Training mit dem integrierten Wide-and-Deep-Algorithmus

Wenn Sie integrierte Algorithmen für das Training in AI Platform verwenden, können Sie Ihr Dataset zum Trainieren eines Modells senden, ohne Trainingscode schreiben zu müssen. Auf dieser Seite wird erläutert, wie der integrierte Wide-and-Deep-Algorithmus funktioniert und angewendet wird.

Übersicht

Der integrierte Algorithmus führt die Vorverarbeitung und das Training aus:

  1. Vorverarbeitung: Zur Vorbereitung des Trainings verarbeitet AI Platform Ihren Mix aus kategorialen und numerischen Daten zu einem komplett numerischen Dataset.
  2. Training: AI Platform führt mit dem Dataset und den von Ihnen angegebenen Modellparametern das Training mithilfe des Algorithmus Wide and Deep Estimator von Tensorflow aus.

Einschränkungen

Die folgenden Features werden für das Training mit dem integrierten Wide-and-Deep-Algorithmus nicht unterstützt:

  • