Przenieś LoggingTensorHook i StopAtStepHook do wywołań zwrotnych Keras

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

W TensorFlow 1 używasz tf.estimator.LoggingTensorHook do monitorowania i rejestrowania tensorów, podczas gdy tf.estimator.StopAtStepHook pomaga zatrzymać trenowanie na określonym kroku podczas trenowania za pomocą tf.estimator.Estimator . Ten notatnik pokazuje, jak przeprowadzić migrację z tych interfejsów API do ich odpowiedników w TensorFlow 2 przy użyciu niestandardowych wywołań zwrotnych Keras ( tf.keras.callbacks.Callback ) z Model.fit .

Wywołania zwrotne Keras to obiekty, które są wywoływane w różnych punktach podczas uczenia/oceniania/przewidywania we wbudowanych Model.predict API Model.evaluate Model.fit . Więcej informacji na temat wywołań zwrotnych można znaleźć w dokumentacji tf.keras.callbacks.Callback API, a także w przewodnikach Pisanie własnych wywołań zwrotnych oraz Szkolenie i ocena za pomocą wbudowanych metod (sekcja Korzystanie z wywołań zwrotnych ). Aby przeprowadzić migrację z SessionRunHook w TensorFlow 1 do wywołań zwrotnych Keras w TensorFlow 2, zapoznaj się ze szkoleniem dotyczącym migracji z przewodnikiem logiki wspomaganej .

Ustawiać

Zacznij od importów i prostego zestawu danych do celów demonstracyjnych:

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: Rejestruj tensory i przestań trenować za pomocą interfejsów API tf.estimator

W TensorFlow 1 definiujesz różne hooki, aby kontrolować zachowanie podczas treningu. Następnie przekazujesz te zaczepy do tf.estimator.EstimatorSpec .

W poniższym przykładzie:

  • Aby monitorować/rejestrować tensory — na przykład wagi modeli lub straty — używa się tf.estimator.LoggingTensorHook ( tf.train.LoggingTensorHook to jego alias).
  • Aby zatrzymać trenowanie na określonym kroku, użyj tf.estimator.StopAtStepHook ( tf.train.StopAtStepHook to jego alias).
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: Rejestruj tensory i przestań trenować za pomocą niestandardowych wywołań zwrotnych i Model.fit

W TensorFlow 2, gdy używasz wbudowanego Keras Model.fit (lub Model.evaluate ) do uczenia/oceny, możesz skonfigurować monitorowanie tensora i zatrzymywanie uczenia poprzez zdefiniowanie niestandardowego Keras tf.keras.callbacks.Callback s. Następnie przekazujesz je do parametru callbacks w Model.fit (lub Model.evaluate ). (Dowiedz się więcej w przewodniku Pisanie własnych wywołań zwrotnych ).

W poniższym przykładzie:

  • Aby odtworzyć funkcje StopAtStepHook , zdefiniuj niestandardowe wywołanie zwrotne (o nazwie StopAtStepCallback poniżej), w którym zastępujesz metodę on_batch_end , aby zatrzymać trenowanie po określonej liczbie kroków.
  • Aby odtworzyć zachowanie LoggingTensorHook , zdefiniuj niestandardowe wywołanie zwrotne ( LoggingTensorCallback ), w którym ręcznie rejestrujesz i wyprowadzasz zarejestrowane tensory, ponieważ dostęp do tensorów za pomocą nazw nie jest obsługiwany. Możesz również zaimplementować częstotliwość rejestrowania w niestandardowym wywołaniu zwrotnym. Poniższy przykład wydrukuje wagi co dwa kroki. Możliwe są również inne strategie, takie jak rejestrowanie co N sekund.
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

Po zakończeniu przekaż nowe wywołania zwrotne — StopAtStepCallback i LoggingTensorCallback — do parametru callbacks w Model.fit :

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>

Następne kroki

Dowiedz się więcej o oddzwonieniach w:

Przydatne mogą być również następujące zasoby związane z migracją: