 TensorFlow.org'da görüntüleyin |  Google Colab'da çalıştırın |  Kaynağı GitHub'da görüntüleyin |  Not defterini indir |
Tanıtım
Denetlenen öğrenme yapıyoruz, sen kullanabilirsiniz fit() ve her şey sorunsuz çalışır.
Eğer sıfırdan kendi antrenman döngü yazmak için gerektiğinde, kullanabilir GradientTape ve her küçük ayrıntı kontrol altına almak.
Ama ne özel bir eğitim algoritması gerekir, ancak yine de elverişli özelliklerinden fayda istiyorsanız fit() yerleşik dağıtım destek veya basamak kaynaştırma gibi geri aramaları gibi?
Keras bir temel ilkesi karmaşıklığı ilerleyen bir açıklama vardır. Her zaman daha düşük seviyeli iş akışlarına kademeli olarak girebilmelisiniz. Üst düzey işlevsellik kullanım durumunuza tam olarak uymuyorsa uçurumdan düşmemelisiniz. Orantılı bir üst düzey rahatlığı korurken, küçük ayrıntılar üzerinde daha fazla kontrol sahibi olabilmeniz gerekir.
Ne özelleştirmek için gerektiğinde fit() , sen eğitim aşaması işlevini geçersiz kılar gelmez Model sınıfında. Bu tarafından çağrılan fonksiyonudur fit() veri her parti için. Ardından çağrı mümkün olacak fit() her zamanki gibi - ve kendi öğrenme algoritması yayınlanmaya başlayacak.
Bu kalıbın, İşlevsel API ile modeller oluşturmanızı engellemediğini unutmayın. Eğer oluşturuyor olun Bunu yapabilirsin Sequential modelleri, Fonksiyonel API modelleri veya sınıflandırma modelleri.
Bunun nasıl çalıştığını görelim.
Kurmak
TensorFlow 2.2 veya sonraki sürümünü gerektirir.
import tensorflow as tf
from tensorflow import keras
İlk basit örnek
Basit bir örnekle başlayalım:
- Biz alt sınıfların yeni bir sınıf oluşturmak
keras.Model. - Biz sadece yöntem geçersiz
train_step(self, data). - Bir sözlük eşleme metrik adlarını (kayıp dahil) geçerli değerlerine döndürürüz.
Giriş argüman data eğitim verisi olarak uyacak şekilde iletilir şudur:
- Eğer arayarak, Numpy diziler geçerseniz
fit(x, y, ...), ardındandatatanımlama grubu olacaktır(x, y) - Eğer bir geçersen
tf.data.Datasetarayarak,fit(dataset, ...), daha sonradatatarafından vermiştir Nelerin olacağınıdatasether partiden en.
Gövdesindeki train_step yöntemiyle, size zaten aşina olan ne benzer bir düzenli antrenman güncellemesini uygulamak. Önemli olan, biz yoluyla kaybını hesaplamak self.compiled_loss geçirilen edildi kaybı (ler) fonksiyonu (s) sarar, compile() .
Benzer şekilde, dediğimiz self.compiled_metrics.update_state(y, y_pred) çıkartılıyor ölçütlerinin durumunu güncellemek için compile() ve biz sorgu sonuçları self.metrics sonunda kendi değerlerini almak.
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}
Bunu deneyelim:
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>
Daha düşük seviyeye gitmek
Doğal olarak, sadece bir kayıp fonksiyonunu geçen atlamak compile() , ve bunun yerine elle her şeyi train_step . Aynı şekilde metrikler için.
İşte alt seviye örneği, bu sadece kullanan compile() optimize edici yapılandırmak için:
- Biz oluşturarak başlamak
Metricbizim kaybı ve bir MAE puan izlemek için örneklerini. - Biz özel bir uygulamaya
train_step()(çağırarak Bu ölçümlerin durumunu güncellerupdate_state(), ardından üzerlerinde) (aracılığıyla onları sorgulamakresult()mevcut ortalama değer döndürmek için), ilerleme çubuğu ile ve olmaya görüntülenecek herhangi bir geri aramaya geçmek. - Not dediğimiz için ihtiyaç duyacağı
reset_states()Her dönemin arasına metriklerimizi üzerinde! Aksi çağıranresult(), eğitim başlangıcından itibaren başına çağın ortalamaları ile biz oysa genellikle işi ortalama dönecekti. Neyse ki, çerçeve bizim için yapabilir: sadece herhangi bir metrik içinde sıfırlamak istiyorum listelemekmetricsmodelinin özelliği. Model arayacakreset_states()her başında burada listelenen herhangi bir nesne üzerindefit()için dönemin veya çağrının başındaevaluate().
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>
Destekleyici sample_weight & class_weight
İlk temel örneğimizin numune ağırlıklandırmasından bahsetmediğini fark etmiş olabilirsiniz. Eğer desteklemek istiyorsanız fit() argümanları sample_weight ve class_weight , sadece aşağıdaki yapacağını:
- Paketin açılması
sample_weightgelendataargüman - Bunu iletin
compiled_loss&compiled_metrics(İtimat yoksa tabii ki, ayrıca sadece manuel olarak geçerli olabilircompile()kayıplar ve ölçümler için de) - Bu kadar. Liste bu.
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>
Kendi değerlendirme adımınızı sağlama
Ne çağrıları için aynı şeyi istiyorum model.evaluate() ? Sonra geçersiz olur test_step tamamen aynı şekilde. İşte nasıl göründüğü:
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]
Özet: uçtan uca bir GAN örneği
Şimdi öğrendiğiniz her şeyden yararlanan uçtan uca bir örnek üzerinden geçelim.
Hadi düşünelim:
- 28x28x1 görüntüler oluşturmak için tasarlanmış bir jeneratör ağı.
- 28x28x1 boyutlarındaki görüntüleri iki sınıfa ("sahte" ve "gerçek") ayırmayı amaçlayan bir ayrımcı ağ.
- Her biri için bir optimize edici.
- Ayrımcıyı eğitmek için bir kayıp fonksiyonu.
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",
)
İşte özellik tamamlama GAN sınıfı geçersiz kılma, var compile() kendi imza kullanmak ve 17 hatlarında tüm GAN algoritmasını uygulamak 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}
Test sürüşü yapalım:
# 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>
Derin öğrenmenin ardındaki fikirler basittir, o halde bunların uygulanması neden zahmetli olsun?