लॉगिंग टेंसरहुक और स्टॉपएटस्टेपहुक को केरस कॉलबैक में माइग्रेट करें

TensorFlow.org पर देखें Google Colab में चलाएं GitHub पर स्रोत देखें नोटबुक डाउनलोड करें

TensorFlow 1 में, आप tf.estimator.LoggingTensorHook का उपयोग टेंसर की निगरानी और लॉग करने के लिए करते हैं, जबकि tf.estimator.StopAtStepHook tf.estimator.Estimator साथ प्रशिक्षण के दौरान एक निर्दिष्ट चरण पर प्रशिक्षण को रोकने में मदद करता है। यह नोटबुक मॉडल.फिट के साथ कस्टम केरस कॉलबैक ( tf.keras.callbacks.Callback ) का उपयोग करके TensorFlow 2 में इन API से उनके समकक्षों में माइग्रेट करने का तरीका Model.fit है।

केरस कॉलबैक ऐसी वस्तुएं हैं जिन्हें प्रशिक्षण/मूल्यांकन/भविष्यवाणी के दौरान विभिन्न बिंदुओं पर बिल्ट-इन Model.fit / Model.evaluate / Model.predict एपीआई में बुलाया जाता है। आप tf.keras.callbacks.Callback API डॉक्स में कॉलबैक के बारे में अधिक जान सकते हैं, साथ ही साथ अपने स्वयं के कॉलबैक लिखना और अंतर्निहित विधियों ( कॉलबैक का उपयोग करना अनुभाग) गाइड के साथ प्रशिक्षण और मूल्यांकन कर सकते हैं। TensorFlow 1 में सेशनRunHook से SessionRunHook 2 में Keras कॉलबैक में माइग्रेट करने के लिए, सहायक लॉजिक गाइड के साथ माइग्रेट प्रशिक्षण देखें।

सेट अप

प्रदर्शन उद्देश्यों के लिए आयात और एक साधारण डेटासेट से शुरू करें:

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]]

# Define an input function.
def _input_fn():
  return tf1.data.Dataset.from_tensor_slices((features, labels)).batch(1)

TensorFlow 1: टेंसर लॉग करें और tf.estimator APIs के साथ प्रशिक्षण बंद करें

TensorFlow 1 में, आप प्रशिक्षण व्यवहार को नियंत्रित करने के लिए विभिन्न हुक को परिभाषित करते हैं। फिर, आप इन हुक को tf.estimator.EstimatorSpec पर पास करते हैं।

नीचे दिए गए उदाहरण में:

  • टेंसर की निगरानी/लॉगिंग करने के लिए—उदाहरण के लिए, मॉडल वज़न या नुकसान—आप tf.estimator.LoggingTensorHook ( tf.train.LoggingTensorHook इसका उपनाम है) का उपयोग करते हैं।
  • किसी विशिष्ट चरण पर प्रशिक्षण को रोकने के लिए, आप tf.estimator.StopAtStepHook ( tf.train.StopAtStepHook इसका उपनाम है) का उपयोग करते हैं।
def _model_fn(features, labels, mode):
  dense = tf1.layers.Dense(1)
  logits = dense(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())

  # Define the stop hook.
  stop_hook = tf1.train.StopAtStepHook(num_steps=2)

  # Access tensors to be logged by names.
  kernel_name = tf.identity(dense.weights[0])
  bias_name = tf.identity(dense.weights[1])
  logging_weight_hook = tf1.train.LoggingTensorHook(
      tensors=[kernel_name, bias_name],
      every_n_iter=1)
  # Log the training loss by the tensor object.
  logging_loss_hook = tf1.train.LoggingTensorHook(
      {'loss from LoggingTensorHook': loss},
      every_n_secs=3)

  # Pass all hooks to `EstimatorSpec`.
  return tf1.estimator.EstimatorSpec(mode,
                                     loss=loss,
                                     train_op=train_op,
                                     training_hooks=[stop_hook,
                                                     logging_weight_hook,
                                                     logging_loss_hook])

estimator = tf1.estimator.Estimator(model_fn=_model_fn)

# Begin training.
# The training will stop after 2 steps, and the weights/loss will also be logged.
estimator.train(_input_fn)

INFO:tensorflow:Using default config.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmp3q__3yt7
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmp3q__3yt7', '_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/tmp3q__3yt7/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 0.025395721, step = 0
INFO:tensorflow:Tensor("Identity:0", shape=(2, 1), dtype=float32) = [[-1.0769143]
 [ 1.0241832]], Tensor("Identity_1:0", shape=(1,), dtype=float32) = [0.]
INFO:tensorflow:loss from LoggingTensorHook = 0.025395721
INFO:tensorflow:Tensor("Identity:0", shape=(2, 1), dtype=float32) = [[-1.1124082]
 [ 0.9824805]], Tensor("Identity_1:0", shape=(1,), dtype=float32) = [-0.03549388] (0.026 sec)
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 2...
INFO:tensorflow:Saving checkpoints for 2 into /tmp/tmp3q__3yt7/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 2...
INFO:tensorflow:Loss for final step: 0.09248222.
<tensorflow_estimator.python.estimator.estimator.Estimator at 0x7f05ec414d10>

TensorFlow 2: कस्टम कॉलबैक और Model.fit के साथ टेंसर लॉग करें और प्रशिक्षण बंद करें

TensorFlow 2 में, जब आप प्रशिक्षण/मूल्यांकन के लिए बिल्ट-इन Model.fit (या Model.evaluate ) का उपयोग करते हैं, तो आप कस्टम tf.keras.callbacks.Callback s को परिभाषित करके टेंसर मॉनिटरिंग और ट्रेनिंग स्टॉपिंग को कॉन्फ़िगर कर सकते हैं। फिर, आप उन्हें Model.fit (या Model.evaluate ) के callbacks पैरामीटर में पास करते हैं। ( अपनी खुद की कॉलबैक गाइड लिखने में और जानें।)

नीचे दिए गए उदाहरण में:

  • StopAtStepHook की कार्यक्षमता को फिर से बनाने के लिए, एक कस्टम कॉलबैक (नीचे StopAtStepCallback नाम दिया गया है) को परिभाषित करें, जहां आप निश्चित चरणों के बाद प्रशिक्षण को रोकने के लिए on_batch_end विधि को ओवरराइड करते हैं।
  • LoggingTensorHook व्यवहार को फिर से बनाने के लिए, एक कस्टम कॉलबैक ( LoggingTensorCallback ) को परिभाषित करें, जहां आप लॉग किए गए टेंसर को मैन्युअल रूप से रिकॉर्ड और आउटपुट करते हैं, क्योंकि नामों से टेनर्स तक पहुंच समर्थित नहीं है। आप कस्टम कॉलबैक के अंदर लॉगिंग आवृत्ति को भी लागू कर सकते हैं। नीचे दिया गया उदाहरण हर दो चरणों में वज़न प्रिंट करेगा। अन्य रणनीतियाँ जैसे हर N सेकंड में लॉगिंग करना भी संभव है।
class StopAtStepCallback(tf.keras.callbacks.Callback):
  def __init__(self, stop_step=None):
    super().__init__()
    self._stop_step = stop_step

  def on_batch_end(self, batch, logs=None):
    if self.model.optimizer.iterations >= self._stop_step:
      self.model.stop_training = True
      print('\nstop training now')

class LoggingTensorCallback(tf.keras.callbacks.Callback):
  def __init__(self, every_n_iter):
      super().__init__()
      self._every_n_iter = every_n_iter
      self._log_count = every_n_iter

  def on_batch_end(self, batch, logs=None):
    if self._log_count > 0:
      self._log_count -= 1
      print("Logging Tensor Callback: dense/kernel:",
            model.layers[0].weights[0])
      print("Logging Tensor Callback: dense/bias:",
            model.layers[0].weights[1])
      print("Logging Tensor Callback loss:", logs["loss"])
    else:
      self._log_count -= self._every_n_iter

समाप्त होने पर, नए कॉलबैक पास StopAtStepCallback और LoggingTensorCallback — Model.fit के callbacks पैरामीटर में:

dataset = tf.data.Dataset.from_tensor_slices((features, 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, "mse")

# Begin training.
# The training will stop after 2 steps, and the weights/loss will also be logged.
model.fit(dataset, callbacks=[StopAtStepCallback(stop_step=2),
                              LoggingTensorCallback(every_n_iter=2)])

1/3 [=========>....................] - ETA: 0s - loss: 3.2473Logging Tensor Callback: dense/kernel: <tf.Variable 'dense/kernel:0' shape=(2, 1) dtype=float32, numpy=
array([[-0.27049014],
       [-0.73790836]], dtype=float32)>
Logging Tensor Callback: dense/bias: <tf.Variable 'dense/bias:0' shape=(1,) dtype=float32, numpy=array([0.04980864], dtype=float32)>
Logging Tensor Callback loss: 3.2473244667053223

stop training now
Logging Tensor Callback: dense/kernel: <tf.Variable 'dense/kernel:0' shape=(2, 1) dtype=float32, numpy=
array([[-0.22285421],
       [-0.6911988 ]], dtype=float32)>
Logging Tensor Callback: dense/bias: <tf.Variable 'dense/bias:0' shape=(1,) dtype=float32, numpy=array([0.09196297], dtype=float32)>
Logging Tensor Callback loss: 5.644947052001953
3/3 [==============================] - 0s 4ms/step - loss: 5.6449
<keras.callbacks.History at 0x7f053022be90>

अगले कदम

इसमें कॉलबैक के बारे में और जानें:

आपको निम्न माइग्रेशन-संबंधी संसाधन भी उपयोगी लग सकते हैं: