Integrando MinDiff sem MinDiffModel

Veja no TensorFlow.org Executar no Google Colab Ver fonte no GitHub Baixar caderno

Introdução

É possível integrar o MinDiff diretamente na implementação do seu modelo. Enquanto isso não tem a conveniência de usar MinDiffModel , esta opção oferece o mais alto nível de controle que pode ser particularmente útil quando o seu modelo é uma subclasse de tf.keras.Model .

Este guia demonstra como você pode integrar MinDiff diretamente na implementação de um modelo personalizado, adicionando ao train_step método.

Configurar

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

Primeiro, baixe os dados. Para concisão, a lógica de entrada preparação foi fatoramos em funções auxiliares como descrito no guia de preparação de entrada . Você pode ler o guia completo para obter detalhes sobre esse processo.

# 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))

Personalizações de modelos personalizados originais

tf.keras.Model é projetado para ser facilmente customizado via subclassificação. Isso geralmente envolve a mudança que acontece na chamada para fit como descrito aqui .

Este guia usa uma implementação personalizada onde o train_step se assemelha ao padrão tf.keras.Model.train_step . Normalmente, não haveria nenhum benefício em fazê-lo, mas aqui ajudará a demonstrar como integrar o 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}

Treinar o modelo como se fosse um típico Model usando a API funcional.

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

Integrando MinDiff diretamente em seu modelo

Adicionando MinDiff ao train_step

Para integrar MinDiff, você vai precisar adicionar algumas linhas ao CustomModel que é renomeado aqui como CustomModelWithMinDiff .

Para maior clareza, este guia usa um sinalizador booleano chamado apply_min_diff . Todo o código relevante para MinDiff só será executado se ele é definido como True . Se for definido como False , em seguida, o modelo iria se comportar exatamente o mesmo que 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}

O treinamento com este modelo é exatamente igual ao anterior, com exceção do conjunto de dados usado.

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

Reformulando sua entrada (opcional)

Dado que essa abordagem fornece controle total, você pode aproveitar esta oportunidade para reformular a entrada em um formato um pouco mais limpo. Ao usar MinDiffModel , o min_diff_data precisa ser embalado para o primeiro componente de cada lote. Este é o caso com o train_with_min_diff_ds conjunto de dados.

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'>

Com esse requisito levantado, você pode reorganizar os dados em uma estrutura um pouco mais intuitiva com os dados originais e MinDiff separados de forma limpa.

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)

Esta etapa é totalmente opcional, mas pode ser útil para organizar melhor os dados. Se você fizer isso, a única diferença na forma como você implementar CustomModelWithMinDiff será como você descompactar data no início.

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)

    ...

Com esta última etapa, você pode controlar totalmente o formato de entrada e como ele é usado no modelo para aplicar MinDiff.

Recursos adicionais