הצג באתר TensorFlow.org | הפעל בגוגל קולאב | צפה במקור ב-GitHub | הורד מחברת |
מדריך זה מדגים כיצד לעבור מממשקי ה-API של tf.estimator.Estimator של TensorFlow 1 לממשקי ה-API של tf.estimator.Estimator
של tf.keras
2. ראשית, תגדיר ותפעיל מודל בסיסי להדרכה והערכה עם tf.estimator.Estimator
. לאחר מכן, תבצע את השלבים המקבילים ב-TensorFlow 2 עם ממשקי API של tf.keras
. תלמד גם כיצד להתאים אישית את שלב האימון על ידי סיווג משנה של tf.keras.Model
ושימוש ב- tf.GradientTape
.
- ב-TensorFlow 1, ממשקי API של
tf.estimator.Estimator
ברמה גבוהה מאפשרים לך לאמן ולהעריך מודל, כמו גם לבצע הסקה ולשמור את המודל שלך (להגשה). - ב-TensorFlow 2, השתמש בממשקי ה-API של Keras כדי לבצע את המשימות שהוזכרו לעיל, כגון בניית מודל , יישום שיפוע, הדרכה , הערכה וחיזוי.
(להעברת זרימות עבודה של שמירת מודל/נקודת ביקורת ל-TensorFlow 2, עיין במדריכי ההעברה של SavedModel ו- Checkpoint ).
להכין
התחל עם ייבוא ומערך נתונים פשוט:
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: אימון והערכת עם tf.estimator.Estimator
דוגמה זו מראה כיצד לבצע הדרכה והערכה עם tf.estimator.Estimator
ב-TensorFlow 1.
התחל בהגדרת מספר פונקציות: פונקציית קלט עבור נתוני האימון, פונקציית קלט הערכה עבור נתוני ההערכה, ופונקציית מודל שאומרת Estimator
כיצד מוגדרת הפעלת האימון עם התכונות והתוויות:
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)
הצג את האומדן שלך, Estimator
את המודל:
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>
הערך את התוכנית עם ערכת ההערכה:
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: אימון והערכת עם שיטות Keras המובנות
דוגמה זו מדגימה כיצד לבצע אימון והערכה עם Keras Model.fit
ו- Model.evaluate
ב-TensorFlow 2. (תוכל ללמוד עוד במדריך הדרכה והערכה עם מדריך השיטות המובנה ).
- התחל על ידי הכנת צינור מערך הנתונים עם ממשקי API של
tf.data.Dataset
. - הגדר מודל פשוט של Keras Sequential עם שכבה אחת ליניארית (
tf.keras.layers.Dense
). - הצג אופטימיזציה של Adagrad (
tf.keras.optimizers.Adagrad
). - הגדר את המודל לאימון על ידי העברת משתנה
optimizer
והפסד השגיאה בריבוע הממוצע ("mse"
) אלModel.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")
עם זה, אתה מוכן לאמן את הדגם על ידי קריאה Model.fit
:
model.fit(dataset)
3/3 [==============================] - 0s 2ms/step - loss: 0.2785 <keras.callbacks.History at 0x7fbc4b320350>
לבסוף, הערך את המודל באמצעות Model.evaluate
:
model.evaluate(eval_dataset, return_dict=True)
3/3 [==============================] - 0s 1ms/step - loss: 0.0451 {'loss': 0.04510306194424629}
TensorFlow 2: אימון והערכת עם שלב אימון מותאם אישית ושיטות Keras מובנות
ב-TensorFlow 2, אתה יכול גם לכתוב פונקציית צעדי אימון מותאמת אישית משלך עם tf.GradientTape
כדי לבצע מעברים קדימה ואחורה, תוך ניצול התמיכה המובנית באימון, כגון tf.keras.callbacks.Callback
ו- tf.distribute.Strategy
. (למידע נוסף בהתאמה אישית של מה שקורה ב-Model.fit וכתיבת לולאות אימון מותאמות אישית מאפס .)
בדוגמה זו, התחל ביצירת דגם tf.keras.Model
מותאם אישית על ידי סיווג משנה tf.keras.Sequential
את Model.train_step
. (למידע נוסף על סיווג משנה tf.keras.Model ). בתוך אותה מחלקה, הגדר פונקציית train_step
מותאמת אישית שלכל אצווה של נתונים מבצעת מעבר קדימה ומעבר אחורה במהלך שלב אימון אחד.
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}
בהמשך, כמו קודם:
- הכן את צינור הנתונים באמצעות
tf.data.Dataset
. - הגדר דגם פשוט עם שכבה אחת
tf.keras.layers.Dense
. - יצירת אדגרד (
tf.keras.optimizers.Adagrad
) - הגדר את המודל לאימון עם
Model.compile
, תוך שימוש בשגיאה מרובעת ממוצעת ("mse"
) כפונקציית ההפסד.
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")
התקשר ל- Model.fit
כדי להכשיר את הדוגמנית:
model.fit(dataset)
3/3 [==============================] - 0s 2ms/step - loss: 0.0587 <keras.callbacks.History at 0x7fbc3873f1d0>
ולבסוף, העריכו את התוכנית עם Model.evaluate
:
model.evaluate(eval_dataset, return_dict=True)
3/3 [==============================] - 0s 2ms/step - loss: 0.0197 {'loss': 0.019738242030143738}
הצעדים הבאים
משאבים נוספים של Keras עשויים למצוא שימושיים:
- מדריך: הדרכה והערכה בשיטות המובנות
- מדריך: התאם אישית את מה שקורה ב-Model.fit
- מדריך: כתיבת לולאת אימון מאפס
- מדריך: יצירת שכבות ודגמים חדשים של Keras באמצעות סיווג משנה
המדריכים הבאים יכולים לסייע בהעברת זרימות עבודה של אסטרטגיית הפצה מממשקי API של tf.estimator
: