Book a Demo!
CoCalc Logo Icon
StoreFeaturesDocsShareSupportNewsAboutPoliciesSign UpSign In
tensorflow
GitHub Repository: tensorflow/docs-l10n
 Path: blob/master/site/ja/guide/migrate/checkpoint_saver.ipynb
25118 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.

継続的に「最適な」モデルまたはモデルの重み/パラメータを保存することにより、トレーニングの進行状況を追跡したり、保存されたさまざまな状態から保存されたモデルを読み込んだりできます。

TensorFlow 1 で tf.estimator.Estimator API を使用してトレーニング/検証中にチェックポイントの保存を構成するには、tf.estimator.RunConfig でスケジュールを指定するか、tf.estimator.CheckpointSaverHook を使用します。このガイドでは、このワークフローから TensorFlow 2 Keras API に移行する方法を実演します。

TensorFlow 2 では、さまざまな方法で tf.keras.callbacks.ModelCheckpoint を構成できます。

  • save_best_only=True パラメータを使用して監視された指標に従って、「最適な」バージョンを保存します。ここで、monitor は、たとえば 'loss' 、'val_loss'、'accuracy'、または 'val_accuracy'` などになります。

  • save_freq 引数を使用して特定の頻度で継続的に保存します。

  • save_weights_only を True に設定して、モデル全体ではなく重み/パラメータのみを保存します。

詳細については、tf.keras.callbacks.ModelCheckpoint API ドキュメントと、モデルの保存と読み込みチュートリアルのトレーニング中にチェックポイントを保存するセクションを参照してください。チェックポイント形式の詳細については、Keras モデルの保存と読み込みガイドの TF チェックポイント形式セクションを参照してください。さらに、フォールトトレランスを追加するには、tf.keras.callbacks.BackupAndRestore または tf.train.Checkpoint を手動チェックポイントに使用できます。詳細は、フォールトトレランス移行ガイドを参照してください。

Keras コールバックは、組み込みの Keras Model.fit/Model.evaluate/Model.predict API のトレーニング/評価/予測時のさまざまな時点で呼び出されるオブジェクトです。詳細は、ガイドの最後の 次のステップセクションを参照してください。

セットアップ

まず、インポートし、デモ用の単純なデータセットから始めます。

import tensorflow.compat.v1 as tf1
import tensorflow as tf
import numpy as np
import tempfile

mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

TensorFlow 1: tf.estimator API でチェックポイントを保存する

次の TensorFlow 1 の例は、tf.estimator.RunConfig を構成し、tf.estimator.Estimator API を使用してトレーニング/評価中にすべてのステップでチェックポイントを保存する方法を示しています。

feature_columns = [tf1.feature_column.numeric_column("x", shape=[28, 28])]

config = tf1.estimator.RunConfig(save_summary_steps=1,
                                 save_checkpoints_steps=1)

path = tempfile.mkdtemp()

classifier = tf1.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[256, 32],
    optimizer=tf1.train.AdamOptimizer(0.001),
    n_classes=10,
    dropout=0.2,
    model_dir=path,
    config = config
)

train_input_fn = tf1.estimator.inputs.numpy_input_fn(
    x={"x": x_train},
    y=y_train.astype(np.int32),
    num_epochs=10,
    batch_size=50,
    shuffle=True,
)

test_input_fn = tf1.estimator.inputs.numpy_input_fn(
    x={"x": x_test},
    y=y_test.astype(np.int32),
    num_epochs=10,
    shuffle=False
)

train_spec = tf1.estimator.TrainSpec(input_fn=train_input_fn, max_steps=10)
eval_spec = tf1.estimator.EvalSpec(input_fn=test_input_fn,
                                   steps=10,
                                   throttle_secs=0)

tf1.estimator.train_and_evaluate(estimator=classifier,
                                train_spec=train_spec,
                                eval_spec=eval_spec)

%ls {classifier.model_dir}

TensorFlow 2: Model.fit の Keras コールバックでチェックポイントを保存する

TensorFlow 2 では、組み込みの Keras Model.fit（または Model.evaluate）をトレーニング/評価に使用する場合、tf.keras. callbacks.ModelCheckpoint を作成し、それを Model.fit（または Model.evaluate）の callbacks パラメータに渡します。（詳細については、API ドキュメントと、組み込みメソッドを使用したトレーニングと評価ガイドのコールバックの使用セクションを参照してください。）

以下の例では、tf.keras.callbacks.ModelCheckpoint コールバックを使用して、チェックポイントを一時ディレクトリに保存します。

def create_model():
  return tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
  ])

model = create_model()
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'],
              steps_per_execution=10)

log_dir = tempfile.mkdtemp()

model_checkpoint_callback = tf.keras.callbacks.ModelCheckpoint(
    filepath=log_dir)

model.fit(x=x_train,
          y=y_train,
          epochs=10,
          validation_data=(x_test, y_test),
          callbacks=[model_checkpoint_callback])

%ls {model_checkpoint_callback.filepath}

次のステップ

チェックポイントの詳細については、次を参照してください。

コールバックの詳細については、次を参照してください。

次の移行関連のリソースも参照してください。