Book a Demo!
CoCalc Logo Icon
StoreFeaturesDocsShareSupportNewsAboutPoliciesSign UpSign In
tensorflow
GitHub Repository: tensorflow/docs-l10n
 Path: blob/master/site/es-419/guide/migrate/migrating_estimator.ipynb
39122 views
Kernel: Python 3
#@title Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

Esta guía muestra cómo migrar de las API tf.estimator.Estimator de TensorFlow 1 a las API tf.keras de TensorFlow 2. En primer lugar, prepararás y ejecutarás un modelo básico de entrenamiento y evaluación con tf.estimator.Estimator. A continuación, realizarás los pasos equivalentes en TensorFlow 2 con las API tf.keras. También aprenderás a personalizar el paso de entrenamiento subclasificando tf.keras.Model y usando tf.GradientTape.

  • En TensorFlow 1, las API de alto nivel tf.estimator.Estimator te permiten entrenar y evaluar un modelo, así como realizar inferencias y guardar tu modelo (para servirlo).

  • En TensorFlow 2, usa las APIs Keras para realizar las tareas mencionadas, como construcción de modelos, aplicación de gradientes, entrenamiento, evaluación y predicción.

(Para migrar flujos de trabajo de guardado de modelos/puntos de verificación a TensorFlow 2, consulta las guías de migración SavedModel y Checkpoint).

Preparación

Empieza con imports y un conjunto de datos sencillo:

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.

Empieza definiendo unas cuantas 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 indique al Estimator cómo se define la op de entrenamiento con las características y las 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)

Instancia tu Estimator, y entrena el modelo:

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

Evalúa el programa con el conjunto de evaluación:

estimator.evaluate(_eval_input_fn)

TensorFlow 2: Entrenar y evaluar con los métodos Keras incorporados

Este ejemplo muestra cómo realizar el entrenamiento y la evaluación con Model.fit y Model.evaluate de Keras en TensorFlow 2. (Puedes obtener más información en la guía Entrenamiento y evaluación con los métodos incorporados.)

  • Para empezar, prepara la canalización del conjunto de datos con las API tf.data.Dataset.

  • Define un modelo Keras sencillo Sequential con una capa lineal (tf.keras.layers.Dense).

  • Instancia un optimizador Adagrad (tf.keras.optimizers.Adagrad).

  • Configura el modelo para el entrenamiento pasando la variable optimizer y la pérdida de 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")

Una vez hecho esto, ya puedes entrenar el modelo llamando a Model.fit:

model.fit(dataset)

Por último, evalúa el modelo con Model.evaluate:

model.evaluate(eval_dataset, return_dict=True)

TensorFlow 2: Entrena y evalúa con un paso de entrenamiento personalizado y métodos Keras integrados

En TensorFlow 2, también puedes escribir tu propia función de pasos de entrenamiento personalizada con tf.GradientTape para realizar pasadas hacia delante y hacia atrás, sin dejar de aprovechar el soporte de entrenamiento incorporado, como tf.keras.callbacks.Callback y tf.distribute.Strategy. (Más información en Cómo personalizar lo que ocurre en Model.fit y Cómo escribir bucles de entrenamiento personalizados desde cero).

En este ejemplo, empieza por crear un tf.keras.Model personalizado subclasificando tf.keras.Sequential que anule Model.train_step (aprende más sobre hacer subclases de tf.keras.Model). Dentro de esa clase, define una función personalizada train_step que, para cada lote de datos, realice una pasada hacia delante y otra 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}

Luego, como antes:

  • Prepara la canalización del conjunto de datos con tf.data.Dataset.

  • Define un modelo sencillo con una capa tf.keras.layers.Dense.

  • Instancia Adagrad (tf.keras.optimizers.Adagrad)

  • Configura el modelo para el entrenamiento con Model.compile, usando el error cuadrático medio ("mse") como función de pérdida.

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)

Y, por último, evalúa el programa con Model.evaluate:

model.evaluate(eval_dataset, return_dict=True)