תוכן תצפית 
 
 
 
 
 
 
 
 הוצאת התקנת דוגמה ראשונה פשוטה רמה נמוכה יותר תמיכה sample_weight & class_weight הגדרת שלב הערכה משלך דוגמה: End-to-end GAN הוצאת כאשר אתה עושה למידה מנוהלת, אתה יכול להשתמש הכל עובד בצורה חלקה. fit() כאשר אתה צריך לכתוב את מעגל האימון שלך מעצמו, אתה יכול להשתמש לקחת שליטה על כל פרט קטן. GradientTape אבל מה אם אתה צריך אלגוריתם אימון מותאם אישית, אבל אתה עדיין רוצה לנצל את התכונות הנוחות של , כגון שיחות חזרה, תמיכה בהפצה מובנית, או תוספת שלב? fit() העיקרון העיקרי של Keras הוא אתה תמיד צריך להיות מסוגל להיכנס לתוך זרימת עבודה ברמה התחתונה בצורה הדרגתית.אתה לא צריך ליפול מן הסלע אם הפונקציונליות ברמה גבוהה לא מתאימה בדיוק למקרה השימוש שלך.אתה צריך להיות מסוגל להשיג שליטה רבה יותר על הפרטים הקטנים תוך שמירה על כמות מתאימה של נוחות ברמה גבוהה. progressive disclosure of complexity כאשר אתה צריך להתאים את מה כן, אתה צריך   זוהי התפקיד שנקרא עבור כל קבוצה של נתונים, לאחר מכן תוכלו להתקשר כרגיל - וזה יהיה להפעיל את אלגוריתם הלמידה שלך. fit() override the training step function of the Model fit() fit() שים לב כי דפוס זה אינו מונע ממך לבנות מודלים עם API הפונקציונלי. מודלים, מודלים של API פונקציונליים, או מודלים משולבים. Sequential בואו נראה איך זה עובד. התקנת דרוש TensorFlow 2.8 או מאוחר יותר. import tensorflow as tf
from tensorflow import keras
 דוגמה ראשונה פשוטה בואו נתחיל בדוגמה פשוטה: 
 
 
 
 אנו יוצרים כיתה חדשה אשר מחלקת את hard.Model. אנחנו רק מורידים את השיטה train_step(עצמי, נתונים). אנו מחזירים את שמות המטריקים של מילות המילון (כולל האובדן) לערך הנוכחי שלהם. תגית: input argument זה מה שעובר להתאים כנתונים הכשרה: data 
 
 
 אם אתה עובר מסגרות Numpy, על-ידי קריאת fit(x, y, ...), אז הנתונים יהיו tuple (x, y) אם אתה מעביר tf.data.Dataset, על-ידי קריאת fit(dataset, ...), אז הנתונים יהיו מה שמגיע על-ידי dataset בכל קבוצה. בתוך הגוף של שיטה, אנו מיישמים עדכון אימון קבוע, דומה למה שאתה כבר מכיר.   מה שמשפיע על התפקיד (התפקידים) שהועבר . train_step we compute the loss via self.compute_loss() compile() באופן דומה, אנו קוראים במטריקים של , כדי לעדכן את המצב של המטריקים שהועברו אנו מחפשים תוצאות מ בסופו של דבר, יש להחזיר את הערך הנוכחי. metric.update_state(y, y_pred) self.metrics compile() self.metrics 
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.compute_loss(y=y, y_pred=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))
        # Update metrics (includes the metric that tracks the loss)
        for metric in self.metrics:
            if metric.name == "loss":
                metric.update_state(loss)
            else:
                metric.update_state(y, y_pred)
        # Return a dict mapping metric names to current value
        return {m.name: m.result() for m in self.metrics}
 בואו ננסה את זה: 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 [==============================] - 3s 2ms/step - loss: 1.6446
Epoch 2/3
32/32 [==============================] - 0s 2ms/step - loss: 0.7554
Epoch 3/3
32/32 [==============================] - 0s 2ms/step - loss: 0.3924
<keras.src.callbacks.History at 0x7fef5c11ba30>
 רמה נמוכה יותר כמובן, אתה יכול פשוט לעקוף את העברת פונקציה אובדן ב ובמקום לעשות הכל ב כך גם לגבי מטריקים. compile() ידנית train_step הנה דוגמה של רמה נמוכה יותר, אשר רק משתמשים כדי להגדיר את האופטימיזציה: compile() 
 
 
 
 אנו מתחילים על ידי יצירת מקרים מטרי כדי לעקוב אחר האובדן שלנו ו ציון MAE (ב __init__()). אנו מיישמים train_step() מותאם אישית שמעדכן את המצב של מדדים אלה (באמצעות קריאת update_state() עליהם), ולאחר מכן שואלים אותם (באמצעות תוצאה()) כדי להחזיר את הערך הממוצע הנוכחי שלהם, כדי להיות מוצג על ידי סרגל ההתקדמות ולקבל את כל שיחה חזרה. שימו לב שאנחנו צריכים להתקשר reset_states() על המטריקים שלנו בין כל עידן! אחרת התקשר תוצאה() יחזיר ממוצע מאז תחילת ההכשרה, בעוד שאנו בדרך כלל עובדים עם ממוצעים לפי עידן. למרבה המזל, המסגרת יכולה לעשות את זה בשבילי: פשוט לרשום כל מטריקה שאתה רוצה להגדיר מחדש בתכונת המטריקים של המודל. 
class CustomModel(keras.Model):
    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        self.loss_tracker = keras.metrics.Mean(name="loss")
        self.mae_metric = keras.metrics.MeanAbsoluteError(name="mae")

