Migrar de Estimator a las API de Keras

Ver en TensorFlow.org Ejecutar en Google Colab Ver fuente en GitHub Descargar libreta

Esta guía demuestra cómo migrar de las API tf.keras de TensorFlow 1 a las API tf.estimator.Estimator de TensorFlow 2. Primero, configurará y ejecutará un modelo básico para entrenamiento y evaluación con tf.estimator.Estimator . Luego, realizará los pasos equivalentes en TensorFlow 2 con las API de tf.keras . También aprenderá a personalizar el paso de entrenamiento creando subclases de tf.keras.Model y usando tf.GradientTape .

  • En TensorFlow 1, las API tf.estimator.Estimator de alto nivel le permiten entrenar y evaluar un modelo, así como realizar inferencias y guardar su modelo (para servir).
  • En TensorFlow 2, use las API de Keras para realizar las tareas antes mencionadas, como la creación de modelos , la aplicación de gradientes, el entrenamiento , la evaluación y la predicción.

(Para migrar flujos de trabajo de guardado de modelos/puntos de control a TensorFlow 2, consulte las guías de migración de modelos guardados y puntos de control ).

Configuración

Comience con importaciones y un conjunto de datos simple:

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]]
eval_features = [[4., 4.5], [5., 5.5], [6., 6.5]]
eval_labels = [[0.8], [0.9], [1.]]

TensorFlow 1: entrenar y evaluar con tf.estimator.Estimator

Este ejemplo muestra cómo realizar el entrenamiento y la evaluación con tf.estimator.Estimator en TensorFlow 1.

Comience definiendo algunas funciones: una función de entrada para los datos de entrenamiento, una función de entrada de evaluación para los datos de evaluación y una función de modelo que le dice al Estimator cómo se define la operación de entrenamiento con las características y etiquetas:

def _input_fn():
  return tf1.data.Dataset.from_tensor_slices((features, labels)).batch(1)

def _eval_input_fn():
  return tf1.data.Dataset.from_tensor_slices(
      (eval_features, eval_labels)).batch(1)

def _model_fn(features, labels, mode):
  logits = tf1.layers.Dense(1)(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())
  return tf1.estimator.EstimatorSpec(mode, loss=loss, train_op=train_op)

Cree una instancia de su Estimator y entrene el modelo:

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

INFO:tensorflow:Using default config.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpeovq622_
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpeovq622_', '_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/tmpeovq622_/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 2.0834494, step = 0
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 3...
INFO:tensorflow:Saving checkpoints for 3 into /tmp/tmpeovq622_/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 3...
INFO:tensorflow:Loss for final step: 9.88002.
<tensorflow_estimator.python.estimator.estimator.Estimator at 0x7fbd06673350>

Evalúe el programa con el conjunto de evaluación:

estimator.evaluate(_eval_input_fn)

INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Starting evaluation at 2021-10-26T01:32:58
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Restoring parameters from /tmp/tmpeovq622_/model.ckpt-3
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Inference Time : 0.10194s
INFO:tensorflow:Finished evaluation at 2021-10-26-01:32:58
INFO:tensorflow:Saving dict for global step 3: global_step = 3, loss = 20.543152
INFO:tensorflow:Saving 'checkpoint_path' summary for global step 3: /tmp/tmpeovq622_/model.ckpt-3
{'loss': 20.543152, 'global_step': 3}

TensorFlow 2: entrene y evalúe con los métodos integrados de Keras

Este ejemplo demuestra cómo realizar el entrenamiento y la evaluación con Keras Model.fit y Model.evaluate en TensorFlow 2. (Puede obtener más información en la guía Entrenamiento y evaluación con métodos integrados ).

  • Comience por preparar la canalización del conjunto de datos con las API tf.data.Dataset .
  • Defina un modelo secuencial de Keras simple con una capa lineal ( tf.keras.layers.Dense ).
  • Cree una instancia de un optimizador de Adagrad ( tf.keras.optimizers.Adagrad ).
  • Configure el modelo para el entrenamiento pasando la variable del optimizer y la pérdida del error cuadrático medio ( "mse" ) a Model.compile .
dataset = tf.data.Dataset.from_tensor_slices((features, labels)).batch(1)
eval_dataset = tf.data.Dataset.from_tensor_slices(
      (eval_features, eval_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=optimizer, loss="mse")

Con eso, está listo para entrenar el modelo llamando Model.fit :

model.fit(dataset)

3/3 [==============================] - 0s 2ms/step - loss: 0.2785
<keras.callbacks.History at 0x7fbc4b320350>

Finalmente, evalúe el modelo con Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)

3/3 [==============================] - 0s 1ms/step - loss: 0.0451
{'loss': 0.04510306194424629}

TensorFlow 2: entrene y evalúe con un paso de entrenamiento personalizado y métodos Keras integrados

En TensorFlow 2, también puede escribir su propia función de paso de entrenamiento personalizado con tf.GradientTape para realizar pases hacia adelante y hacia atrás, mientras aprovecha el soporte de entrenamiento integrado, como tf.keras.callbacks.Callback y tf.distribute.Strategy . (Obtenga más información en Personalizar lo que sucede en Model.fit y Escribir bucles de entrenamiento personalizados desde cero ).

En este ejemplo, comience creando un tf.keras.Model personalizado creando una subclase de tf.keras.Sequential que anula Model.train_step . (Obtenga más información sobre la creación de subclases de tf.keras.Model ). Dentro de esa clase, defina una función train_step personalizada que para cada lote de datos realice un pase hacia adelante y hacia atrás durante un paso de entrenamiento.

class CustomModel(tf.keras.Sequential):
  """A custom sequential model that overrides `Model.train_step`."""

  def train_step(self, data):
    batch_data, labels = data

    with tf.GradientTape() as tape:
      predictions = self(batch_data, training=True)
      # Compute the loss value (the loss function is configured
      # in `Model.compile`).
      loss = self.compiled_loss(labels, predictions)

    # Compute the gradients of the parameters with respect to the loss.
    gradients = tape.gradient(loss, self.trainable_variables)
    # Perform gradient descent by updating the weights/parameters.
    self.optimizer.apply_gradients(zip(gradients, self.trainable_variables))
    # Update the metrics (includes the metric that tracks the loss).
    self.compiled_metrics.update_state(labels, predictions)
    # Return a dict mapping metric names to the current values.
    return {m.name: m.result() for m in self.metrics}

A continuación, como antes:

dataset = tf.data.Dataset.from_tensor_slices((features, labels)).batch(1)
eval_dataset = tf.data.Dataset.from_tensor_slices(
      (eval_features, eval_labels)).batch(1)

model = CustomModel([tf.keras.layers.Dense(1)])
optimizer = tf.keras.optimizers.Adagrad(learning_rate=0.05)

model.compile(optimizer=optimizer, loss="mse")

Llama a Model.fit para entrenar el modelo:

model.fit(dataset)

3/3 [==============================] - 0s 2ms/step - loss: 0.0587
<keras.callbacks.History at 0x7fbc3873f1d0>

Y, finalmente, evalúe el programa con Model.evaluate :

model.evaluate(eval_dataset, return_dict=True)

3/3 [==============================] - 0s 2ms/step - loss: 0.0197
{'loss': 0.019738242030143738}

Próximos pasos

Recursos adicionales de Keras que pueden resultarle útiles:

Las siguientes guías pueden ayudar con la migración de flujos de trabajo de estrategias de distribución desde las API de tf.estimator :