Migrazione da Estimator alle API Keras

Visualizza su TensorFlow.org Esegui in Google Colab Visualizza l'origine su GitHub Scarica quaderno

Questa guida mostra come migrare dalle API tf.keras di TensorFlow 1 alle API tf.estimator.Estimator di TensorFlow 2. Innanzitutto, imposterai ed eseguirai un modello di base per la formazione e la valutazione con tf.estimator.Estimator . Quindi, eseguirai i passaggi equivalenti in TensorFlow 2 con le API tf.keras . Imparerai anche come personalizzare la fase di formazione sottoclasse tf.keras.Model e usando tf.GradientTape .

  • In TensorFlow 1, le API tf.estimator.Estimator di alto livello consentono di addestrare e valutare un modello, nonché di eseguire l'inferenza e salvare il modello (per la pubblicazione).
  • In TensorFlow 2, utilizza le API Keras per eseguire le attività di cui sopra, come la creazione di modelli , l'applicazione del gradiente, l' addestramento , la valutazione e la previsione.

(Per la migrazione dei flussi di lavoro di salvataggio del modello/checkpoint a TensorFlow 2, consultare le guide alla migrazione SavedModel e Checkpoint .)

Impostare

Inizia con le importazioni e un semplice set di dati:

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: addestra e valuta con tf.estimator.Estimator

Questo esempio mostra come eseguire l'addestramento e la valutazione con tf.estimator.Estimator in TensorFlow 1.

Inizia definendo alcune funzioni: una funzione di input per i dati di addestramento, una funzione di input di valutazione per i dati di valutazione e una funzione modello che indica allo Estimator come viene definita l'operazione di addestramento con le caratteristiche e le etichette:

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)

Istanzia il tuo Estimator e addestra il modello:

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>

Valuta il programma con il set di valutazione:

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: addestra e valuta con i metodi Keras integrati

Questo esempio mostra come eseguire l'addestramento e la valutazione con Keras Model.fit e Model.evaluate in TensorFlow 2. (Puoi saperne di più nella Guida all'addestramento e alla valutazione con la guida ai metodi integrati .)

  • Inizia preparando la pipeline del set di dati con le API tf.data.Dataset .
  • Definisci un semplice modello Keras Sequential con un livello lineare ( tf.keras.layers.Dense ).
  • Istanziare un ottimizzatore Adagrad ( tf.keras.optimizers.Adagrad ).
  • Configurare il modello per l'addestramento passando la variabile optimizer e la perdita dell'errore quadratico medio ( "mse" ) a 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")

Con ciò, sei pronto per addestrare il modello chiamando Model.fit :

model.fit(dataset)

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

Infine, valuta il modello con Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)

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

TensorFlow 2: addestra e valuta con una fase di formazione personalizzata e metodi Keras integrati

In TensorFlow 2, puoi anche scrivere la tua funzione di allenamento personalizzata con tf.GradientTape per eseguire passaggi avanti e indietro, sfruttando comunque il supporto di formazione integrato, come tf.keras.callbacks.Callback e tf.distribute.Strategy . (Ulteriori informazioni in Personalizzazione di ciò che accade in Model.fit e Scrittura di cicli di formazione personalizzati da zero .)

In questo esempio, inizia creando un tf.keras.Model personalizzato creando una sottoclasse tf.keras.Sequential che sovrascrive Model.train_step . (Ulteriori informazioni sulla sottoclasse tf.keras.Model ). All'interno di tale classe, definisci una funzione train_step personalizzata che per ogni batch di dati esegua un passaggio in avanti e un passaggio all'indietro durante un passaggio di addestramento.

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}

Avanti, come prima:

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")

Chiama Model.fit per addestrare il modello:

model.fit(dataset)

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

E, infine, valuta il programma con Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)

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

Prossimi passi

Risorse aggiuntive di Keras che potresti trovare utili:

Le seguenti guide possono aiutare con la migrazione dei flussi di lavoro della strategia di distribuzione dalle API di tf.estimator :