Integracja MinDiff bez MinDiffModel

Zobacz na TensorFlow.org Uruchom w Google Colab Wyświetl źródło na GitHub Pobierz notatnik

Wstęp

Możliwa jest integracja MinDiff bezpośrednio z implementacją Twojego modelu. Czyniąc tak, nie ma wygodę korzystania MinDiffModel , opcja ta zapewnia najwyższy poziom kontroli, które mogą być szczególnie użyteczne, gdy model jest podklasą tf.keras.Model .

Ten poradnik pokazuje, jak można zintegrować MinDiff bezpośrednio do realizacji niestandardowego modelu poprzez dodanie do train_step metody.

Ustawiać

pip install -q --upgrade tensorflow-model-remediation

import tensorflow as tf
tf.get_logger().setLevel('ERROR')  # Avoid TF warnings.
from tensorflow_model_remediation import min_diff
from tensorflow_model_remediation.tools.tutorials_utils import uci as tutorials_utils

Najpierw pobierz dane. Dla zwięzłości, logika przygotowanie wejścia zostały uwzględnione z pomocnikiem do funkcji opisanych w przewodniku przygotowania wejścia . Możesz przeczytać pełny przewodnik, aby uzyskać szczegółowe informacje na temat tego procesu.

# Original Dataset for training, sampled at 0.3 for reduced runtimes.
train_df = tutorials_utils.get_uci_data(split='train', sample=0.3)
train_ds = tutorials_utils.df_to_dataset(train_df, batch_size=128)

# Dataset needed to train with MinDiff.
train_with_min_diff_ds = (
    tutorials_utils.get_uci_with_min_diff_dataset(split='train', sample=0.3))

Oryginalne niestandardowe dostosowania modelu

tf.keras.Model jest zaprojektowany do być łatwo dostosowane poprzez instacji. Zwykle wiąże się ze zmianą, co dzieje się w zaproszeniu do fit jak opisano tutaj .

Podręcznik ten wykorzystuje niestandardową implementację gdzie train_step ściśle przypomina domyślny tf.keras.Model.train_step . Normalnie nie byłoby z tego korzyści, ale tutaj pomoże zademonstrować, jak zintegrować MinDiff.

class CustomModel(tf.keras.Model):

  def train_step(self, data):
    # Unpack the data.
    x, y, sample_weight = tf.keras.utils.unpack_x_y_sample_weight(data)

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

    # Compute gradients and update weights.
    self.optimizer.minimize(loss, self.trainable_variables, tape=tape)
    # Update and return metrics.
    self.compiled_metrics.update_state(y, y_pred, sample_weight)
    return {m.name: m.result() for m in self.metrics}

Trenować model jak byś to typowy Model używając API funkcjonalna.

model = tutorials_utils.get_uci_model(model_class=CustomModel)  # Use CustomModel.

model.compile(optimizer='adam', loss='binary_crossentropy')

_ = model.fit(train_ds, epochs=1)

77/77 [==============================] - 3s 22ms/step - loss: 0.7273

Integracja MinDiff bezpośrednio z Twoim modelem

Dodawanie MinDiff do train_step

Aby zintegrować MinDiff, trzeba będzie dodać kilka linii do CustomModel który przemianowano tutaj jako CustomModelWithMinDiff .

Dla jasności, ten poradnik wykorzystuje flagę logiczną nazwie apply_min_diff . Cały kod właściwego do MinDiff będą uruchamiane tylko wtedy, gdy jest ustawiona na True . Jeśli jest ustawiona na False następnie model będzie zachowywać się dokładnie tak samo jak CustomModel .

min_diff_loss_fn = min_diff.losses.MMDLoss()  # Hard coded for convenience.
min_diff_weight = 2  # Arbitrary number for example, hard coded for convenience.
apply_min_diff = True  # Flag to help show where the additional lines are.

class CustomModelWithMinDiff(tf.keras.Model):

  def train_step(self, data):
    # Unpack the data.
    x, y, sample_weight = tf.keras.utils.unpack_x_y_sample_weight(data)

    # Unpack the MinDiff data.
    if apply_min_diff:
      min_diff_data = min_diff.keras.utils.unpack_min_diff_data(x)
      min_diff_x, membership, min_diff_sample_weight = (
          tf.keras.utils.unpack_x_y_sample_weight(min_diff_data))
      x = min_diff.keras.utils.unpack_original_inputs(x)

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

      # Calculate and add the min_diff_loss. This must be done within the scope
      # of tf.GradientTape().
      if apply_min_diff:
        min_diff_predictions = self(min_diff_x, training=True)
        min_diff_loss = min_diff_weight * min_diff_loss_fn(
            min_diff_predictions, membership, min_diff_sample_weight)
        loss += min_diff_loss

    # Compute gradients and update weights.
    self.optimizer.minimize(loss, self.trainable_variables, tape=tape)
    # Update and return metrics.
    self.compiled_metrics.update_state(y, y_pred, sample_weight)
    return {m.name: m.result() for m in self.metrics}

Trening z tym modelem wygląda dokładnie tak samo, jak w poprzednim, z wyjątkiem użytego zestawu danych.

model = tutorials_utils.get_uci_model(model_class=CustomModelWithMinDiff)

model.compile(optimizer='adam', loss='binary_crossentropy')

_ = model.fit(train_with_min_diff_ds, epochs=1)

77/77 [==============================] - 4s 30ms/step - loss: 0.7799

Zmiana kształtu danych wejściowych (opcjonalnie)

Biorąc pod uwagę, że takie podejście zapewnia pełną kontrolę, możesz skorzystać z okazji, aby przekształcić dane wejściowe w nieco czystszą formę. Podczas korzystania MinDiffModel The min_diff_data musi być pakowane w pierwszym składniku każdej partii. Jest to przypadek z train_with_min_diff_ds zbiorze.

for x, y in train_with_min_diff_ds.take(1):
  print('Type of x:', type(x))  # MinDiffPackedInputs
  print('Type of y:', type(y))  # Tensor (original labels)

Type of x: <class 'tensorflow_model_remediation.min_diff.keras.utils.input_utils.MinDiffPackedInputs'>
Type of y: <class 'tensorflow.python.framework.ops.EagerTensor'>

Po zniesieniu tego wymogu możesz zreorganizować dane w nieco bardziej intuicyjną strukturę z czystym rozdzieleniem oryginalnych danych i danych MinDiff.

def _reformat_input(inputs, original_labels):
  min_diff_data = min_diff.keras.utils.unpack_min_diff_data(inputs)
  original_inputs = min_diff.keras.utils.unpack_original_inputs(inputs)
  original_data = (original_inputs, original_labels)

  return {
      'min_diff_data': min_diff_data,
      'original_data': original_data}

customized_train_with_min_diff_ds = train_with_min_diff_ds.map(_reformat_input)

Ten krok jest całkowicie opcjonalny, ale może być przydatny do lepszej organizacji danych. Jeśli tak, jedyna różnica w tym, jak wdrożyć CustomModelWithMinDiff będzie jak rozpakować data na początku.

class CustomModelWithMinDiff(tf.keras.Model):

  def train_step(self, data):
    # Unpack the MinDiff data from the custom structure.
    if apply_min_diff:
      min_diff_data = data['min_diff_data']
      min_diff_x, membership, min_diff_sample_weight = (
          tf.keras.utils.unpack_x_y_sample_weight(min_diff_data))
      data = data['original_data']

    ... # possible preprocessing or validation on data before unpacking.

    x, y, sample_weight = tf.keras.utils.unpack_x_y_sample_weight(data)

    ...

W tym ostatnim kroku możesz w pełni kontrolować zarówno format wejściowy, jak i sposób jego użycia w modelu, aby zastosować MinDiff.

Dodatkowe zasoby