metrics_optimizers.ipynb

Kernel: Python 3

Copyright 2021 The TensorFlow Authors.

#@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.

Como migrar métricas e otimizadores

Ver em TensorFlow.org

Executar no Google Colab

Ver fonte no GitHub

Baixar notebook

No TF1, tf.metrics é o namespace da API para todas as funções de métrica. Cada uma das métricas é uma função que usa label e prediction como parâmetros de entrada e retorna o tensor da métrica correspondente como resultado. No TF2, tf.keras.metrics contém todas as funções e objetos de métrica. O objeto Metric pode ser usado com tf.keras.Model e tf.keras.layers.layer para calcular valores de métrica.

Configuração

Vamos começar com algumas importações necessárias do TensorFlow,

import tensorflow as tf
import tensorflow.compat.v1 as tf1

e preparar alguns dados simples para demonstração:

features = [[1., 1.5], [2., 2.5], [3., 3.5]]
labels = [0, 0, 1]
eval_features = [[4., 4.5], [5., 5.5], [6., 6.5]]
eval_labels = [0, 1, 1]

TF1: tf.compat.v1.metrics com Estimator

No TF1, as métricas podem ser adicionadas a EstimatorSpec como eval_metric_ops, e o op é gerado por meio de todas as funções de métricas definidas em tf.metrics. Você pode acompanhar o exemplo para ver como usar tf.metrics.accuracy.

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(2)(features)
  predictions = tf.math.argmax(input=logits, axis=1)
  loss = tf1.nn.sparse_softmax_cross_entropy_with_logits(labels=labels, logits=logits)
  optimizer = tf1.train.AdagradOptimizer(0.05)
  train_op = optimizer.minimize(loss, global_step=tf1.train.get_global_step())
  accuracy = tf1.metrics.accuracy(labels=labels, predictions=predictions)
  return tf1.estimator.EstimatorSpec(mode, 
                                     predictions=predictions,
                                     loss=loss, 
                                     train_op=train_op,
                                     eval_metric_ops={'accuracy': accuracy})

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

estimator.evaluate(_eval_input_fn)

Além disso, as métricas podem ser adicionadas ao estimador diretamente via tf.estimator.add_metrics().

def mean_squared_error(labels, predictions):
  labels = tf.cast(labels, predictions.dtype)
  return {"mean_squared_error": 
          tf1.metrics.mean_squared_error(labels=labels, predictions=predictions)}

estimator = tf1.estimator.add_metrics(estimator, mean_squared_error)
estimator.evaluate(_eval_input_fn)

TF2: API Keras Metrics com tf.keras.Model

No TF2, tf.keras.metrics contém todas as classes e funções de métricas. Elas são projetadas em estilo OOP e se integram intimamente com outras APIs tf.keras. Todas as métricas podem ser encontradas no namespace tf.keras.metrics e geralmente há um mapeamento direto entre tf.compat.v1.metrics com tf.keras.metrics.

No exemplo a seguir, as métricas são adicionadas no método model.compile(). Os usuários precisam apenas criar a instância da métrica, sem especificar o rótulo e o tensor de previsão. O modelo Keras encaminhará a saída e o rótulo do modelo para o objeto de métricas.

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)

inputs = tf.keras.Input((2,))
logits = tf.keras.layers.Dense(2)(inputs)
predictions = tf.math.argmax(input=logits, axis=1)
model = tf.keras.models.Model(inputs, predictions)
optimizer = tf.keras.optimizers.Adagrad(learning_rate=0.05)

model.compile(optimizer, loss='mse', metrics=[tf.keras.metrics.Accuracy()])

model.evaluate(eval_dataset, return_dict=True)

Com a execução antecipada (eager execution) ativada, as instâncias tf.keras.metrics.Metric podem ser usadas diretamente para avaliar dados numpy ou tensores eager. Os objetos tf.keras.metrics.Metric são containers stateful. O valor da métrica pode ser atualizado via metric.update_state(y_true, y_pred), e o resultado pode ser recuperado com metrics.result().

accuracy = tf.keras.metrics.Accuracy()

accuracy.update_state(y_true=[0, 0, 1, 1], y_pred=[0, 0, 0, 1])
accuracy.result().numpy()

accuracy.update_state(y_true=[0, 0, 1, 1], y_pred=[0, 0, 0, 0])
accuracy.update_state(y_true=[0, 0, 1, 1], y_pred=[1, 1, 0, 0])
accuracy.result().numpy()

Para mais detalhes sobre tf.keras.metrics.Metric, consulte a documentação da API em tf.keras.metrics.Metric, assim como o guia de migração.

Migração de otimizadores TF1.x para otimizadores Keras

Os otimizadores em tf.compat.v1.train, como o otimizador Adam e o otimizador de método do gradiente, têm equivalentes em tf.keras.optimizers.

A tabela abaixo resume como você pode converter esses otimizadores herdados aos seus equivalentes Keras. Você pode substituir diretamente a versão TF1.x pela versão TF2, a menos que passos adicionais (como atualizar a taxa de aprendizado padrão) sejam obrigatórios.

Observe que a conversão de seus otimizadores pode deixar os checkpoints antigos incompatíveis.

TF1.x	TF2	Passos adicionais
`tf.v1.train.GradientDescentOptimizer`	`tf.keras.optimizers.SGD`	Nenhum
`tf.v1.train.MomentumOptimizer`	`tf.keras.optimizers.SGD`	Inclua o argumento `momentum`
`tf.v1.train.AdamOptimizer`	`tf.keras.optimizers.Adam`	Renomeie os argumentos `beta1` e `beta2` para `beta_1` e `beta_2`
`tf.v1.train.RMSPropOptimizer`	`tf.keras.optimizers.RMSprop`	Renomeie o argumento `decay` para `rho`
`tf.v1.train.AdadeltaOptimizer`	`tf.keras.optimizers.Adadelta`	Nenhum
`tf.v1.train.AdagradOptimizer`	`tf.keras.optimizers.Adagrad`	Nenhum
`tf.v1.train.FtrlOptimizer`	`tf.keras.optimizers.Ftrl`	Remova os argumentos `accum_name` e `linear_name`
`tf.contrib.AdamaxOptimizer`	`tf.keras.optimizers.Adamax`	Renomeie os argumentos `beta1` e `beta2` para `beta_1` e `beta_2`
`tf.contrib.Nadam`	`tf.keras.optimizers.Nadam`	Renomeie os argumentos `beta1` e `beta2` para `beta_1` e `beta_2`

Observação: No TF2, todos os epsilons (constantes de estabilidade numérica) agora são padronizados para 1e-7 em vez de 1e-8. Essa diferença é insignificante na maioria dos casos de uso.