Migrar APIs do Estimator para Keras

Este guia demonstra como migrar das APIs tf.estimator.Estimator do tf.estimator.Estimator 1 para as APIs tf.keras do tf.keras 2. Primeiro, você configurará e executará um modelo básico para treinamento e avaliação com tf.estimator.Estimator . Em seguida, você executará as etapas equivalentes no TensorFlow 2 com as APIs tf.keras . Você também aprenderá a personalizar a etapa de treinamento subclassificando tf.keras.Model e usando tf.GradientTape .

• No TensorFlow 1, as APIs tf.estimator.Estimator de alto nível permitem treinar e avaliar um modelo, além de realizar inferências e salvar seu modelo (para veiculação).
• No TensorFlow 2, use as APIs Keras para realizar as tarefas mencionadas, como construção de modelo , aplicação de gradiente, treinamento , avaliação e previsão.

(Para migrar fluxos de trabalho de economia de modelo/ponto de verificação para o TensorFlow 2, confira os guias de migração SavedModel e Checkpoint .)

Configurar

Comece com importações e um conjunto de dados simples:

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: treinar e avaliar com tf.estimator.Estimator

Este exemplo mostra como realizar treinamento e avaliação com tf.estimator.Estimator no TensorFlow 1.

Comece definindo algumas funções: uma função de entrada para os dados de treinamento, uma função de entrada de avaliação para os dados de avaliação e uma função de modelo que informa ao Estimator como a operação de treinamento é definida com os recursos e rótulos:

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)

Instancie seu Estimator e treine o modelo:

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>

Avalie o programa com o conjunto de avaliação:

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: treine e avalie com os métodos Keras integrados

Este exemplo demonstra como realizar treinamento e avaliação com Keras Model.fit e Model.evaluate no TensorFlow 2. (Você pode saber mais no guia Treinamento e avaliação com métodos integrados .)

• Comece preparando o pipeline do conjunto de dados com as APIs tf.data.Dataset .
• Defina um modelo Keras Sequential simples com uma camada linear ( tf.keras.layers.Dense ).
• Instancie um otimizador Adagrad ( tf.keras.optimizers.Adagrad ).
• Configure o modelo para treinamento passando a variável do optimizer e a perda de erro quadrático médio ( "mse" ) para 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")

Com isso, você está pronto para treinar o modelo chamando Model.fit :

model.fit(dataset)

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

Por fim, avalie o modelo com Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)

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

TensorFlow 2: treine e avalie com uma etapa de treinamento personalizada e métodos Keras integrados

No TensorFlow 2, você também pode escrever sua própria função de etapa de treinamento personalizada com tf.GradientTape para executar passes para frente e para trás, enquanto ainda aproveita o suporte de treinamento integrado, como tf.keras.callbacks.Callback e tf.distribute.Strategy . (Saiba mais em Personalizando o que acontece no Model.fit e Escrevendo loops de treinamento personalizados do zero .)

Neste exemplo, comece criando um tf.keras.Model personalizado por meio da subclasse de tf.keras.Sequential que substitui Model.train_step . (Saiba mais sobre como subclassificar tf.keras.Model ). Dentro dessa classe, defina uma função train_step personalizada que, para cada lote de dados, execute uma passagem para frente e para trás durante uma etapa de treinamento.

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}

A seguir, como antes:

• Prepare o pipeline do conjunto de dados com tf.data.Dataset .
• Defina um modelo simples com uma camada tf.keras.layers.Dense .
• Instanciar Adagrad ( tf.keras.optimizers.Adagrad )
• Configure o modelo para treinamento com Model.compile , usando o erro quadrático médio ( "mse" ) como a função de perda.

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")

Chame Model.fit para treinar o modelo:

model.fit(dataset)

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

E, finalmente, avalie o programa com Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)

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

Próximos passos

Recursos adicionais do Keras que você pode achar úteis:

• Guia: Treinamento e avaliação com os métodos integrados
• Guia: Personalize o que acontece no Model.fit
• Guia: Escrevendo um loop de treinamento do zero
• Guia: Criando novas camadas e modelos Keras por meio de subclasses

Os guias a seguir podem ajudar na migração de fluxos de trabalho de estratégia de distribuição das APIs tf.estimator :

• Migrar do TPUEstimator para o TPUStrategy
• Migrar o treinamento de várias GPUs de um único trabalhador
• Migrar treinamento de CPU/GPU de vários trabalhadores