Contingut general 
 
 
 
 
 
 
 
 Introducció Establiment Un primer exemple senzill Anar a nivell inferior Suport de sample_weight & class_weight Proporcionar el teu propi pas d'avaluació Embolcallament: un exemple de GAN end-to-end Introducció Quan estàs fent l'aprenentatge supervisat, pots utilitzar I tot funciona amb fluïdesa. fit() Quan necessiteu escriure el vostre propi cicle d'entrenament des de zero, podeu utilitzar el i prendre el control de cada petit detall. GradientTape Però què passa si necessiteu un algorisme de formació personalitzat, però encara voleu beneficiar-vos de les característiques convenients de , com ara trucades de tornada, suport de distribució integrat o fusió d'etapes? fit() Un dels principis bàsics de Keras és Sempre hauria de poder entrar en fluxos de treball de nivell inferior de manera gradual. No hauria de caure d'un penya-segat si la funcionalitat d'alt nivell no coincideix exactament amb el seu cas d'ús. Hauria de poder obtenir més control sobre els petits detalls mantenint una quantitat proporcional de conveniència d'alt nivell. progressive disclosure of complexity Quan s’ha de personalitzar el que Això sí, hauria de   Aquesta és la funció que s'anomena per a cada lot de dades. llavors podrà trucar Com sempre, i s’executarà el seu propi algoritme d’aprenentatge. fit() override the training step function of the Model fit() fit() Tingueu en compte que aquest patró no us impedeix construir models amb l'API Funcional. models, models d'API funcionals o models subclassificats. Sequential Vegem com funciona això. Establiment Requereix TensorFlow 2.8 o posterior. import tensorflow as tf
from tensorflow import keras
 Un primer exemple senzill Comencem amb un exemple senzill: 
 
 
 
 Creem una nova classe que subclasses hard.Model. Només hem superat el mètode train_step (auto, dades). Retornem els noms mètrics (incloent-hi la pèrdua) al seu valor actual. L’argument d’entrada És el que es passa a fitxar com a dades de formació: data 
 
 
 Si passa les matèries Numpy, trucant fit(x, y, ...), les dades seran el tuple (x, y) Si passa un tf.data.Dataset, trucant fit(dataset, ...), llavors les dades seran el que es produeix per dataset en cada lot. En el cos de la Mètode, implementem una actualització de formació regular, similar al que ja esteu familiaritzats.   La qual cosa va provocar la pèrdua de les funcions (s) que es van passar a . train_step we compute the loss via self.compute_loss() compile() De la mateixa manera, anomenem Mètriques de , per actualitzar l'estat de les mètriques que es van passar en A més, busquem resultats de finalment per recuperar el seu valor actual. 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}
 Anem a provar això: 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>
 Anar a nivell inferior Naturalment, només es podria saltar el pas d'una funció de pèrdua en En comptes de fer-ho tot en El mateix passa amb les metrologies. compile() Manualment train_step Aquí teniu un exemple de nivell inferior, que només utilitza Per configurar l’optimitzador: compile() 
 
 
 
 Comencem creant instàncies mètriques per rastrejar la nostra pèrdua i una puntuació MAE (a __init__()). Implementem un train_step() personalitzat que actualitza l'estat d'aquestes mètriques (anomenant-les update_state()), després les interroga (a través de resultats()) per retornar el seu valor mitjà actual, per ser mostrat per la barra de progrés i passar a qualsevol trucada de retorn. Tingueu en compte que hauríem de trucar reset_states() a les nostres mètriques entre cada època! En cas contrari, trucar resultats() retornaria una mitjana des de l'inici de la formació, mentre que normalment treballem amb mitjanes per època. Afortunadament, el marc pot fer això per nosaltres: només enumereu qualsevol mètriques que vulgueu restablir en la propietat de mètriques del model. El model trucarà reset_states() a qualsevol objecte que s'enumeri aquí a l'inici de cada època de fit() o al començament d'una crida per avaluar(). 
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>
 Suport i sample_weight Classificació - pes Pèrdua de pes / Weight Classificació - pes Vostè pot haver notat que el nostre primer exemple bàsic no va fer cap esment de la ponderació de la mostra. Arguments i Només hauries de fer el següent: fit() sample_weight class_weight 
 
 
 
 Unpack sample_weight de l'argument de dades Pass it to   &   (of course, you could also just apply it manually if you don't rely on   for losses & metrics) compute_loss update_state compile() Això és. 
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>
 Proporcionar el teu propi pas d'avaluació Què passa si voleu fer el mateix per a trucades a Llavors aniràs a sobrepassar De la mateixa manera.Això és el que sembla: 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
 Embolcallament: un exemple de GAN end-to-end Anem a través d'un exemple de final a final que aprofita tot el que acaba d'aprendre. Anem a considerar: 
 
 
 
 
 Una xarxa de generadors va ser dissenyat per generar 28x28x1 imatges. Una xarxa discriminatòria volia classificar les imatges de 28x28x1 en dues classes ("fals" i "real"). Un optimista per a cadascú. Una funció de pèrdua per entrenar el discriminador. 
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",
)
 Aquí teniu una classe completa de GAN, superant utilitzar la seva pròpia signatura, i implementar tot l'algoritme GAN en 17 línies en : 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(),
        }
 Anem a provar-lo a conduir: 
# 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>
 Les idees darrere de l'aprenentatge profund són simples, així que per què la seva implementació hauria de ser dolorosa? 
 
 Originalment publicat al lloc web de TensorFlow, aquest article apareix aquí sota un nou títol i està llicenciat sota CC BY 4.0. Originàriament publicat a la Aquest article apareix aquí sota un nou títol i està llicenciat sota 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.

Aquest àudio és produït a l'idioma original de la història!

Mantenir Keras fit() i entrenar el seu model el seu camí

About Author

COMENTARIS

Etiquetes penjant

AQUEST ARTICLE VA SER PRESENTAT A

Related Stories

Startups of The Year: Meet the AI Industry

Your Next Viral Article Is a Google Trend Away

TON Game ‘BANANA’ Hits 1M Users In 72 Hours

Startups of The Year: Meet the Emerging Tech Industry

Startups of The Year: Meet the AI Industry

Your Next Viral Article Is a Google Trend Away

TON Game ‘BANANA’ Hits 1M Users In 72 Hours

Startups of The Year: Meet the Emerging Tech Industry

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps