[关闭]
@Team 2019-06-08T06:07:11.000000Z 字数 11566 阅读 1925

终于来了!TensorFlow 2.0入门指南(下篇)

叶虎


模型构建:tf.keras

TensorFlow 2.0全面keras化:如果你想使用高级的layers,只能选择keras。TensorFlow 1.x存在tf.layers以及tf.contrib.slim等高级API来创建模型,但是2.0仅仅支持tf.keras.layers,不管怎么样,省的大家重复造轮子,也意味着模型构建的部分大家都是统一的,增加代码的复用性(回忆一下原来的TensorFlow模型构建真是千奇百怪)。值得注意的tf.nn模块依然存在,里面是各种常用的nn算子,不过大部分人不会去直接用这些算子构建模型,因为keras.layers基本上包含了常用的网络层。当然,如果想构建新的layer,可以直接继承tf.keras.layers.Layer:

  1. class Linear(tf.keras.layers.Layer):
  2. def __init__(self, units=32, **kwargs):
  3. super(Linear, self).__init__(**kwargs)
  4. self.units = units
  5. def build(self, input_shape):
  6. self.w = self.add_weight(shape=(input_shape[-1], self.units),
  7. initializer='random_normal',
  8. trainable=True)
  9. self.b = self.add_weight(shape=(self.units,),
  10. initializer='random_normal',
  11. trainable=True)
  12. def call(self, inputs):
  13. return tf.matmul(inputs, self.w) + self.b
  14. layer = Linear(32)
  15. print(layer.weights) # [] the weights have not created
  16. x = tf.ones((8, 16))
  17. y = layer(x) # shape [8, 32]
  18. print(layer.weights)

这里我们继承了Layer来实现自定义layer。第一个要注意的点是我们定义了build方法,其主要用于根据input_shape创建layer的Variables。注意,我们没有在类构造函数中创建Variables,而是单独定义了一个方法。之所以这样做类的构造函数中并没有传入输入Tensor的信息,这里需要的是input的输入特征维度,所以无法创建Variables。这个build方法会在layer第一次真正执行(执行layer(input))时才会执行,并且只会执行一次(Layer内部有self.build这个bool属性)。这是一种懒惰执行机制,如果熟悉Pytorch的话,PyTorch在创建layer时是需要输入Tensor的信息,这意味着它是立即创建了Variables。
第二点是Layer本身有很多属性和方,这里列出一些重要的:

Layer类是keras中最基本的类,对其有个全面的认识比较重要,具体可以看源码。大部分情况下,我们只会复用keras已有的layers,而我们创建模型最常用的是keras.Model类,这个Model类是继承了Layer类,但是提供了更多的API,如model.compile(), model.fit(), model.evaluate(), model.predict()等,熟悉keras的都知道这是用于模型训练,评估和预测的方法。另外重要的一点,我们可以继承Model类,创建包含多layers的模块或者模型:

  1. class ConvBlock(tf.keras.Model):
  2. """Convolutional Block consisting of (conv->bn->relu).
  3. Arguments:
  4. num_filters: number of filters passed to a convolutional layer.
  5. kernel_size: the size of convolution kernel
  6. weight_decay: weight decay
  7. dropout_rate: dropout rate.
  8. """
  9. def __init__(self, num_filters, kernel_size,
  10. weight_decay=1e-4, dropout_rate=0.):
  11. super(ConvBlock, self).__init__()
  12. self.conv = tf.keras.layers.Conv2D(num_filters,
  13. kernel_size,
  14. padding="same",
  15. use_bias=False,
  16. kernel_initializer="he_normal",
  17. kernel_regularizer=tf.keras.regularizers.l2(weight_decay))
  18. self.bn = tf.keras.layers.BatchNormalization()
  19. self.dropout = tf.keras.layers.Dropout(dropout_rate)
  20. def call(self, x, training=True):
  21. output = self.conv(x)
  22. output = self.bn(x, training=training)
  23. output = tf.nn.relu(output)
  24. output = self.dropout(output, training=training)
  25. return output
  26. model = ConvBlock(32, 3, 1e-4, 0.5)
  27. x = tf.ones((4, 224, 224, 3))
  28. y = model(x)
  29. print(model.layers)

这里我们构建了一个包含Conv2D->BatchNorm->ReLU的block,打印model.layers可以获得其内部包含的所有layers。更进一步地,我们可以在复用这些block就像使用tf.keras.layers一样构建更复杂的模块:

  1. class SimpleCNN(tf.keras.Model):
  2. def __init__(self, num_classes):
  3. super(SimpleCNN, self).__init__()
  4. self.block1 = ConvBlock(16, 3)
  5. self.block2 = ConvBlock(32, 3)
  6. self.block3 = ConvBlock(64, 3)
  7. self.global_pool = tf.keras.layers.GlobalAveragePooling2D()
  8. self.classifier = tf.keras.layers.Dense(num_classes)
  9. def call(self, x, training=True):
  10. output = self.block1(x, training=training)
  11. output = self.block2(output, training=training)
  12. output = self.block3(output, training=training)
  13. output = self.global_pool(output)
  14. logits = self.classifier(output)
  15. return logits
  16. model = SimpleCNN(10)
  17. print(model.layers)
  18. x = tf.ones((4, 32, 32, 3))
  19. y = model(x) # [4, 10]

这种使用手法和PyTorch的Module是类似的,并且Model类的大部分属性会递归地收集内部layers的属性,比如model.weights是模型内所有layers中定义的weights。

构建模型的另外方式还可以采用Keras原有方式,如采用tf.keras.Sequential:

  1. model = tf.keras.Sequential([
  2. # Adds a densely-connected layer with 64 units to the model:
  3. layers.Dense(64, activation='relu', input_shape=(32,)),
  4. # Add another:
  5. layers.Dense(64, activation='relu'),
  6. # Add a softmax layer with 10 output units:
  7. layers.Dense(10, activation='softmax')])

或者采用keras的functional API:

  1. inputs = keras.Input(shape=(784,), name='img')
  2. x = layers.Dense(64, activation='relu')(inputs)
  3. x = layers.Dense(64, activation='relu')(x)
  4. outputs = layers.Dense(10, activation='softmax')(x)
  5. model = keras.Model(inputs=inputs, outputs=outputs, name='mnist_model')

虽然都可以,但是我个人还是喜欢第一种那种模块化的模型构建方法。另外,你可以对call方法应用tf.function,这样模型执行就使用Graph模式了。

模型训练

在开始模型训练之前,一个重要的项是数据加载,TensorFlow 2.0的数据加载还是采用tf.data,不过在eager模式下,tf.data.Dataset这个类将成为一个Python迭代器,我们可以直接取值:

  1. dataset = tf.data.Dataset.range(10)
  2. for i, elem in enumerate(dataset):
  3. print(elem) # prints 0, 1, ..., 9

这里我们只是展示了一个简单的例子,但是足以说明tf.data在TensorFlow 2.0下的变化,tf.data其它使用技巧和TensorFlow 1.x是一致的。

另外tf.keras提供两个重要的模块losses和metrics用于模型训练。对于losses,其本身就是对各种loss函数的封装,如下面的case:

  1. bce = tf.keras.losses.BinaryCrossentropy()
  2. loss = bce([0., 0., 1., 1.], [1., 1., 1., 0.])
  3. print('Loss: ', loss.numpy()) # Loss: 11.522857

而metrics模块主要包含了常用的模型评估指标,这个模块与TensorFlow 1.x的metrics模块设计理念是一致的,就是metric本身是有状态的,一般是通过创建Variable来记录。基本用法如下:

  1. m = tf.keras.metrics.Accuracy()
  2. m.update_state([1, 2, 3, 4], [0, 2, 3, 4])
  3. print('result: ', m.result().numpy()) # result: 0.75
  4. m.update_state([0, 2, 3], [1, 2, 3])
  5. print('result: ', m.result().numpy()) # result: 0.714
  6. m.reset_states() # 重置
  7. m.update_state([0, 2, 3], [1, 2, 3])
  8. print('result: ', m.result().numpy()) # result: 0.667

当你需要自定义metric时,你可以继承tf.keras.metrics.Metric类,然后实现一些接口即可,下面这个例子展示如何计算多分类问题中TP数量:

  1. class CatgoricalTruePositives(tf.keras.metrics.Metric):
  2. def __init__(self, name='categorical_true_positives', **kwargs):
  3. super(CatgoricalTruePositives, self).__init__(name=name, **kwargs)
  4. self.true_positives = self.add_weight(name='tp', initializer='zeros')
  5. def update_state(self, y_true, y_pred, sample_weight=None):
  6. y_pred = tf.argmax(y_pred)
  7. values = tf.equal(tf.cast(y_true, 'int32'), tf.cast(y_pred, 'int32'))
  8. values = tf.cast(values, 'float32')
  9. if sample_weight is not None:
  10. sample_weight = tf.cast(sample_weight, 'float32')
  11. values = tf.multiply(values, sample_weight)
  12. self.true_positives.assign_add(tf.reduce_sum(values))
  13. def result(self):
  14. return self.true_positives
  15. def reset_states(self):
  16. # The state of the metric will be reset at the start of each epoch.
  17. self.true_positives.assign(0.)

上面的三个接口必须都要实现,其中update_state是通过添加新数据而更新状态,而reset_states是重置初始值,result方法是获得当前状态,即metric结果。注意这个metric其实是创建了一个Variable来保存TP值。你可以类比实现更复杂的metric。
对于模型训练,我们可以通过下面一个完整实例来全面学习:

  1. import numpy as np
  2. import tensorflow as tf
  3. fashion_mnist = tf.keras.datasets.fashion_mnist
  4. (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
  5. # Adding a dimension to the array -> new shape == (28, 28, 1)
  6. train_images = train_images[..., None]
  7. test_images = test_images[..., None]
  8. # Getting the images in [0, 1] range.
  9. train_images = train_images / np.float32(255)
  10. test_images = test_images / np.float32(255)
  11. train_labels = train_labels.astype('int64')
  12. test_labels = test_labels.astype('int64')
  13. # dataset
  14. train_ds = tf.data.Dataset.from_tensor_slices(
  15. (train_images, train_labels)).shuffle(10000).batch(32)
  16. test_ds = tf.data.Dataset.from_tensor_slices(
  17. (test_images, test_labels)).batch(32)
  18. # Model
  19. class MyModel(tf.keras.Sequential):
  20. def __init__(self):
  21. super(MyModel, self).__init__([
  22. tf.keras.layers.Conv2D(32, 3, activation='relu'),
  23. tf.keras.layers.MaxPooling2D(),
  24. tf.keras.layers.Conv2D(64, 3, activation='relu'),
  25. tf.keras.layers.MaxPooling2D(),
  26. tf.keras.layers.Flatten(),
  27. tf.keras.layers.Dense(64, activation='relu'),
  28. tf.keras.layers.Dense(10, activation=None)
  29. ])
  30. model = MyModel()
  31. # optimizer
  32. initial_learning_rate = 1e-4
  33. lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(
  34. initial_learning_rate,
  35. decay_steps=100000,
  36. decay_rate=0.96,
  37. staircase=True)
  38. optimizer = tf.keras.optimizers.RMSprop(learning_rate=lr_schedule)
  39. # checkpoint
  40. checkpoint = tf.train.Checkpoint(step=tf.Variable(0), optimizer=optimizer, model=model)
  41. manager = tf.train.CheckpointManager(checkpoint, './tf_ckpts', max_to_keep=3)
  42. # loss function
  43. loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
  44. # metric
  45. train_loss_metric = tf.keras.metrics.Mean(name='train_loss')
  46. train_acc_metric = tf.keras.metrics.SparseCategoricalAccuracy(name='train_accuracy')
  47. test_loss_metric = tf.keras.metrics.Mean(name='test_loss')
  48. test_acc_metric = tf.keras.metrics.SparseCategoricalAccuracy(name='test_accuracy')
  49. # define a train step
  50. @tf.function
  51. def train_step(inputs, targets):
  52. with tf.GradientTape() as tape:
  53. predictions = model(inputs, training=True)
  54. loss = loss_object(targets, predictions)
  55. loss += sum(model.losses) # add other losses
  56. # compute gradients and update variables
  57. gradients = tape.gradient(loss, model.trainable_variables)
  58. optimizer.apply_gradients(zip(gradients, model.trainable_variables))
  59. train_loss_metric(loss)
  60. train_acc_metric(targets, predictions)
  61. # define a test step
  62. @tf.function
  63. def test_step(inputs, targets):
  64. predictions = model(inputs, training=False)
  65. loss = loss_object(targets, predictions)
  66. test_loss_metric(loss)
  67. test_acc_metric(targets, predictions)
  68. # train loop
  69. epochs = 10
  70. for epoch in range(epochs):
  71. print('Start of epoch %d' % (epoch,))
  72. # Iterate over the batches of the dataset
  73. for step, (inputs, targets) in enumerate(train_ds):
  74. train_step(inputs, targets)
  75. checkpoint.step.assign_add(1)
  76. # log every 20 step
  77. if step % 20 == 0:
  78. manager.save() # save checkpoint
  79. print('Epoch: {}, Step: {}, Train Loss: {}, Train Accuracy: {}'.format(
  80. epoch, step, train_loss_metric.result().numpy(),
  81. train_acc_metric.result().numpy())
  82. )
  83. train_loss_metric.reset_states()
  84. train_acc_metric.reset_states()
  85. # do test
  86. for inputs, targets in test_ds:
  87. test_step(inputs, targets)
  88. print('Test Loss: {}, Test Accuracy: {}'.format(
  89. test_loss_metric.result().numpy(),
  90. test_acc_metric.result().numpy()))

麻雀虽小,但五脏俱全,这个实例包括数据加载,模型创建,以及模型训练和测试。特别注意的是,这里我们将train和test的一个step通过tf.function转为Graph模式,可以加快训练速度,这是一种值得推荐的方式。另外一点,上面的训练方式采用的是custom training loops,自由度较高,另外一种训练方式是采用keras比较常规的compile和fit训练方式。

TensorFlow 2.0的另外一个特点是提供tf.distribute.Strategy更好地支持分布式训练,其接口更加简单易用。我们最常用的分布式策略是单机多卡同步训练,tf.distribute.MirroredStrategy完美支持这种策略。这种策略将在每个GPU设备上创建一个模型副本(replica),模型中的参数在所有replica之间映射,称之为MirroredVariables,当他们执行相同更新时将在所有设备间同步。底层的通信采用all-reduce算法,all-reduce方法可以将多个设备上的Tensors聚合在每个设备上,这种通信方式比较高效,而all-reduce算法有多中实现方式,这里默认采用NVIDIA NCCL的all-reduce方法。创建这种策略只需要简单地定义:

  1. mirrored_strategy = tf.distribute.MirroredStrategy(devices=["/gpu:0", "/gpu:1"],
  2. cross_device_ops=tf.distribute.NcclAllReduce())
  3. # 这里将在GPU 0和1上同步训练

当我们创建好分布式策略后,在后续的操作中只需要加入strategy.scope即可。下面我们创建一个简单的模型以及优化器:

  1. with mirrored_strategy.scope():
  2. model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(1,))])
  3. optimizer = tf.keras.optimizers.SGD(learning_rate=0.001)

对于dataset,我们需要调用tf.distribute.Strategy.experimental_distribute_dataset来分发数据:

  1. with mirrored_strategy.scope():
  2. dataset = tf.data.Dataset.from_tensors(([1.], [1.])).repeat(1000).batch(
  3. global_batch_size)
  4. # 注意这里是全局batch size
  5. dist_dataset = mirrored_strategy.experimental_distribute_dataset(dataset)

然后我们定义train step,并采用strategy.experimental_run_v2来执行:

  1. @tf.function
  2. def train_step(dist_inputs):
  3. def step_fn(inputs):
  4. features, labels = inputs
  5. with tf.GradientTape() as tape:
  6. logits = model(features)
  7. cross_entropy = tf.nn.softmax_cross_entropy_with_logits(
  8. logits=logits, labels=labels)
  9. loss = tf.reduce_sum(cross_entropy) * (1.0 / global_batch_size)
  10. grads = tape.gradient(loss, model.trainable_variables)
  11. optimizer.apply_gradients(list(zip(grads, model.trainable_variables)))
  12. return cross_entropy
  13. per_example_losses = mirrored_strategy.experimental_run_v2(step_fn, args=(dist_inputs,))
  14. mean_loss = mirrored_strategy.reduce(tf.distribute.ReduceOp.MEAN,
  15. per_example_losses, axis=0)
  16. return mean_loss

这里要注意的是我们要将loss除以全部batch size,只是因为分布式训练时在更新梯度前会将所有replica上梯度通过all-reduce算法相加聚合到每个设备上。另外,strategy.experimental_run_v2返回是每个replica的结果,要得到最终结果,需要reduce聚合一下。
最后是执行训练,采用循环方式即可:

  1. with mirrored_strategy.scope():
  2. for inputs in dist_dataset:
  3. print(train_step(inputs))

要注意的是MirroredStrategy只支持单机多卡同步训练,如果想使用多机版本,需要采用MultiWorkerMirorredStrateg。其它的分布式训练策略还有CentralStorageStrategy,TPUStrategy,ParameterServerStrategy。想深入了解的话,可以查看distribute_strategy guide以及distribute_strategy tuorial

结语

这里我们简明扼要地介绍了TensorFlow 2.0的核心新特性,相信掌握这些新特性就可以快速入手TensorFlow 2.0。不过目前Google只发布了TensorFlow 2.0.0-beta0版本,未来也许会有更多想象不到的黑科技。加油!TensorFlow Coders。

参考文献

  1. TensorFlow官网.
  2. TensorFlow 2.0 docs.
添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注