Path: blob/master/site/pt-br/guide/migrate/migrate_tf2.md
25118 views
Visão geral da migração TF1.x -> TF2
O TensorFlow 2 é fundamentalmente diferente do TF1.x de várias maneiras. Você ainda pode executar código TF1.x não modificado (exceto para contrib) em instalações binárias TF2 da seguinte forma:
No entanto, isto não executa APIs nem comportamentos do TF2 e pode não funcionar como esperado com código escrito para o TF2. Se você não estiver executando com comportamentos ativos do TF2, estará na prática executando o TF1.x sobre uma instalação TF2. Leia o Guia de comportamentos TF1 vs TF2 para obter mais sobre como TF2 difere do TF1.x.
Este guia fornece uma visão geral do processo para migrar seu código de TF1.x para TF2. Isto vai permitir que você aproveite as melhorias dos recursos novos e futuros e também vai deixar seu código mais simples, com melhor desempenho e mais fácil de manter.
Se você estiver usando as APIs de alto nível tf.keras e treinando exclusivamente com model.fit, seu código deve ser mais ou menos compatível com TF2, exceto pelas seguintes ressalvas:
O TF2 tem novas taxas de aprendizado padrão para otimizadores Keras.
O TF2 pode ter alterado o "nome" onde as métricas são registradas em log.
Processo de migração do TF2
Antes de migrar, aprenda sobre o comportamento e as diferenças de API entre TF1.x e TF2 lendo o guia.
Execute o script automatizado para converter parte do uso da sua API TF1.x para
tf.compat.v1.Remova símbolos
tf.contribantigos (verifique TF Addons e TF-Slim).Faça com que os passos para frente do modelo TF1.x sejam executados no TF2 com a execução antecipada (eager) ativada.
Faça upgrade do seu código TF1.x para loops de treinamento e salvamento/carga de modelos para seus equivalentes no TF2.
(Opcional) Migre suas APIs
tf.compat.v1, compatíveis com TF2, para APIs TF2 idiomáticas.
As seções a seguir expandem as etapas descritas acima.
Execute o script de conversão de símbolos
Isto executa um passo inicial para reescrever seus símbolos de código para executar em binários TF 2.x, mas não vai deixar seu código idiomático para o TF 2.x nem automaticamente tornará seu código compatível com os comportamentos do TF2.
Seu código provavelmente ainda fará uso de endpoints tf.compat.v1 para acessar placeholders, sessões, coleções e outras funcionalidades do estilo TF1.x.
Leia o guia para saber mais sobre as práticas recomendadas para usar o script de conversão de símbolos.
Remova o uso de tf.contrib
O módulo tf.contrib foi desativado e vários de seus submódulos foram integrados ao core da API TF2. Os outros submódulos agora são derivados de outros projetos como TF IO e TF Addons.
Uma grande quantidade de código TF1.x mais antigo usa a biblioteca Slim, que foi empacotada com TF1.x como tf.contrib.layers. Ao migrar seu código Slim para TF2, mude seus usos da API Slim para apontar para o pacote pip tf-slim. Em seguida, leia o Guia de mapeamento de modelos para saber como converter o código Slim.
Como alternativa, se você usar modelos pré-treinados do Slim, considere experimentar os modelos pré-treinados do Keras em tf.keras.applications ou o TF2 SavedModel do TF Hub, exportado do código Slim original.
Faça com que os passos para frente do modelo TF1.x sejam executados com os comportamentos TF2 ativados
Rastreie variáveis e perdas
O TF2 não oferece suporte a coleções globais.
A execução antecipada (eager) no TF2 não oferece suporte a APIs baseadas em coleções tf.Graph. Isto afeta como você constrói e controla as variáveis.
Para o novo código TF2, você usaria tf.Variable em vez de v1.get_variable e usaria objetos Python para coletar e rastrear variáveis em vez de tf.compat.v1.variable_scope. Normalmente, isto seria um dos seguintes:
tf.keras.layers.Layertf.keras.Modeltf.Module
Agregue listas de variáveis (como tf.Graph.get_collection(tf.GraphKeys.VARIABLES)) com os atributos .variables e .trainable_variables dos objetos Layer, Module ou Model.
As classes Layer e Model implementam várias outras propriedades que eliminam a necessidade de coleções globais. A propriedade .losses pode substituir o uso da coleção tf.GraphKeys.LOSSES.
Leia o guia de mapeamento de modelos para saber mais sobre como usar os shims de modelagem de código TF2 para incorporar seu código existente baseado em get_variable e variable_scope dentro de Layers, Models e Modules. Isso permitirá que você execute passes avançados com execução antecipada (eager) ativada sem precisar fazer grandes alterações.
Adaptação a outras mudanças de comportamento
Se o guia de mapeamento de modelos por si só for insuficiente para que seu modelo passe adiante executando outras mudanças de comportamento que podem ser mais detalhadas, consulte o guia sobre comportamentos TF1.x vs TF2 para aprender sobre as outras mudanças de comportamento e como você pode se adaptar a elas. Verifique também o guia de criação de novas camadas e modelos por meio de subclasses para mais detalhes.
Validando seus resultados
Consulte o guia de validação de modelos para obter ferramentas fáceis de usar e orientação sobre como você pode (numericamente) validar se seu modelo está se comportando corretamente quando a execução antecipada (eager) é ativada. Você pode achar isso especialmente útil quando combinado com o guia de mapeamento de modelos.
Atualize o treinamento, avaliação e código de importação/exportação
Os loops de treinamento do TF1.x criados com objetos tf.estimator.Estimator em estilo v1.Session e outras abordagens baseadas em coleções, não são compatíveis com os novos comportamentos do TF2. É importante que você migre todo o seu código de treinamento TF1.x, pois combiná-lo com o código TF2 pode causar comportamentos inesperados.
Você pode escolher dentre várias estratégias.
A abordagem de nível mais alto é usar tf.keras. As funções de alto nível em Keras gerenciam muitos detalhes de baixo nível que podem ser fáceis de perder se você escrever seu próprio loop de treinamento. Por exemplo, eles coletam automaticamente as perdas de regularização e definem o argumento training=True ao chamar o modelo.
Consulte o Guia de migração do Estimator para saber como migrar o código tf.estimator.Estimator para usar os loops de treinamento vanilla e tf.keras personalizados.
Os loops de treinamento personalizados oferecem um controle mais preciso sobre seu modelo, como o rastreamento dos pesos de camadas individuais. Leia o guia sobre como criar loops de treinamento do zero para aprender a usar tf.GradientTape para recuperar pesos de modelo e usá-los para atualizar o modelo.
Converta otimizadores TF1.x em otimizadores Keras
Os otimizadores em tf.compat.v1.train, como o otimizador Adam e o otimizador de método do gradiente descendente, 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.
Faça upgrade dos pipelines de entrada de dados
Há muitas maneiras de alimentar dados para um modelo tf.keras. Eles aceitarão geradores Python e matrizes Numpy como entrada.
A maneira recomendada de alimentar um modelo com dados é usar o pacote tf.data, que contém uma coleção de classes de alto desempenho para manipulação de dados. Os dataset pertencentes a tf.data são eficientes, expressivos e integram-se bem com o TF2.
Eles podem ser passados diretamente para o método tf.keras.Model.fit.
Você pode iterar sobre eles diretamente no Python padrão:
Se você ainda estiver usando tf.queue, eles agora são suportados apenas como estruturas de dados, não como pipelines de entrada.
Você também deve migrar todo o código de pré-processamento de características que usa tf.feature_columns. Leia o guia de migração para mais detalhes.
Salvando e carregando modelos
O TF2 usa checkpoints baseados em objeto. Leia o guia de migração de checkpoints para saber mais sobre a migração de checkpoints TF1.x baseados em nomes. Leia também o guia de checkpoints nos documentos principais do TensorFlow.
Não há questões significativas de compatibilidade para os modelos salvos. Leia o guia SavedModel para mais informações sobre como migrar SavedModels do TF1.x para TF2. Em geral,
Os saved_models do TF1.x funcionam no TF2.
Os saved_models do TF2 funcionam no TF1.x se todas as operações forem suportadas.
Consulte também a seção GraphDef no guia de migração SavedModel para mais informações sobre como trabalhar com objetos Graph.pb e Graph.pbtxt.
(Opcional) Migre símbolos tf.compat.v1
O módulo tf.compat.v1 contém a API TF1.x completa, com sua semântica original.
Mesmo depois de seguir as etapas acima e terminar com um código totalmente compatível com todos os comportamentos do TF2, é provável que ainda haja muitas menções a APIs compat.v1 que acabam sendo compatíveis com o TF2. Você deve evitar usar essas APIs compat.v1 legadas para qualquer novo código que escrever, embora elas continuem funcionando para seu código já escrito.
No entanto, você pode optar por migrar os usos existentes para as novas APIs do TF2. As docstrings de símbolos compat.v1 individuais geralmente explicam como migrá-los para as novas APIs do TF2. Além disso, a seção do guia de mapeamento de modelos sobre migração incremental para APIs TF2 idiomáticas também pode ser útil.
Recursos e leitura adicional
Conforme mencionado anteriormente, é uma boa prática migrar todo o seu código TF1.x para TF2. Leia os guias na seção Como migrar para o TF2 do guia do TensorFlow para saber mais.