Lihat di TensorFlow.org | Jalankan di Google Colab | Lihat sumber di GitHub | Unduh buku catatan |
pengantar
Ketika Anda melakukan pembelajaran yang dilindungi, Anda dapat menggunakan fit()
dan semuanya berjalan lancar.
Ketika Anda perlu menulis lingkaran pelatihan Anda sendiri dari awal, Anda dapat menggunakan GradientTape
dan mengendalikan setiap detail kecil.
Tetapi bagaimana jika Anda memerlukan algoritma pelatihan kustom, tetapi Anda masih ingin manfaat dari fitur nyaman fit()
, seperti callback, built-in mendukung distribusi, atau langkah sekering?
Sebuah prinsip inti dari Keras adalah pengungkapan progresif kompleksitas. Anda harus selalu bisa masuk ke alur kerja tingkat rendah secara bertahap. Anda tidak boleh jatuh dari tebing jika fungsionalitas tingkat tinggi tidak sama persis dengan kasus penggunaan Anda. Anda harus bisa mendapatkan kontrol lebih besar atas detail kecil sambil mempertahankan jumlah kenyamanan tingkat tinggi yang sepadan.
Bila Anda perlu untuk menyesuaikan apa yang fit()
tidak, Anda harus menimpa fungsi langkah pelatihan dari Model
kelas. Ini adalah fungsi yang disebut dengan fit()
untuk setiap batch data. Anda kemudian akan dapat panggilan fit()
seperti biasa - dan itu akan berjalan algoritma belajar Anda sendiri.
Perhatikan bahwa pola ini tidak mencegah Anda membuat model dengan API Fungsional. Anda dapat melakukan ini apakah Anda sedang membangun Sequential
model, model API Fungsional, atau model subclassed.
Mari kita lihat cara kerjanya.
Mempersiapkan
Memerlukan TensorFlow 2.2 atau lebih baru.
import tensorflow as tf
from tensorflow import keras
Contoh sederhana pertama
Mari kita mulai dari contoh sederhana:
- Kami membuat kelas baru yang subclass
keras.Model
. - Kami hanya menimpa metode
train_step(self, data)
. - Kami mengembalikan nama metrik pemetaan kamus (termasuk kerugian) ke nilainya saat ini.
Argumen masukan data
adalah apa yang akan berlalu cocok sebagai data pelatihan:
- Jika Anda melewati Numpy array, dengan memanggil
fit(x, y, ...)
, makadata
akan tupel(x, y)
- Jika Anda melewati
tf.data.Dataset
, dengan memanggilfit(dataset, ...)
, makadata
akan apa yang akan dihasilkan olehdataset
pada setiap batch.
Dalam tubuh train_step
metode, kami menerapkan pembaruan pelatihan reguler, mirip dengan apa yang Anda sudah akrab dengan. Yang penting, kita menghitung kerugian melalui self.compiled_loss
, yang membungkus kerugian (es) fungsi (s) yang diteruskan ke compile()
.
Demikian pula, kita sebut self.compiled_metrics.update_state(y, y_pred)
untuk memperbarui keadaan metrik yang disahkan pada compile()
, dan kami permintaan hasil dari self.metrics
pada akhir untuk mengambil nilai mereka saat ini.
class CustomModel(keras.Model):
def train_step(self, data):
# Unpack the data. Its structure depends on your model and
# on what you pass to `fit()`.
x, y = data
with tf.GradientTape() as tape:
y_pred = self(x, training=True) # Forward pass
# Compute the loss value
# (the loss function is configured in `compile()`)
loss = self.compiled_loss(y, y_pred, regularization_losses=self.losses)
# Compute gradients
trainable_vars = self.trainable_variables
gradients = tape.gradient(loss, trainable_vars)
# Update weights
self.optimizer.apply_gradients(zip(gradients, trainable_vars))
# Update metrics (includes the metric that tracks the loss)
self.compiled_metrics.update_state(y, y_pred)
# Return a dict mapping metric names to current value
return {m.name: m.result() for m in self.metrics}
Mari kita coba ini:
import numpy as np
# Construct and compile an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(optimizer="adam", loss="mse", metrics=["mae"])
# Just use `fit` as usual
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.fit(x, y, epochs=3)
Epoch 1/3 32/32 [==============================] - 1s 2ms/step - loss: 0.9909 - mae: 0.8601 Epoch 2/3 32/32 [==============================] - 0s 2ms/step - loss: 0.4363 - mae: 0.5345 Epoch 3/3 32/32 [==============================] - 0s 2ms/step - loss: 0.2906 - mae: 0.4311 <keras.callbacks.History at 0x7f5ad1ca1090>
Pergi ke tingkat yang lebih rendah
Tentu, Anda bisa melewatkan melewati fungsi kerugian dalam compile()
, dan bukannya melakukan segala sesuatu secara manual di train_step
. Begitu juga untuk metrik.
Berikut adalah contoh-tingkat yang lebih rendah, yang hanya menggunakan compile()
untuk mengkonfigurasi optimizer:
- Kita mulai dengan membuat
Metric
contoh untuk melacak kerugian kami dan skor MAE. - Kami menerapkan kustom
train_step()
yang update keadaan metrik ini (dengan memanggilupdate_state()
pada mereka), maka permintaan mereka (melaluiresult()
) untuk mengembalikan nilai rata-rata mereka saat ini, yang akan ditampilkan oleh progress bar dan menjadi lolos ke panggilan balik apa pun. - Perhatikan bahwa kita akan perlu menelepon
reset_states()
pada metrik kami antara setiap zaman! Jika tidak memanggilresult()
akan kembali rata-rata sejak awal pelatihan, sedangkan kita biasanya bekerja dengan rata-rata per-zaman. Untungnya, kerangka dapat melakukannya untuk kita: hanya daftar metrik Anda ingin me-reset dalammetrics
milik model. Model ini akan memanggilreset_states()
pada setiap objek yang tercantum di sini pada awal setiapfit()
zaman atau pada awal panggilan untukevaluate()
.
loss_tracker = keras.metrics.Mean(name="loss")
mae_metric = keras.metrics.MeanAbsoluteError(name="mae")
class CustomModel(keras.Model):
def train_step(self, data):
x, y = data
with tf.GradientTape() as tape:
y_pred = self(x, training=True) # Forward pass
# Compute our own loss
loss = keras.losses.mean_squared_error(y, y_pred)
# Compute gradients
trainable_vars = self.trainable_variables
gradients = tape.gradient(loss, trainable_vars)
# Update weights
self.optimizer.apply_gradients(zip(gradients, trainable_vars))
# Compute our own metrics
loss_tracker.update_state(loss)
mae_metric.update_state(y, y_pred)
return {"loss": loss_tracker.result(), "mae": mae_metric.result()}
@property
def metrics(self):
# We list our `Metric` objects here so that `reset_states()` can be
# called automatically at the start of each epoch
# or at the start of `evaluate()`.
# If you don't implement this property, you have to call
# `reset_states()` yourself at the time of your choosing.
return [loss_tracker, mae_metric]
# Construct an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
# We don't passs a loss or metrics here.
model.compile(optimizer="adam")
# Just use `fit` as usual -- you can use callbacks, etc.
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.fit(x, y, epochs=5)
Epoch 1/5 32/32 [==============================] - 0s 1ms/step - loss: 1.5969 - mae: 1.1523 Epoch 2/5 32/32 [==============================] - 0s 1ms/step - loss: 0.7352 - mae: 0.7310 Epoch 3/5 32/32 [==============================] - 0s 1ms/step - loss: 0.3830 - mae: 0.4999 Epoch 4/5 32/32 [==============================] - 0s 1ms/step - loss: 0.2809 - mae: 0.4215 Epoch 5/5 32/32 [==============================] - 0s 1ms/step - loss: 0.2590 - mae: 0.4058 <keras.callbacks.History at 0x7f5ad1b62c50>
Mendukung sample_weight
& class_weight
Anda mungkin telah memperhatikan bahwa contoh dasar pertama kami tidak menyebutkan pembobotan sampel. Jika Anda ingin mendukung fit()
argumen sample_weight
dan class_weight
, Anda hanya akan melakukan hal berikut:
- Uraikan
sample_weight
daridata
argumen - Menyebarkannya ke
compiled_loss
&compiled_metrics
(tentu saja, Anda bisa juga hanya berlaku secara manual jika Anda tidak bergantung padacompile()
untuk kerugian & metrik) - Itu dia. Itu daftarnya.
class CustomModel(keras.Model):
def train_step(self, data):
# Unpack the data. Its structure depends on your model and
# on what you pass to `fit()`.
if len(data) == 3:
x, y, sample_weight = data
else:
sample_weight = None
x, y = data
with tf.GradientTape() as tape:
y_pred = self(x, training=True) # Forward pass
# Compute the loss value.
# The loss function is configured in `compile()`.
loss = self.compiled_loss(
y,
y_pred,
sample_weight=sample_weight,
regularization_losses=self.losses,
)
# Compute gradients
trainable_vars = self.trainable_variables
gradients = tape.gradient(loss, trainable_vars)
# Update weights
self.optimizer.apply_gradients(zip(gradients, trainable_vars))
# Update the metrics.
# Metrics are configured in `compile()`.
self.compiled_metrics.update_state(y, y_pred, sample_weight=sample_weight)
# Return a dict mapping metric names to current value.
# Note that it will include the loss (tracked in self.metrics).
return {m.name: m.result() for m in self.metrics}
# Construct and compile an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(optimizer="adam", loss="mse", metrics=["mae"])
# You can now use sample_weight argument
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
sw = np.random.random((1000, 1))
model.fit(x, y, sample_weight=sw, epochs=3)
Epoch 1/3 32/32 [==============================] - 0s 2ms/step - loss: 0.1365 - mae: 0.4196 Epoch 2/3 32/32 [==============================] - 0s 2ms/step - loss: 0.1285 - mae: 0.4068 Epoch 3/3 32/32 [==============================] - 0s 2ms/step - loss: 0.1212 - mae: 0.3971 <keras.callbacks.History at 0x7f5ad1ba64d0>
Memberikan langkah evaluasi Anda sendiri
Bagaimana jika Anda ingin melakukan hal yang sama untuk panggilan ke model.evaluate()
? Kemudian Anda akan menimpa test_step
dengan cara yang persis sama. Berikut tampilannya:
class CustomModel(keras.Model):
def test_step(self, data):
# Unpack the data
x, y = data
# Compute predictions
y_pred = self(x, training=False)
# Updates the metrics tracking the loss
self.compiled_loss(y, y_pred, regularization_losses=self.losses)
# Update the metrics.
self.compiled_metrics.update_state(y, y_pred)
# Return a dict mapping metric names to current value.
# Note that it will include the loss (tracked in self.metrics).
return {m.name: m.result() for m in self.metrics}
# Construct an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(loss="mse", metrics=["mae"])
# Evaluate with our custom test_step
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.evaluate(x, y)
32/32 [==============================] - 0s 1ms/step - loss: 2.7584 - mae: 1.5920 [2.758362054824829, 1.59201979637146]
Penutup: contoh GAN ujung ke ujung
Mari kita telusuri contoh ujung ke ujung yang memanfaatkan semua yang baru saja Anda pelajari.
Mari kita pertimbangkan:
- Jaringan generator yang dimaksudkan untuk menghasilkan gambar 28x28x1.
- Jaringan diskriminator dimaksudkan untuk mengklasifikasikan gambar 28x28x1 menjadi dua kelas ("palsu" dan "nyata").
- Satu pengoptimal untuk masing-masing.
- Sebuah fungsi kerugian untuk melatih diskriminator.
from tensorflow.keras import layers
# Create the discriminator
discriminator = keras.Sequential(
[
keras.Input(shape=(28, 28, 1)),
layers.Conv2D(64, (3, 3), strides=(2, 2), padding="same"),
layers.LeakyReLU(alpha=0.2),
layers.Conv2D(128, (3, 3), strides=(2, 2), padding="same"),
layers.LeakyReLU(alpha=0.2),
layers.GlobalMaxPooling2D(),
layers.Dense(1),
],
name="discriminator",
)
# Create the generator
latent_dim = 128
generator = keras.Sequential(
[
keras.Input(shape=(latent_dim,)),
# We want to generate 128 coefficients to reshape into a 7x7x128 map
layers.Dense(7 * 7 * 128),
layers.LeakyReLU(alpha=0.2),
layers.Reshape((7, 7, 128)),
layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),
layers.LeakyReLU(alpha=0.2),
layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),
layers.LeakyReLU(alpha=0.2),
layers.Conv2D(1, (7, 7), padding="same", activation="sigmoid"),
],
name="generator",
)
Berikut kelas GAN fitur-lengkap, mengesampingkan compile()
untuk menggunakan tanda tangan sendiri, dan melaksanakan seluruh algoritma GAN di 17 baris dalam train_step
:
class GAN(keras.Model):
def __init__(self, discriminator, generator, latent_dim):
super(GAN, self).__init__()
self.discriminator = discriminator
self.generator = generator
self.latent_dim = latent_dim
def compile(self, d_optimizer, g_optimizer, loss_fn):
super(GAN, self).compile()
self.d_optimizer = d_optimizer
self.g_optimizer = g_optimizer
self.loss_fn = loss_fn
def train_step(self, real_images):
if isinstance(real_images, tuple):
real_images = real_images[0]
# Sample random points in the latent space
batch_size = tf.shape(real_images)[0]
random_latent_vectors = tf.random.normal(shape=(batch_size, self.latent_dim))
# Decode them to fake images
generated_images = self.generator(random_latent_vectors)
# Combine them with real images
combined_images = tf.concat([generated_images, real_images], axis=0)
# Assemble labels discriminating real from fake images
labels = tf.concat(
[tf.ones((batch_size, 1)), tf.zeros((batch_size, 1))], axis=0
)
# Add random noise to the labels - important trick!
labels += 0.05 * tf.random.uniform(tf.shape(labels))
# Train the discriminator
with tf.GradientTape() as tape:
predictions = self.discriminator(combined_images)
d_loss = self.loss_fn(labels, predictions)
grads = tape.gradient(d_loss, self.discriminator.trainable_weights)
self.d_optimizer.apply_gradients(
zip(grads, self.discriminator.trainable_weights)
)
# Sample random points in the latent space
random_latent_vectors = tf.random.normal(shape=(batch_size, self.latent_dim))
# Assemble labels that say "all real images"
misleading_labels = tf.zeros((batch_size, 1))
# Train the generator (note that we should *not* update the weights
# of the discriminator)!
with tf.GradientTape() as tape:
predictions = self.discriminator(self.generator(random_latent_vectors))
g_loss = self.loss_fn(misleading_labels, predictions)
grads = tape.gradient(g_loss, self.generator.trainable_weights)
self.g_optimizer.apply_gradients(zip(grads, self.generator.trainable_weights))
return {"d_loss": d_loss, "g_loss": g_loss}
Mari kita uji coba:
# Prepare the dataset. We use both the training & test MNIST digits.
batch_size = 64
(x_train, _), (x_test, _) = keras.datasets.mnist.load_data()
all_digits = np.concatenate([x_train, x_test])
all_digits = all_digits.astype("float32") / 255.0
all_digits = np.reshape(all_digits, (-1, 28, 28, 1))
dataset = tf.data.Dataset.from_tensor_slices(all_digits)
dataset = dataset.shuffle(buffer_size=1024).batch(batch_size)
gan = GAN(discriminator=discriminator, generator=generator, latent_dim=latent_dim)
gan.compile(
d_optimizer=keras.optimizers.Adam(learning_rate=0.0003),
g_optimizer=keras.optimizers.Adam(learning_rate=0.0003),
loss_fn=keras.losses.BinaryCrossentropy(from_logits=True),
)
# To limit the execution time, we only train on 100 batches. You can train on
# the entire dataset. You will need about 20 epochs to get nice results.
gan.fit(dataset.take(100), epochs=1)
100/100 [==============================] - 3s 11ms/step - d_loss: 0.4031 - g_loss: 0.9305 <keras.callbacks.History at 0x7f5ad1b37c50>
Gagasan di balik pembelajaran mendalam itu sederhana, jadi mengapa penerapannya harus menyakitkan?