleri veya sınıflandırma modelleri.

Bunun nasıl çalıştığını görelim.

Kurmak

TensorFlow 2.2 veya sonraki sürümünü gerektirir.

import tensorflow as tf
from tensorflow import keras

İlk basit örnek

Basit bir örnekle başlayalım:

  • Biz alt sınıfların yeni bir sınıf oluşturmak keras.Model .
  • Biz sadece yöntem geçersiz train_step(self, data) .
  • Bir sözlük eşleme metrik adlarını (kayıp dahil) geçerli değerlerine döndürürüz.

Giriş argüman data eğitim verisi olarak uyacak şekilde iletilir şudur:

  • Eğer arayarak, Numpy diziler geçerseniz fit(x, y, ...) , ardından data tanımlama grubu olacaktır (x, y)
  • Eğer bir geçersen tf.data.Dataset arayarak, fit(dataset, ...) , daha sonra data tarafından vermiştir Nelerin olacağını dataset her partiden en.

Gövdesindeki train_step yöntemiyle, size zaten aşina olan ne benzer bir düzenli antrenman güncellemesini uygulamak. Önemli olan, biz yoluyla kaybını hesaplamak self.compiled_loss geçirilen edildi kaybı (ler) fonksiyonu (s) sarar, compile() .

Benzer şekilde, dediğimiz self.compiled_metrics.update_state(y, y_pred) çıkartılıyor ölçütlerinin durumunu güncellemek için compile() ve biz sorgu sonuçları self.metrics sonunda kendi değerlerini almak.

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}

Bunu deneyelim:

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>

Daha düşük seviyeye gitmek

Doğal olarak, sadece bir kayıp fonksiyonunu geçen atlamak compile() , ve bunun yerine elle her şeyi train_step . Aynı şekilde metrikler için.

İşte alt seviye örneği, bu sadece kullanan compile() optimize edici yapılandırmak için:

  • Biz oluşturarak başlamak Metric bizim kaybı ve bir MAE puan izlemek için örneklerini.
  • Biz özel bir uygulamaya train_step() (çağırarak Bu ölçümlerin durumunu günceller update_state() , ardından üzerlerinde) (aracılığıyla onları sorgulamak result() mevcut ortalama değer döndürmek için), ilerleme çubuğu ile ve olmaya görüntülenecek herhangi bir geri aramaya geçmek.
  • Not dediğimiz için ihtiyaç duyacağı reset_states() Her dönemin arasına metriklerimizi üzerinde! Aksi çağıran result() , eğitim başlangıcından itibaren başına çağın ortalamaları ile biz oysa genellikle işi ortalama dönecekti. Neyse ki, çerçeve bizim için yapabilir: sadece herhangi bir metrik içinde sıfırlamak istiyorum listelemek metrics modelinin özelliği. Model arayacak reset_states() her başında burada listelenen herhangi bir nesne üzerinde fit() için dönemin veya çağrının başında 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>

Destekleyici sample_weight & class_weight

İlk temel örneğimizin numune ağırlıklandırmasından bahsetmediğini fark etmiş olabilirsiniz. Eğer desteklemek istiyorsanız fit() argümanları sample_weight ve class_weight , sadece aşağıdaki yapacağını:

  • Paketin açılması sample_weight gelen data argüman
  • Bunu iletin compiled_loss & compiled_metrics (İtimat yoksa tabii ki, ayrıca sadece manuel olarak geçerli olabilir compile() kayıplar ve ölçümler için de)
  • Bu kadar. Liste bu.
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>

Kendi değerlendirme adımınızı sağlama

Ne çağrıları için aynı şeyi istiyorum model.evaluate() ? Sonra geçersiz olur test_step tamamen aynı şekilde. İşte nasıl göründüğü:

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]

Özet: uçtan uca bir GAN örneği

Şimdi öğrendiğiniz her şeyden yararlanan uçtan uca bir örnek üzerinden geçelim.

Hadi düşünelim:

  • 28x28x1 görüntüler oluşturmak için tasarlanmış bir jeneratör ağı.
  • 28x28x1 boyutlarındaki görüntüleri iki sınıfa ("sahte" ve "gerçek") ayırmayı amaçlayan bir ayrımcı ağ.
  • Her biri için bir optimize edici.
  • Ayrımcıyı eğitmek için bir kayıp fonksiyonu.
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",
)

İşte özellik tamamlama GAN sınıfı geçersiz kılma, var compile() kendi imza kullanmak ve 17 hatlarında tüm GAN algoritmasını uygulamak 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}

Test sürüşü yapalım:

# 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>

Derin öğrenmenin ardındaki fikirler basittir, o halde bunların uygulanması neden zahmetli olsun?