    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
        self.loss_tracker.update_state(loss)
        self.mae_metric.update_state(y, y_pred)
        return {"loss": self.loss_tracker.result(), "mae": self.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 [self.loss_tracker, self.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 pass 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 2ms/step - loss: 0.3240 - mae: 0.4583
Epoch 2/5
32/32 [==============================] - 0s 2ms/step - loss: 0.2416 - mae: 0.3984
Epoch 3/5
32/32 [==============================] - 0s 2ms/step - loss: 0.2340 - mae: 0.3919
Epoch 4/5
32/32 [==============================] - 0s 2ms/step - loss: 0.2274 - mae: 0.3870
Epoch 5/5
32/32 [==============================] - 0s 2ms/step - loss: 0.2197 - mae: 0.3808
<keras.src.callbacks.History at 0x7fef3c130b20>
 תמיכה & משקל - Weight class_weight משקל - Weight משקל - Weight ייתכן שמעתם שהדוגמה הבסיסית הראשונה שלנו לא הזכירה את משקל המדגם. טענות ו אתה פשוט תעשה את הדברים הבאים: fit() sample_weight class_weight 
 
 
 
 Unpack sample_weight מתוך ערך הנתונים העבירו אותו ל compute_loss & update_state (אפשר כמובן גם ליישם אותו באופן ידני אם אינכם מסתמכים על compile() עבור אובדן ומדידות) זה זה זה. 
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.compute_loss(
                y=y,
                y_pred=y_pred,
                sample_weight=sample_weight,
            )

        # 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()`.
        for metric in self.metrics:
            if metric.name == "loss":
                metric.update_state(loss)
            else:
                metric.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: 0.1298
Epoch 2/3
32/32 [==============================] - 0s 2ms/step - loss: 0.1179
Epoch 3/3
32/32 [==============================] - 0s 2ms/step - loss: 0.1121
<keras.src.callbacks.History at 0x7fef3c168100>
 הגדרת שלב הערכה משלך מה אם אתה רוצה לעשות את אותו הדבר עבור שיחות אז היית מתעלם ככה זה נראה, ככה זה נראה: model.evaluate() test_step 
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.compute_loss(y=y, y_pred=y_pred)
        # Update the metrics.
        for metric in self.metrics:
            if metric.name != "loss":
                metric.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: 0.9028
0.9028095006942749
 דוגמה: End-to-end GAN בואו נלך דרך דוגמה של סוף סוף שמנצל את כל מה שלמדת. בואו נחשוב על: 
 
 
 
 
 רשת גנרטור נועדה ליצור תמונות 28x28x1. רשת דיסציפלינרים נועדה לסווג 28x28x1 תמונות לשתי קטגוריות ("זיוף" ו "אמיתי"). אופטימיזציה אחת לכל אחד. תפקיד אובדן כדי להכשיר את ההבדל. 
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",
)
 הנה שיעור GAN מלא בתכונות, overriding כדי להשתמש בחתימה משלה, וליישם את כל אלגוריתם GAN ב 17 שורות : compile() train_step 
class GAN(keras.Model):
    def __init__(self, discriminator, generator, latent_dim):
        super().__init__()
        self.discriminator = discriminator
        self.generator = generator
        self.latent_dim = latent_dim
        self.d_loss_tracker = keras.metrics.Mean(name="d_loss")
        self.g_loss_tracker = keras.metrics.Mean(name="g_loss")

    def compile(self, d_optimizer, g_optimizer, loss_fn):
        super().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))

        # Update metrics and return their value.
        self.d_loss_tracker.update_state(d_loss)
        self.g_loss_tracker.update_state(g_loss)
        return {
            "d_loss": self.d_loss_tracker.result(),
            "g_loss": self.g_loss_tracker.result(),
        }
 בואו נבחן את זה: 
# 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)
 Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11490434/11490434 [==============================] - 0s 0us/step
100/100 [==============================] - 8s 15ms/step - d_loss: 0.4372 - g_loss: 0.8775
<keras.src.callbacks.History at 0x7feee42ff190>
 הרעיונות מאחורי הלמידה העמוקה הם פשוטים, אז למה יישום שלהם צריך להיות כואב? 
 
 פורסם במקור באתר TensorFlow, מאמר זה מופיע כאן תחת כותרת חדשה והוא מורשה תחת CC BY 4.0. פורסם במקור על מאמר זה מופיע כאן תחת כותרת חדשה והוא מורשה תחת CC BY 4.0. TensorFlow TensorFlow

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

האודיו הזה מופק בשפת המקור של הסיפור!

Keep Keras fit() ו- Train Your Model Your Way

About Author

הערות

תלו תגים

מאמר זה הוצג ב

Related Stories

ברכות עונות מ-HackerNoon: Boost Stories עם תרגומים, דיבור לטקסט ועוד

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/16/2024)

The TechBeat: Investigating Internet Freedom: Unseen Aspects of Our Online Existence (1/22/2024)

The TechBeat: To Focus or Not Focus: How to Find the Right Product-Market Fit (3/14/2024)

ברכות עונות מ-HackerNoon: Boost Stories עם תרגומים, דיבור לטקסט ועוד

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/16/2024)

The TechBeat: Investigating Internet Freedom: Unseen Aspects of Our Online Existence (1/22/2024)

The TechBeat: To Focus or Not Focus: How to Find the Right Product-Market Fit (3/14/2024)

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps