Book a Demo!
CoCalc Logo Icon
StoreFeaturesDocsShareSupportNewsAboutPoliciesSign UpSign In
tensorflow
GitHub Repository: tensorflow/docs-l10n
 Path: blob/master/site/pt-br/guide/migrate/checkpoint_saver.ipynb
39086 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.

Salvar continuamente o "melhor" modelo ou pesos/parâmetros do modelo traz muitos benefícios. Isto inclui a capacidade de rastrear o progresso do treinamento e carregar modelos salvos de diferentes estados salvos.

No TensorFlow 1, para configurar o salvamento de checkpoints durante o treinamento/validação com as APIs tf.estimator.Estimator, especifique um agendamento em tf.estimator.RunConfig ou use tf.estimator.CheckpointSaverHook. Este guia demonstra como migrar deste fluxo de trabalho para as APIs TensorFlow 2 Keras.

No TensorFlow 2, você pode configurar tf.keras.callbacks.ModelCheckpoint de várias maneiras:

  • Salvar a "melhor" versão de acordo com uma métrica monitorada usando o parâmetro save_best_only=True, onde monitor pode ser, por exemplo, 'loss', 'val_loss', 'accuracy', or 'val_accuracy'`.

  • Salvar continuamente numa certa frequência (usando o argumento save_freq).

  • Salve apenas os pesos/parâmetros em vez de todo o modelo definindo save_weights_only como True.

Para mais detalhes, consulte os documentos da API tf.keras.callbacks.ModelCheckpoint e a seção Salve checkpoints durante o treinamento no tutorial Como salvar e carregar modelos. Saiba mais sobre o formato Checkpoint na seção Formato Checkpoint do TF no guia Como salvar e carregar modelos Keras. Além disso, para incluir tolerância a falhas, você pode usar tf.keras.callbacks.BackupAndRestore ou tf.train.Checkpoint para aplicar checkpoints manualmente. Saiba mais no Guia de migração de tolerância a falhas.

Os callbacks do Keras são objetos que são chamados em diferentes pontos durante o treinamento/avaliação/previsão nas APIs integradas Keras Model.fit/Model.evaluate/Model.predict. Saiba mais na seção Próximas etapas no final do guia.

Configuração

Comece com os imports e um dataset simples para fins de demonstração:

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: salve checkpoints com APIs tf.estimator

Este exemplo do TensorFlow 1 mostra como configurar tf.estimator.RunConfig para salvar checkpoints em cada passo durante o treinamento/avaliação com as APIs tf.estimator.Estimator:

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: salve checkpoints com um callback Keras para Model.fit

No TensorFlow 2, quando voce usa o Keras Model.fit integrado (ou Model.evaluate) para treinamento/avaliação, você pode configurar tf.keras.callbacks.ModelCheckpoint e passá-lo para o parâmetro callbacks de Model.fit (ou Model.evaluate). (Saiba mais na documentação da API e na seção Usando callbacks no guia Treinamento e avaliação com métodos integrados.)

No exemplo abaixo, você usará um callback tf.keras.callbacks.ModelCheckpoint para armazenar checkpoints num diretório temporário:

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}

Próximos passos

Saiba mais sobre o uso de checkpoints em:

Saiba mais sobre callbacks em:

Você talvez também ache úteis os seguintes recursos relacionados à migração: