 Esegui
questo tutorial come blocco note in Colab
|
Visualizza il notebook su GitHub
|
Questo tutorial mostra come addestrare una rete neurale su AI Platform utilizzando l'API sequenziale Keras e come fornire previsioni da quel modello.
Keras è un'API di alto livello per la creazione e l'addestramento di modelli di deep learning. tf.keras è l'implementazione di questa API in TensorFlow.
Le prime due parti del tutorial illustrano l'addestramento di un modello su AI Platform utilizzando codice Keras precompilato, il deployment del modello addestrato su AI Platform e la pubblicazione di previsioni online dal modello di cui è stato eseguito il deployment.
L'ultima parte del tutorial analizza il codice di addestramento utilizzato per questo modello e ne garantisce la compatibilità con AI Platform. Per saperne di più sulla creazione di modelli di machine learning in Keras in generale, consulta i tutorial di Keras di TensorFlow.
Set di dati
Questo tutorial utilizza il set di dati sul reddito del censimento degli Stati Uniti fornito dal repository UC Irvine Machine Learning. Questo set di dati contiene informazioni su persone di un database del censimento del 1994, tra cui età, istruzione, stato civile, professione e se guadagnano più di 50.000 $all'anno.
Obiettivo
L'obiettivo è addestrare una rete neurale profonda (DNN) utilizzando Keras che preveda se una persona guadagna più di 50.000 $all'anno (etichetta target) in base ad altre informazioni del censimento sulla persona (funzionalità).
Questo tutorial si concentra più sull'utilizzo di questo modello con AI Platform che sul design del modello stesso. Tuttavia, è sempre importante pensare ai potenziali problemi e alle conseguenze indesiderate durante la creazione di sistemi di machine learning. Consulta l'esercizio del Machine Learning Crash Course sull'equità per scoprire le fonti di bias nel set di dati del censimento, nonché l'equità del machine learning in generale.
Costi
Questo tutorial utilizza i componenti fatturabili di Google Cloud (Google Cloud):
- AI Platform Training
- AI Platform Prediction
- Cloud Storage
Scopri di più sui prezzi di AI Platform Training, su quelli di AI Platform Prediction e su quelli di Cloud Storage e utilizza il Calcolatore prezzi per generare una stima dei costi in base all'utilizzo previsto.
Prima di iniziare
Prima di poter addestrare e implementare un modello in AI Platform, devi svolgere diverse operazioni:
- Configura l'ambiente di sviluppo locale.
- Configura un progetto Google Cloud con la fatturazione e le API necessarie attivate.
- Crea un bucket Cloud Storage per archiviare il pacchetto di addestramento e il modello addestrato.
Configura l'ambiente di sviluppo locale
Per completare questo tutorial, devi disporre di quanto segue:
- Git
- Python 3
- virtualenv
- Google Cloud SDK
La guida di Google Cloud alla configurazione di un ambiente di sviluppo Python fornisce istruzioni dettagliate per soddisfare questi requisiti. I passaggi riportati di seguito forniscono un insieme di istruzioni condensate:
Installa virtualenv e crea un ambiente virtuale che utilizzi Python 3.
Attiva l'ambiente.
Completa i passaggi descritti nella sezione seguente per installare l'Google Cloud SDK.
Configurare il progetto Google Cloud
- Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the AI Platform Training & Prediction and Compute Engine APIs.
- Install the Google Cloud CLI.
-
To initialize the gcloud CLI, run the following command:
gcloud init -
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the AI Platform Training & Prediction and Compute Engine APIs.
- Install the Google Cloud CLI.
-
To initialize the gcloud CLI, run the following command:
gcloud init
Autentica il tuo account Google Cloud
Per configurare l'autenticazione, devi creare una chiave dell'account di servizio e impostare una variabile di ambiente per il percorso del file della chiave dell'account di servizio.
-
Crea un account di servizio:
-
Nella console Google Cloud, vai alla pagina Crea account di servizio.
- Inserisci un nome nel campo Nome account di servizio.
- (Facoltativo) Nel campo Descrizione account di servizio, inserisci una descrizione.
- Fai clic su Crea.
- Fai clic sul campo Seleziona un ruolo. In Tutti i ruoli, seleziona AI Platform > Amministratore AI Platform.
- Fai clic su Aggiungi un altro ruolo.
-
Fai clic sul campo Seleziona un ruolo. In Tutti i ruoli, seleziona Storage > Storage Object Admin.
-
Fai clic su Fine per creare l'account di servizio.
Non chiudere la finestra del browser. Lo utilizzerai nel passaggio successivo.
-
-
Crea una chiave dell'account di servizio per l'autenticazione:
- Nella console Google Cloud, fai clic sull'indirizzo email dell'account di servizio che hai creato.
- Fai clic su Chiavi.
- Fai clic su Aggiungi chiave, quindi su Crea nuova chiave.
- Fai clic su Crea. Un file della chiave JSON viene scaricato sul computer.
- Fai clic su Chiudi.
-
Imposta la variabile di ambiente GOOGLE_APPLICATION_CREDENTIALS sul percorso del file JSON contenente la chiave dell'account di servizio. Questa variabile si applica solo alla sessione di shell corrente, quindi se apri una nuova sessione, imposta di nuovo la variabile.
Crea un bucket Cloud Storage
Quando invii un job di addestramento utilizzando l'Cloud SDK, carichi un pacchetto Python contenente il codice di addestramento in un bucket Cloud Storage. AI Platform esegue il codice di questo pacchetto. In questo tutorial, AI Platform salva anche il modello addestrato generato dal job nello stesso bucket. Puoi quindi creare una versione del modello AI Platform basata su questo output per pubblicare le previsioni online.
Imposta il nome del bucket Cloud Storage come variabile di ambiente. Deve essere univoco in tutti i bucket Cloud Storage:
BUCKET_NAME="your-bucket-name"
Seleziona una regione in cui sono disponibili AI Platform Training e AI Platform Prediction e crea un'altra variabile di ambiente. Ad esempio:
REGION="us-central1"
Crea il bucket Cloud Storage in questa regione e, in un secondo momento, utilizza la stessa regione per l'addestramento e la previsione. Esegui il comando seguente per creare il bucket se non esiste già:
gsutil mb -l $REGION gs://$BUCKET_NAME
Guida rapida all'addestramento in AI Platform
Questa sezione del tutorial illustra la procedura per inviare un job di addestramento ad AI Platform. Questo job esegue codice campione che utilizza Keras per addestrare una rete neurale profonda sui dati del censimento degli Stati Uniti. Il modello addestrato viene visualizzato come directory SavedModel di TensorFlow nel bucket Cloud Storage.
Ricevi il codice di addestramento e le dipendenze
Innanzitutto, scarica il codice di addestramento e modifica la directory di lavoro:
# Clone the repository of AI Platform samples
git clone --depth 1 https://github.com/GoogleCloudPlatform/cloudml-samples
# Set the working directory to the sample code directory
cd cloudml-samples/census/tf-keras
Tieni presente che il codice di addestramento è strutturato come pacchetto Python nella sottodirectory trainer/:
# `ls` shows the working directory's contents. The `p` flag adds trailing
# slashes to subdirectory names. The `R` flag lists subdirectories recursively.
ls -pR
.: README.md requirements.txt trainer/ ./trainer: __init__.py model.py task.py util.py
Successivamente, installa le dipendenze Python necessarie per addestrare il modello localmente:
pip install -r requirements.txt
Quando esegui il job di addestramento in AI Platform, le dipendenze vengono preinstallate in base alla versione del runtime che scegli.
Addestrare il modello localmente
Prima di eseguire l'addestramento su AI Platform, addestralo localmente per verificare che la struttura e il packaging dei file siano corretti.
Per un job complesso o che richiede molte risorse, ti consigliamo di eseguire l'addestramento localmente su un piccolo campione del tuo set di dati per verificare il codice. A questo punto puoi eseguire il job su AI Platform per l'addestramento sull'intero set di dati.
Questo esempio esegue un job relativamente rapido su un set di dati di piccole dimensioni, pertanto l'addestramento locale e il job di AI Platform eseguono lo stesso codice sugli stessi dati.
Esegui il seguente comando per addestrare un modello in locale:
# This is similar to `python -m trainer.task --job-dir local-training-output`
# but it better replicates the AI Platform environment, especially
# for distributed training (not applicable here).
gcloud ai-platform local train \
--package-path trainer \
--module-name trainer.task \
--job-dir local-training-output
Osserva l'avanzamento dell'addestramento nella shell. Al termine, l'applicazione di addestramento esporta il modello addestrato e stampa un messaggio simile al seguente:
Model exported to: local-training-output/keras_export/1553709223
Addestrare il modello utilizzando AI Platform
Invia un job di addestramento ad AI Platform. Viene eseguito il modulo di addestramento nel cloud ed esportato il modello addestrato in Cloud Storage.
Innanzitutto, assegna un nome al job di addestramento e scegli una directory all'interno del tuo bucket Cloud Storage per salvare i file intermedi e di output. Impostali come variabili di ambiente. Ad esempio:
JOB_NAME="my_first_keras_job"
JOB_DIR="gs://$BUCKET_NAME/keras-job-dir"
Esegui il seguente comando per pacchettizzare la directory trainer/, caricarla nel --job-dir specificato e indicare ad AI Platform di eseguire il modulo trainer.task da quel pacchetto.
Il flag --stream-logs ti consente di visualizzare i log di addestramento nella shell. Puoi anche visualizzare i log e altri dettagli del job nella Google Cloud Console.
gcloud ai-platform jobs submit training $JOB_NAME \
--package-path trainer/ \
--module-name trainer.task \
--region $REGION \
--python-version 3.7 \
--runtime-version 1.15 \
--job-dir $JOB_DIR \
--stream-logs
L'operazione potrebbe richiedere più tempo rispetto all'addestramento locale, ma puoi osservare lo stato di avanzamento dell'addestramento nella shell in modo simile. Al termine, il job di addestramento esporta il modello addestrato nel tuo bucket Cloud Storage e stampa un messaggio come seguente:
INFO 2019-03-27 17:57:11 +0000 master-replica-0 Model exported to: gs://your-bucket-name/keras-job-dir/keras_export/1553709421 INFO 2019-03-27 17:57:11 +0000 master-replica-0 Module completed; cleaning up. INFO 2019-03-27 17:57:11 +0000 master-replica-0 Clean up finished. INFO 2019-03-27 17:57:11 +0000 master-replica-0 Task completed successfully.
Ottimizzazione degli iperparametri
Se vuoi, puoi eseguire l'ottimizzazione degli iperparametri utilizzando il file di configurazione hptuning_config.yaml incluso. Questo file indica ad AI Platform di ottimizzare le dimensioni del batch e il tasso di apprendimento per l'addestramento su più prove per massimizzare l'accuratezza.
In questo esempio, il codice di addestramento utilizza un callback di TensorBoard, che crea Summary
Event di TensorFlow
durante l'addestramento. AI Platform utilizza questi eventi per monitorare la metrica che vuoi ottimizzare. Scopri di più sull'ottimizzazione degli iperparametri in
AI Platform Training.
gcloud ai-platform jobs submit training ${JOB_NAME}_hpt \
--config hptuning_config.yaml \
--package-path trainer/ \
--module-name trainer.task \
--region $REGION \
--python-version 3.7 \
--runtime-version 1.15 \
--job-dir $JOB_DIR \
--stream-logs
Guida rapida per le previsioni online in AI Platform
Questa sezione mostra come utilizzare AI Platform e il modello addestrato della sezione precedente per prevedere la fascia di reddito di una persona da altre informazioni del censimento su di lei.
Creare risorse di modelli e versioni in AI Platform
Per pubblicare le previsioni online utilizzando il modello che hai addestrato ed esportato nel quickstart per l'addestramento, crea una risorsa modello in AI Platform e una risorsa versione al suo interno. La risorsa versione è quella che utilizza effettivamente il modello addestrato per eseguire le previsioni. Questa struttura ti consente di modificare e addestrare nuovamente il modello molte volte e di organizzare tutte le versioni in AI Platform. Scopri di più su modelli e versioni.
Per prima cosa, assegna un nome e crea la risorsa modello:
MODEL_NAME="my_first_keras_model"
gcloud ai-platform models create $MODEL_NAME \
--regions $REGION
Created ml engine model [projects/your-project-id/models/my_first_keras_model].
Crea quindi la versione del modello. Il job di addestramento della guida di avvio rapido per l'addestramento ha esportato una directory SavedModel di TensorFlow con timestamp nel tuo bucket Cloud Storage. AI Platform utilizza questa directory per creare una versione del modello. Scopri di più su SavedModel e AI Platform.
Potresti riuscire a trovare il percorso di questa directory nei log del job di addestramento. Cerca una riga simile alla seguente:
Model exported to: gs://your-bucket-name/keras-job-dir/keras_export/1545439782
Esegui il seguente comando per identificare la directory SavedModel e utilizzarla per creare una risorsa di versione del modello:
MODEL_VERSION="v1"
# Get a list of directories in the `keras_export` parent directory. Then pick
# the directory with the latest timestamp, in case you've trained multiple
# times.
SAVED_MODEL_PATH=$(gsutil ls $JOB_DIR/keras_export | head -n 1)
# Create model version based on that SavedModel directory
gcloud ai-platform versions create $MODEL_VERSION \
--model $MODEL_NAME \
--region $REGION \
--runtime-version 1.15 \
--python-version 3.7 \
--framework tensorflow \
--origin $SAVED_MODEL_PATH
Preparare l'input per la previsione
Per ricevere previsioni valide e utili, devi pre-elaborare l'input per la previsione nello stesso modo in cui sono stati pre-elaborati i dati di addestramento. In un sistema di produzione, ti consigliamo di creare una pipeline di preelaborazione che possa essere utilizzata in modo identico durante l'addestramento e la previsione.
Per questo esercizio, utilizza il codice di caricamento dei dati del pacchetto di addestramento per selezionare un campione casuale dai dati di valutazione. Questi dati sono nel formato utilizzato per valutare l'accuratezza dopo ogni epoca di addestramento, pertanto possono essere utilizzati per inviare le previsioni del test senza ulteriore preelaborazione.
Apri l'interprete Python (python) dalla directory di lavoro corrente per eseguire i prossimi snippet di codice:
from trainer import util
_, _, eval_x, eval_y = util.load_data()
prediction_input = eval_x.sample(20)
prediction_targets = eval_y[prediction_input.index]
prediction_input
| età | workclass | education_num | marital_status | professione | relazione | gara | capital_gain | capital_loss | hours_per_week | native_country | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1979 | 0,901213 | 1 | 1,525542 | 2 | 9 | 0 | 4 | -0.144792 | -0,217132 | -0,437544 | 38 |
| 2430 | -0,922154 | 3 | -0.419265 | 4 | 2 | 3 | 4 | -0.144792 | -0,217132 | -0,034039 | 38 |
| 4214 | -1.213893 | 3 | -0.030304 | 4 | 10 | 1 | 4 | -0.144792 | -0,217132 | 1,579979 | 38 |
| 10389 | -0.630415 | 3 | 0,358658 | 4 | 0 | 3 | 4 | -0.144792 | -0,217132 | -0.679647 | 38 |
| 14525 | -1,505632 | 3 | -1,586149 | 4 | 7 | 3 | 0 | -0.144792 | -0,217132 | -0,034039 | 38 |
| 15040 | -0,119873 | 5 | 0,358658 | 2 | 2 | 0 | 4 | -0.144792 | -0,217132 | -0.841048 | 38 |
| 8409 | 0,244801 | 3 | 1,525542 | 2 | 9 | 0 | 4 | -0.144792 | -0,217132 | 1,176475 | 6 |
| 10628 | 0,098931 | 1 | 1,525542 | 2 | 9 | 0 | 4 | 0,886847 | -0,217132 | -0,034039 | 38 |
| 10942 | 0,390670 | 5 | -0.030304 | 2 | 4 | 0 | 4 | -0.144792 | -0,217132 | 4.727315 | 38 |
| 5129 | 1,120017 | 3 | 1,136580 | 2 | 12 | 0 | 4 | -0.144792 | -0,217132 | -0,034039 | 38 |
| 2096 | -1.286827 | 3 | -0.030304 | 4 | 11 | 3 | 4 | -0.144792 | -0,217132 | -1.648058 | 38 |
| 12463 | -0,703350 | 3 | -0.419265 | 2 | 7 | 5 | 4 | -0.144792 | 4,502280 | -0,437544 | 38 |
| 8528 | 0,536539 | 3 | 1,525542 | 4 | 3 | 4 | 4 | -0.144792 | -0,217132 | -0,034039 | 38 |
| 7093 | -1,359762 | 3 | -0.419265 | 4 | 6 | 3 | 2 | -0.144792 | -0,217132 | -0,034039 | 38 |
| 12565 | 0,536539 | 3 | 1,136580 | 0 | 11 | 2 | 2 | -0.144792 | -0,217132 | -0,034039 | 38 |
| 5655 | 1,338821 | 3 | -0.419265 | 2 | 2 | 0 | 4 | -0.144792 | -0,217132 | -0,034039 | 38 |
| 2322 | 0,682409 | 3 | 1,136580 | 0 | 12 | 3 | 4 | -0.144792 | -0,217132 | -0,034039 | 38 |
| 12652 | 0,025997 | 3 | 1,136580 | 2 | 11 | 0 | 4 | -0.144792 | -0,217132 | 0,369465 | 38 |
| 4755 | -0,411611 | 3 | -0.419265 | 2 | 11 | 0 | 4 | -0.144792 | -0,217132 | 1,176475 | 38 |
| 4413 | 0,390670 | 6 | 1,136580 | 4 | 4 | 1 | 4 | -0.144792 | -0,217132 | -0,034039 | 38 |
Tieni presente che i campi di tipo categoria, come occupation, sono già stati convertiti in interi (con la stessa mappatura utilizzata per l'addestramento). I campi numerici, come age, sono stati scalati in base a un punteggio z.
Alcuni campi sono stati rimossi dai dati originali. Confronta l'input della previsione con i dati non elaborati per gli stessi esempi:
import pandas as pd
_, eval_file_path = util.download(util.DATA_DIR)
raw_eval_data = pd.read_csv(eval_file_path,
names=util._CSV_COLUMNS,
na_values='?')
raw_eval_data.iloc[prediction_input.index]
| età | workclass | fnlwgt | education | education_num | marital_status | professione | relazione | gara | genere | capital_gain | capital_loss | hours_per_week | native_country | income_bracket | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1979 | 51 | Local-gov | 99064 | Masters | 14 | Married-civ-spouse | Prof-specialty | Marito | Bianco | Uomo | 0 | 0 | 35 | Stati Uniti | <=50.000 |
| 2430 | 26 | Privato | 197967 | HS-grad | 9 | Mai sposati | Riparazione-articoli-da-cucina | Figlio | Bianco | Uomo | 0 | 0 | 40 | Stati Uniti | <=50.000 |
| 4214 | 22 | Privato | 221694 | Università | 10 | Mai sposati | Protective-serv | Non fa parte del gruppo Famiglia | Bianco | Uomo | 0 | 0 | 60 | Stati-Uniti | <=50.000 |
| 10389 | 30 | Privato | 96480 | Assoc-voc | 11 | Mai sposati | Amm-clerical | Figlio | Bianco | Donna | 0 | 0 | 32 | Stati Uniti | <=50.000 |
| 14525 | 18 | Privato | 146225 | 10 | 6 | Mai sposati | Altro servizio | Figlio | Amer-Indian-Eskimo | Donna | 0 | 0 | 40 | Stati Uniti | <=50.000 |
| 15040 | 37 | Self-emp-not-inc | 50096 | Assoc-voc | 11 | Married-civ-spouse | Riparazione-articoli-da-cucina | Marito | Bianco | Uomo | 0 | 0 | 30 | Stati Uniti | <=50.000 |
| 8409 | 42 | Privato | 102988 | Masters | 14 | Married-civ-spouse | Prof-specialty | Marito | Bianco | Uomo | 0 | 0 | 55 | Ecuador | >50.000 |
| 10628 | 40 | Local-gov | 284086 | Masters | 14 | Married-civ-spouse | Prof-specialty | Marito | Bianco | Uomo | 7688 | 0 | 40 | Stati Uniti | Più di 50.000 |
| 10942 | 44 | Self-emp-not-inc | 52505 | Università | 10 | Married-civ-spouse | Agricoltura e pesca | Marito | Bianco | Uomo | 0 | 0 | 99 | Stati Uniti | <=50.000 |
| 5129 | 54 | Privato | 106728 | Lauree | 13 | Married-civ-spouse | Assistenza tecnica | Marito | Bianco | Uomo | 0 | 0 | 40 | Stati Uniti | <=50.000 |
| 2096 | 21 | Privato | 190916 | Università | 10 | Mai sposati | Vendite | Figlio | Bianco | Donna | 0 | 0 | 20 | Stati Uniti | <=50.000 |
| 12463 | 29 | Privato | 197565 | HS-grad | 9 | Married-civ-spouse | Altro servizio | Moglie | Bianco | Donna | 0 | 1902 | 35 | Stati-Uniti | Più di 50.000 |
| 8528 | 46 | Privato | 193188 | Masters | 14 | Mai sposati | Esecutivo-direttivo | Non sposato | Bianco | Uomo | 0 | 0 | 40 | Stati Uniti | <=50.000 |
| 7093 | 20 | Privato | 273147 | HS-grad | 9 | Mai sposati | Machine-op-inspct | Figlio | Nero | Uomo | 0 | 0 | 40 | Stati Uniti | <=50.000 |
| 12565 | 46 | Privato | 203653 | Lauree | 13 | Divorziato | Vendite | Altro-relativo | Nero | Uomo | 0 | 0 | 40 | Stati Uniti | <=50.000 |
| 5655 | 57 | Privato | 174662 | HS-grad | 9 | Married-civ-spouse | Riparazione-articoli-da-cucina | Marito | Bianco | Uomo | 0 | 0 | 40 | Stati Uniti | <=50.000 |
| 2322 | 48 | Privato | 232149 | Lauree | 13 | Divorziato | Assistenza tecnica | Figlio | Bianco | Donna | 0 | 0 | 40 | Stati Uniti | <=50.000 |
| 12652 | 39 | Privato | 82521 | Lauree | 13 | Married-civ-spouse | Vendite | Marito | Bianco | Uomo | 0 | 0 | 45 | Stati-Uniti | Più di 50.000 |
| 4755 | 33 | Privato | 330715 | HS-grad | 9 | Married-civ-spouse | Vendite | Marito | Bianco | Uomo | 0 | 0 | 55 | Stati-Uniti | <=50.000 |
| 4413 | 44 | Stato-gov | 128586 | Lauree | 13 | Mai sposati | Agricoltura e pesca | Non fa parte del gruppo Famiglia | Bianco | Uomo | 0 | 0 | 40 | Stati Uniti | <=50.000 |
Esporta l'input di previsione in un file JSON delimitato da una nuova riga:
import json
with open('prediction_input.json', 'w') as json_file:
for row in prediction_input.values.tolist():
json.dump(row, json_file)
json_file.write('\n')
Esci dall'interprete Python (exit()). Dalla shell, esamina
prediction_input.json:
cat prediction_input.json
[0.9012127751273994, 1.0, 1.525541514460902, 2.0, 9.0, 0.0, 4.0, -0.14479173735784842, -0.21713186390175285, -0.43754385253479555, 38.0] [-0.9221541171760282, 3.0, -0.4192650914017433, 4.0, 2.0, 3.0, 4.0, -0.14479173735784842, -0.21713186390175285, -0.03403923708700391, 38.0] [-1.2138928199445767, 3.0, -0.030303770229214273, 4.0, 10.0, 1.0, 4.0, -0.14479173735784842, -0.21713186390175285, 1.5799792247041626, 38.0] [-0.6304154144074798, 3.0, 0.35865755094331475, 4.0, 0.0, 3.0, 4.0, -0.14479173735784842, -0.21713186390175285, -0.6796466218034705, 38.0] [-1.5056315227131252, 3.0, -1.5861490549193304, 4.0, 7.0, 3.0, 0.0, -0.14479173735784842, -0.21713186390175285, -0.03403923708700391, 38.0] [-0.11987268456252011, 5.0, 0.35865755094331475, 2.0, 2.0, 0.0, 4.0, -0.14479173735784842, -0.21713186390175285, -0.8410484679825871, 38.0] [0.24480069389816542, 3.0, 1.525541514460902, 2.0, 9.0, 0.0, 4.0, -0.14479173735784842, -0.21713186390175285, 1.176474609256371, 6.0] [0.0989313425138912, 1.0, 1.525541514460902, 2.0, 9.0, 0.0, 4.0, 0.8868473744801746, -0.21713186390175285, -0.03403923708700391, 38.0] [0.39067004528243965, 5.0, -0.030303770229214273, 2.0, 4.0, 0.0, 4.0, -0.14479173735784842, -0.21713186390175285, 4.7273152251969375, 38.0] [1.1200168022038106, 3.0, 1.1365801932883728, 2.0, 12.0, 0.0, 4.0, -0.14479173735784842, -0.21713186390175285, -0.03403923708700391, 38.0] [-1.2868274956367138, 3.0, -0.030303770229214273, 4.0, 11.0, 3.0, 4.0, -0.14479173735784842, -0.21713186390175285, -1.6480576988781703, 38.0] [-0.7033500900996169, 3.0, -0.4192650914017433, 2.0, 7.0, 5.0, 4.0, -0.14479173735784842, 4.5022796885373735, -0.43754385253479555, 38.0] [0.5365393966667138, 3.0, 1.525541514460902, 4.0, 3.0, 4.0, 4.0, -0.14479173735784842, -0.21713186390175285, -0.03403923708700391, 38.0] [-1.3597621713288508, 3.0, -0.4192650914017433, 4.0, 6.0, 3.0, 2.0, -0.14479173735784842, -0.21713186390175285, -0.03403923708700391, 38.0] [0.5365393966667138, 3.0, 1.1365801932883728, 0.0, 11.0, 2.0, 2.0, -0.14479173735784842, -0.21713186390175285, -0.03403923708700391, 38.0] [1.338820829280222, 3.0, -0.4192650914017433, 2.0, 2.0, 0.0, 4.0, -0.14479173735784842, -0.21713186390175285, -0.03403923708700391, 38.0] [0.6824087480509881, 3.0, 1.1365801932883728, 0.0, 12.0, 3.0, 4.0, -0.14479173735784842, -0.21713186390175285, -0.03403923708700391, 38.0] [0.0259966668217541, 3.0, 1.1365801932883728, 2.0, 11.0, 0.0, 4.0, -0.14479173735784842, -0.21713186390175285, 0.3694653783607877, 38.0] [-0.4116113873310685, 3.0, -0.4192650914017433, 2.0, 11.0, 0.0, 4.0, -0.14479173735784842, -0.21713186390175285, 1.176474609256371, 38.0] [0.39067004528243965, 6.0, 1.1365801932883728, 4.0, 4.0, 1.0, 4.0, -0.14479173735784842, -0.21713186390175285, -0.03403923708700391, 38.0]
Lo strumento a riga di comando gcloud accetta JSON delimitato da una nuova riga per la previsione online e questo particolare modello Keras si aspetta un elenco piatto di numeri per ogni esempio di input.
AI Platform richiede un formato diverso quando effettui richieste di previsione online all'API REST senza utilizzare lo strumento gcloud. Il modo in cui
strutturate il modello può anche modificare il modo in cui dovete formattare i dati per la previsione.
Scopri di più sulla formattazione dei dati per la previsione online.
Invia la richiesta di previsione online
Utilizza gcloud per inviare la richiesta di previsione online:
gcloud ai-platform predict \
--model $MODEL_NAME \
--region $REGION \
--version $MODEL_VERSION \
--json-instances prediction_input.json
DENSE_4 [0.6854287385940552] [0.011786997318267822] [0.037236183881759644] [0.016223609447479248] [0.0012015104293823242] [0.23621389269828796] [0.6174039244651794] [0.9822691679000854] [0.3815768361091614] [0.6715215444564819] [0.001094043254852295] [0.43077391386032104] [0.22132840752601624] [0.004075437784194946] [0.22736871242523193] [0.4111979305744171] [0.27328649163246155] [0.6981356143951416] [0.3309604525566101] [0.20807647705078125]
Poiché l'ultimo livello del modello utilizza una funzione sigmoide per l'attivazione, gli output compresi tra 0 e 0,5 rappresentano le previsioni negative ("<=50.000") e quelli compresi tra 0,5 e 1 rappresentano quelle positive (">50.000").
Sviluppo del modello Keras da zero
A questo punto, hai addestrato un modello di machine learning su AI Platform, ne hai eseguito il deployment come risorsa di versione su AI Platform e hai ricevuto previsioni online dal deployment. La sezione successiva illustra la procedura per ricreare il codice Keras utilizzato per addestrare il modello. Copre le seguenti parti dello sviluppo di un modello di machine learning da utilizzare con AI Platform:
- Scaricare e pre-elaborare i dati
- Progettazione e addestramento del modello
- Visualizzazione dell'addestramento ed esportazione del modello addestrato
Sebbene questa sezione fornisca informazioni più dettagliate sulle attività completate nelle sezioni precedenti, per scoprire di più sull'utilizzo di tf.keras, leggi la guida di TensorFlow a Keras.
Per scoprire di più sulla strutturazione del codice come pacchetto di addestramento per AI Platform, consulta Pacchettizzazione di un'applicazione di addestramento e fai riferimento al codice di addestramento completo, che è strutturato come pacchetto Python.
Importa librerie e definisci costanti
Innanzitutto, importa le librerie Python necessarie per l'addestramento:
import os
from six.moves import urllib
import tempfile
import numpy as np
import pandas as pd
import tensorflow as tf
# Examine software versions
print(__import__('sys').version)
print(tf.__version__)
print(tf.keras.__version__)
Poi, definisci alcune costanti utili:
- Informazioni per il download dei dati di addestramento e valutazione
- Informazioni necessarie per consentire a Pandas di interpretare i dati e convertire i campi categorici in elementi numerici
- Iperparametri per l'addestramento, come il tasso di apprendimento e la dimensione del batch
### For downloading data ###
# Storage directory
DATA_DIR = os.path.join(tempfile.gettempdir(), 'census_data')
# Download options.
DATA_URL = 'https://storage.googleapis.com/cloud-samples-data/ai-platform' \
'/census/data'
TRAINING_FILE = 'adult.data.csv'
EVAL_FILE = 'adult.test.csv'
TRAINING_URL = '%s/%s' % (DATA_URL, TRAINING_FILE)
EVAL_URL = '%s/%s' % (DATA_URL, EVAL_FILE)
### For interpreting data ###
# These are the features in the dataset.
# Dataset information: https://archive.ics.uci.edu/ml/datasets/census+income
_CSV_COLUMNS = [
'age', 'workclass', 'fnlwgt', 'education', 'education_num',
'marital_status', 'occupation', 'relationship', 'race', 'gender',
'capital_gain', 'capital_loss', 'hours_per_week', 'native_country',
'income_bracket'
]
_CATEGORICAL_TYPES = {
'workclass': pd.api.types.CategoricalDtype(categories=[
'Federal-gov', 'Local-gov', 'Never-worked', 'Private', 'Self-emp-inc',
'Self-emp-not-inc', 'State-gov', 'Without-pay'
]),
'marital_status': pd.api.types.CategoricalDtype(categories=[
'Divorced', 'Married-AF-spouse', 'Married-civ-spouse',
'Married-spouse-absent', 'Never-married', 'Separated', 'Widowed'
]),
'occupation': pd.api.types.CategoricalDtype([
'Adm-clerical', 'Armed-Forces', 'Craft-repair', 'Exec-managerial',
'Farming-fishing', 'Handlers-cleaners', 'Machine-op-inspct',
'Other-service', 'Priv-house-serv', 'Prof-specialty', 'Protective-serv',
'Sales', 'Tech-support', 'Transport-moving'
]),
'relationship': pd.api.types.CategoricalDtype(categories=[
'Husband', 'Not-in-family', 'Other-relative', 'Own-child', 'Unmarried',
'Wife'
]),
'race': pd.api.types.CategoricalDtype(categories=[
'Amer-Indian-Eskimo', 'Asian-Pac-Islander', 'Black', 'Other', 'White'
]),
'native_country': pd.api.types.CategoricalDtype(categories=[
'Cambodia', 'Canada', 'China', 'Columbia', 'Cuba', 'Dominican-Republic',
'Ecuador', 'El-Salvador', 'England', 'France', 'Germany', 'Greece',
'Guatemala', 'Haiti', 'Holand-Netherlands', 'Honduras', 'Hong', 'Hungary',
'India', 'Iran', 'Ireland', 'Italy', 'Jamaica', 'Japan', 'Laos', 'Mexico',
'Nicaragua', 'Outlying-US(Guam-USVI-etc)', 'Peru', 'Philippines', 'Poland',
'Portugal', 'Puerto-Rico', 'Scotland', 'South', 'Taiwan', 'Thailand',
'Trinadad&Tobago', 'United-States', 'Vietnam', 'Yugoslavia'
]),
'income_bracket': pd.api.types.CategoricalDtype(categories=[
'<=50K', '>50K'
])
}
# This is the label (target) we want to predict.
_LABEL_COLUMN = 'income_bracket'
### Hyperparameters for training ###
# This the training batch size
BATCH_SIZE = 128
# This is the number of epochs (passes over the full training data)
NUM_EPOCHS = 20
# Define learning rate.
LEARNING_RATE = .01
Scaricare e pre-elaborare i dati
Scarica i dati
A questo punto, definisci le funzioni per scaricare i dati di addestramento e valutazione. Queste funzioni consentono inoltre di correggere piccole irregolarità nella formattazione dei dati.
def _download_and_clean_file(filename, url):
"""Downloads data from url, and makes changes to match the CSV format.
The CSVs may use spaces after the comma delimters (non-standard) or include
rows which do not represent well-formed examples. This function strips out
some of these problems.
Args:
filename: filename to save url to
url: URL of resource to download
"""
temp_file, _ = urllib.request.urlretrieve(url)
with tf.gfile.Open(temp_file, 'r') as temp_file_object:
with tf.gfile.Open(filename, 'w') as file_object:
for line in temp_file_object:
line = line.strip()
line = line.replace(', ', ',')
if not line or ',' not in line:
continue
if line[-1] == '.':
line = line[:-1]
line += '\n'
file_object.write(line)
tf.gfile.Remove(temp_file)
def download(data_dir):
"""Downloads census data if it is not already present.
Args:
data_dir: directory where we will access/save the census data
"""
tf.gfile.MakeDirs(data_dir)
training_file_path = os.path.join(data_dir, TRAINING_FILE)
if not tf.gfile.Exists(training_file_path):
_download_and_clean_file(training_file_path, TRAINING_URL)
eval_file_path = os.path.join(data_dir, EVAL_FILE)
if not tf.gfile.Exists(eval_file_path):
_download_and_clean_file(eval_file_path, EVAL_URL)
return training_file_path, eval_file_path
Utilizza queste funzioni per scaricare i dati per l'addestramento e verificare di avere file CSV per l'addestramento e la valutazione:
training_file_path, eval_file_path = download(DATA_DIR)
Poi carica questi file utilizzando Pandas ed esamina i dati:
# This census data uses the value '?' for fields (column) that are missing data.
# We use na_values to find ? and set it to NaN values.
# https://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_csv.html
train_df = pd.read_csv(training_file_path, names=_CSV_COLUMNS, na_values='?')
eval_df = pd.read_csv(eval_file_path, names=_CSV_COLUMNS, na_values='?')
La tabella seguente mostra un estratto dei dati (train_df.head()) prima della preelaborazione:
| età | workclass | fnlwgt | education | education_num | marital_status | professione | relazione | gara | genere | capital_gain | capital_loss | hours_per_week | native_country | income_bracket | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 39 | Stato-gov | 77516 | Lauree | 13 | Mai sposati | Amm-clerical | Non fa parte del gruppo Famiglia | Bianco | Uomo | 2174 | 0 | 40 | Stati Uniti | <=50.000 |
| 1 | 50 | Self-emp-not-inc | 83311 | Lauree | 13 | Married-civ-spouse | Esecutivo-direttivo | Marito | Bianco | Uomo | 0 | 0 | 13 | Stati-Uniti | <=50.000 |
| 2 | 38 | Privato | 215646 | HS-grad | 9 | Divorziato | Gestori-pulitori | Non fa parte del gruppo Famiglia | Bianco | Uomo | 0 | 0 | 40 | Stati Uniti | <=50.000 |
| 3 | 53 | Privato | 234721 | 11 | 7 | Married-civ-spouse | Gestori-pulitori | Marito | Nero | Uomo | 0 | 0 | 40 | Stati Uniti | <=50.000 |
| 4 | 28 | Privato | 338409 | Lauree | 13 | Married-civ-spouse | Prof-specialty | Moglie | Nero | Donna | 0 | 0 | 40 | Cuba | <=50.000 |
Esegui la preelaborazione dei dati
Il primo passaggio di pre-elaborazione rimuove alcune funzionalità dai dati e converte le funzionalità categoriche in valori numerici per l'utilizzo con Keras.
Scopri di più sull'ingegneria delle funzionalità e sui bias nei dati.
UNUSED_COLUMNS = ['fnlwgt', 'education', 'gender']
def preprocess(dataframe):
"""Converts categorical features to numeric. Removes unused columns.
Args:
dataframe: Pandas dataframe with raw data
Returns:
Dataframe with preprocessed data
"""
dataframe = dataframe.drop(columns=UNUSED_COLUMNS)
# Convert integer valued (numeric) columns to floating point
numeric_columns = dataframe.select_dtypes(['int64']).columns
dataframe[numeric_columns] = dataframe[numeric_columns].astype('float32')
# Convert categorical columns to numeric
cat_columns = dataframe.select_dtypes(['object']).columns
dataframe[cat_columns] = dataframe[cat_columns].apply(lambda x: x.astype(
_CATEGORICAL_TYPES[x.name]))
dataframe[cat_columns] = dataframe[cat_columns].apply(lambda x: x.cat.codes)
return dataframe
prepped_train_df = preprocess(train_df)
prepped_eval_df = preprocess(eval_df)
La tabella seguente (prepped_train_df.head()) mostra in che modo la pre-elaborazione ha modificato
i dati. Tieni presente in particolare che income_bracket, l'etichetta per la quale stai addestrando il modello a fare una previsione, è passata da <=50K e >50K a 0 e
1:
| età | workclass | education_num | marital_status | professione | relazione | gara | capital_gain | capital_loss | hours_per_week | native_country | income_bracket | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 39,0 | 6 | 13,0 | 4 | 0 | 1 | 4 | 2174,0 | 0.0 | 40,0 | 38 | 0 |
| 1 | 50,0 | 5 | 13,0 | 2 | 3 | 0 | 4 | 0.0 | 0.0 | 13,0 | 38 | 0 |
| 2 | 38,0 | 3 | 9,0 | 0 | 5 | 1 | 4 | 0.0 | 0.0 | 40,0 | 38 | 0 |
| 3 | 53,0 | 3 | 7,0 | 2 | 5 | 0 | 2 | 0.0 | 0.0 | 40,0 | 38 | 0 |
| 4 | 28,0 | 3 | 13,0 | 2 | 9 | 5 | 2 | 0.0 | 0.0 | 40,0 | 4 | 0 |
Successivamente, separa i dati in elementi ("x") ed etichette ("y") e rimodella gli array di etichette in un formato da utilizzare in seguito con tf.data.Dataset:
# Split train and test data with labels.
# The pop() method will extract (copy) and remove the label column from the dataframe
train_x, train_y = prepped_train_df, prepped_train_df.pop(_LABEL_COLUMN)
eval_x, eval_y = prepped_eval_df, prepped_eval_df.pop(_LABEL_COLUMN)
# Reshape label columns for use with tf.data.Dataset
train_y = np.asarray(train_y).astype('float32').reshape((-1, 1))
eval_y = np.asarray(eval_y).astype('float32').reshape((-1, 1))
La scalatura dei dati di addestramento in modo che ogni colonna di funzionalità numerica abbia una media di 0 e una deviazione standard di 1 può migliorare il tuo modello.
In un sistema di produzione, ti consigliamo di salvare le medie e le deviazioni standard del set di addestramento e di utilizzarle per eseguire una trasformazione identica sui dati di test al momento della previsione. Per comodità, in questo esercizio combina temporaneamente i dati di addestramento e di valutazione per scalarli tutti:
def standardize(dataframe):
"""Scales numerical columns using their means and standard deviation to get
z-scores: the mean of each numerical column becomes 0, and the standard
deviation becomes 1. This can help the model converge during training.
Args:
dataframe: Pandas dataframe
Returns:
Input dataframe with the numerical columns scaled to z-scores
"""
dtypes = list(zip(dataframe.dtypes.index, map(str, dataframe.dtypes)))
# Normalize numeric columns.
for column, dtype in dtypes:
if dtype == 'float32':
dataframe[column] -= dataframe[column].mean()
dataframe[column] /= dataframe[column].std()
return dataframe
# Join train_x and eval_x to normalize on overall means and standard
# deviations. Then separate them again.
all_x = pd.concat([train_x, eval_x], keys=['train', 'eval'])
all_x = standardize(all_x)
train_x, eval_x = all_x.xs('train'), all_x.xs('eval')
La tabella successiva (train_x.head()) mostra come sono i dati completamente pre-elaborate:
| età | workclass | education_num | marital_status | professione | relazione | gara | capital_gain | capital_loss | hours_per_week | native_country | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0,025997 | 6 | 1,136580 | 4 | 0 | 1 | 4 | 0,146933 | -0,217132 | -0,034039 | 38 |
| 1 | 0,828278 | 5 | 1,136580 | 2 | 3 | 0 | 4 | -0.144792 | -0,217132 | -2,212964 | 38 |
| 2 | -0,046938 | 3 | -0.419265 | 0 | 5 | 1 | 4 | -0.144792 | -0,217132 | -0,034039 | 38 |
| 3 | 1,047082 | 3 | -1,197188 | 2 | 5 | 0 | 2 | -0.144792 | -0,217132 | -0,034039 | 38 |
| 4 | -0.776285 | 3 | 1,136580 | 2 | 9 | 5 | 2 | -0.144792 | -0,217132 | -0,034039 | 4 |
Progetta e addestra il modello
Creare set di dati di addestramento e convalida
Crea una funzione di input per convertire le funzionalità e le etichette in un
tf.data.Dataset
per l'addestramento o la valutazione:
def input_fn(features, labels, shuffle, num_epochs, batch_size):
"""Generates an input function to be used for model training.
Args:
features: numpy array of features used for training or inference
labels: numpy array of labels for each example
shuffle: boolean for whether to shuffle the data or not (set True for
training, False for evaluation)
num_epochs: number of epochs to provide the data for
batch_size: batch size for training
Returns:
A tf.data.Dataset that can provide data to the Keras model for training or
evaluation
"""
if labels is None:
inputs = features
else:
inputs = (features, labels)
dataset = tf.data.Dataset.from_tensor_slices(inputs)
if shuffle:
dataset = dataset.shuffle(buffer_size=len(features))
# We call repeat after shuffling, rather than before, to prevent separate
# epochs from blending together.
dataset = dataset.repeat(num_epochs)
dataset = dataset.batch(batch_size)
return dataset
A questo punto, crea questi set di dati di addestramento e valutazione.Utilizza gli iperparametri NUM_EPOCHS
e BATCH_SIZE definiti in precedenza per definire in che modo il set di dati di addestramento fornisce esempi al modello durante l'addestramento. Configura il set di dati di convalida in modo da fornire tutti i relativi esempi in un batch, per un singolo passaggio di convalida alla fine di ogni epoca di addestramento.
# Pass a numpy array by using DataFrame.values
training_dataset = input_fn(features=train_x.values,
labels=train_y,
shuffle=True,
num_epochs=NUM_EPOCHS,
batch_size=BATCH_SIZE)
num_eval_examples = eval_x.shape[0]
# Pass a numpy array by using DataFrame.values
validation_dataset = input_fn(features=eval_x.values,
labels=eval_y,
shuffle=False,
num_epochs=NUM_EPOCHS,
batch_size=num_eval_examples)
Progettare un modello Keras
Progetta la tua rete neurale utilizzando l'API Keras Sequential.
Questa rete neurale profonda (DNN) ha diversi livelli nascosti e l'ultimo livello utilizza una funzione di attivazione sigmoidea per produrre un valore compreso tra 0 e 1:
- Il livello di input ha 100 unità che utilizzano la funzione di attivazione ReLU.
- Lo strato nascosto ha 75 unità che utilizzano la funzione di attivazione ReLU.
- Lo strato nascosto ha 50 unità che utilizzano la funzione di attivazione ReLU.
- Lo strato nascosto ha 25 unità che utilizzano la funzione di attivazione ReLU.
- Lo strato di output ha 1 unità che utilizza una funzione di attivazione sigmoide.
- L'ottimizzatore utilizza la funzione di perdita di entropia incrociata binaria, che è appropriata per un problema di classificazione binaria come questo.
Non esitare a modificare questi livelli per provare a migliorare il modello:
def create_keras_model(input_dim, learning_rate):
"""Creates Keras Model for Binary Classification.
Args:
input_dim: How many features the input has
learning_rate: Learning rate for training
Returns:
The compiled Keras model (still needs to be trained)
"""
Dense = tf.keras.layers.Dense
model = tf.keras.Sequential(
[
Dense(100, activation=tf.nn.relu, kernel_initializer='uniform',
input_shape=(input_dim,)),
Dense(75, activation=tf.nn.relu),
Dense(50, activation=tf.nn.relu),
Dense(25, activation=tf.nn.relu),
Dense(1, activation=tf.nn.sigmoid)
])
# Custom Optimizer:
# https://www.tensorflow.org/api_docs/python/tf/train/RMSPropOptimizer
optimizer = tf.keras.optimizers.RMSprop(
lr=learning_rate)
# Compile Keras model
model.compile(
loss='binary_crossentropy', optimizer=optimizer, metrics=['accuracy'])
return model
Successivamente, crea l'oggetto modello Keras:
num_train_examples, input_dim = train_x.shape
print('Number of features: {}'.format(input_dim))
print('Number of examples: {}'.format(num_train_examples))
keras_model = create_keras_model(
input_dim=input_dim,
learning_rate=LEARNING_RATE)
L'esame del modello con keras_model.summary() dovrebbe restituire qualcosa di simile a quanto segue:
Number of features: 11 Number of examples: 32561 WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/tensorflow/python/ops/resource_variable_ops.py:435: colocate_with (from tensorflow.python.framework.ops) is deprecated and will be removed in a future version. Instructions for updating: Colocations handled automatically by placer. _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= dense (Dense) (None, 100) 1200 _________________________________________________________________ dense_1 (Dense) (None, 75) 7575 _________________________________________________________________ dense_2 (Dense) (None, 50) 3800 _________________________________________________________________ dense_3 (Dense) (None, 25) 1275 _________________________________________________________________ dense_4 (Dense) (None, 1) 26 ================================================================= Total params: 13,876 Trainable params: 13,876 Non-trainable params: 0 _________________________________________________________________
Addestra e valuta il modello
Definisci un decadimento del tasso di apprendimento per incoraggiare i parametri del modello a apportare modifiche più piccole man mano che l'addestramento procede:
# Setup Learning Rate decay.
lr_decay_cb = tf.keras.callbacks.LearningRateScheduler(
lambda epoch: LEARNING_RATE + 0.02 * (0.5 ** (1 + epoch)),
verbose=True)
# Setup TensorBoard callback.
JOB_DIR = os.getenv('JOB_DIR')
tensorboard_cb = tf.keras.callbacks.TensorBoard(
os.path.join(JOB_DIR, 'keras_tensorboard'),
histogram_freq=1)
Infine, addestrare il modello. Fornisci il valore steps_per_epoch appropriato per l'addestramento del modello sull'intero set di dati di addestramento (con BATCH_SIZE esempi per passo) durante ogni epoca. E chiedi al modello di calcolare l'accuratezza di convalida con un unico grande batch di convalida al termine di ogni epoca.
history = keras_model.fit(training_dataset,
epochs=NUM_EPOCHS,
steps_per_epoch=int(num_train_examples/BATCH_SIZE),
validation_data=validation_dataset,
validation_steps=1,
callbacks=[lr_decay_cb, tensorboard_cb],
verbose=1)
L'avanzamento dell'addestramento potrebbe avere il seguente aspetto:
WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/tensorflow/python/ops/math_ops.py:3066: to_int32 (from tensorflow.python.ops.math_ops) is deprecated and will be removed in a future version. Instructions for updating: Use tf.cast instead. Epoch 00001: LearningRateScheduler reducing learning rate to 0.02. Epoch 1/20 254/254 [==============================] - 1s 5ms/step - loss: 0.6986 - acc: 0.7893 - val_loss: 0.3894 - val_acc: 0.8329 Epoch 00002: LearningRateScheduler reducing learning rate to 0.015. Epoch 2/20 254/254 [==============================] - 1s 4ms/step - loss: 0.3574 - acc: 0.8335 - val_loss: 0.3861 - val_acc: 0.8131 ... Epoch 00019: LearningRateScheduler reducing learning rate to 0.010000038146972657. Epoch 19/20 254/254 [==============================] - 1s 4ms/step - loss: 0.3239 - acc: 0.8512 - val_loss: 0.3334 - val_acc: 0.8496 Epoch 00020: LearningRateScheduler reducing learning rate to 0.010000019073486329. Epoch 20/20 254/254 [==============================] - 1s 4ms/step - loss: 0.3279 - acc: 0.8504 - val_loss: 0.3174 - val_acc: 0.8523
Visualizza l'addestramento ed esporta il modello addestrato
Visualizzare la formazione
Importa matplotlib per visualizzare l'apprendimento del modello durante il periodo di addestramento.
Se necessario, installalo prima con pip install matplotlib.
from matplotlib import pyplot as plt
Grafica la perdita (entropia incrociata binaria) e l'accuratezza del modello, misurate al termine di ogni epoca di addestramento:
# Visualize History for Loss.
plt.title('Keras model loss')
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['training', 'validation'], loc='upper right')
plt.show()
# Visualize History for Accuracy.
plt.title('Keras model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.legend(['training', 'validation'], loc='lower right')
plt.show()
Nel tempo, la perdita diminuisce e l'accuratezza aumenta. Ma convergono a un livello stabile? Esistono grandi differenze tra le metriche di addestramento e quelle di convalida (un segno di overfitting)?
Scopri come migliorare il tuo modello di machine learning. Poi, non esitare ad adeguare gli iperparametri o l'architettura del modello e ad addestrare nuovamente il modello.
Esportare il modello per la pubblicazione
Utilizza tf.contrib.saved_model.save_keras_model per esportare una directory SavedModel di TensorFlow. Questo è il formato richiesto da AI Platform quando crei una risorsa per la versione del modello.
Poiché non tutti gli ottimizzatori possono essere esportati nel formato SavedModel, potresti visualizzare degli avvisi durante il processo di esportazione. Se esporti correttamente un gráfo di pubblicazione, AI Platform può utilizzare il SavedModel per pubblicare le previsioni.
# Export the model to a local SavedModel directory
export_path = tf.contrib.saved_model.save_keras_model(keras_model, 'keras_export')
print("Model exported to: ", export_path)
WARNING: The TensorFlow contrib module will not be included in TensorFlow 2.0. For more information, please see: * https://github.com/tensorflow/community/blob/master/rfcs/20180907-contrib-sunset.md * https://github.com/tensorflow/addons If you depend on functionality not listed there, please file an issue. WARNING:tensorflow:This model was compiled with a Keras optimizer (<tensorflow.python.keras.optimizers.RMSprop object at 0x7fc198c4e400>) but is being saved in TensorFlow format with `save_weights`. The model's weights will be saved, but unlike with TensorFlow optimizers in the TensorFlow format the optimizer's state will not be saved. Consider using a TensorFlow optimizer from `tf.train`. WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/engine/network.py:1436: update_checkpoint_state (from tensorflow.python.training.checkpoint_management) is deprecated and will be removed in a future version. Instructions for updating: Use tf.train.CheckpointManager to manage checkpoints rather than manually editing the Checkpoint proto. WARNING:tensorflow:Model was compiled with an optimizer, but the optimizer is not from `tf.train` (e.g. `tf.train.AdagradOptimizer`). Only the serving graph was exported. The train and evaluate graphs were not added to the SavedModel. WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/tensorflow/python/saved_model/signature_def_utils_impl.py:205: build_tensor_info (from tensorflow.python.saved_model.utils_impl) is deprecated and will be removed in a future version. Instructions for updating: This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.utils.build_tensor_info or tf.compat.v1.saved_model.build_tensor_info. INFO:tensorflow:Signatures INCLUDED in export for Classify: None INFO:tensorflow:Signatures INCLUDED in export for Regress: None INFO:tensorflow:Signatures INCLUDED in export for Predict: ['serving_default'] INFO:tensorflow:Signatures INCLUDED in export for Train: None INFO:tensorflow:Signatures INCLUDED in export for Eval: None INFO:tensorflow:No assets to save. INFO:tensorflow:No assets to write. INFO:tensorflow:SavedModel written to: keras_export/1553710367/saved_model.pb Model exported to: b'keras_export/1553710367'
Puoi esportare una directory SavedModel nel file system locale o in Cloud Storage, a condizione che tu disponga delle autorizzazioni necessarie. Nel tuo
ambiente attuale, hai concesso l'accesso a Cloud Storage autenticando il tuo account Google Cloud e impostando la variabile di ambiente
GOOGLE_APPLICATION_CREDENTIALS. I job di addestramento di AI Platform possono anche esportare direttamente in Cloud Storage, perché gli account di servizio di AI Platform hanno accesso ai bucket Cloud Storage nel proprio progetto.
Prova a esportare direttamente in Cloud Storage:
JOB_DIR = os.getenv('JOB_DIR')
# Export the model to a SavedModel directory in Cloud Storage
export_path = tf.contrib.saved_model.save_keras_model(keras_model, JOB_DIR + '/keras_export')
print("Model exported to: ", export_path)
WARNING:tensorflow:This model was compiled with a Keras optimizer (<tensorflow.python.keras.optimizers.RMSprop object at 0x7fc198c4e400>) but is being saved in TensorFlow format with `save_weights`. The model's weights will be saved, but unlike with TensorFlow optimizers in the TensorFlow format the optimizer's state will not be saved. Consider using a TensorFlow optimizer from `tf.train`. WARNING:tensorflow:Model was compiled with an optimizer, but the optimizer is not from `tf.train` (e.g. `tf.train.AdagradOptimizer`). Only the serving graph was exported. The train and evaluate graphs were not added to the SavedModel. INFO:tensorflow:Signatures INCLUDED in export for Classify: None INFO:tensorflow:Signatures INCLUDED in export for Regress: None INFO:tensorflow:Signatures INCLUDED in export for Predict: ['serving_default'] INFO:tensorflow:Signatures INCLUDED in export for Train: None INFO:tensorflow:Signatures INCLUDED in export for Eval: None INFO:tensorflow:No assets to save. INFO:tensorflow:No assets to write. INFO:tensorflow:SavedModel written to: gs://your-bucket-name/keras-job-dir/keras_export/1553710379/saved_model.pb Model exported to: b'gs://your-bucket-name/keras-job-dir/keras_export/1553710379'
Ora puoi eseguire il deployment di questo modello su AI Platform e pubblicare le previsioni seguendo i passaggi descritti nella guida introduttiva alla previsione.
Pulizia
Per eliminare tutte le risorse Google Cloud utilizzate in questo progetto, puoi eliminare il progetto Google Cloud utilizzato per il tutorial.
In alternativa, puoi ripulire le singole risorse eseguendo i seguenti comandi:
# Delete model version resource
gcloud ai-platform versions delete $MODEL_VERSION --quiet --model $MODEL_NAME
# Delete model resource
gcloud ai-platform models delete $MODEL_NAME --quiet
# Delete Cloud Storage objects that were created
gsutil -m rm -r $JOB_DIR
# If training job is still running, cancel it
gcloud ai-platform jobs cancel $JOB_NAME --quiet
Se il bucket Cloud Storage non contiene altri oggetti e vuoi eliminarlo, esegui gsutil rm -r gs://$BUCKET_NAME.
Passaggi successivi
- Visualizza il codice di addestramento completo utilizzato in questa guida, che struttura il codice in modo da accettare iperparametri personalizzati come flag della riga di comando.
- Scopri di più sul codice di imballaggio per un job di addestramento di AI Platform.
- Scopri di più sul deployment di un modello per generare previsioni.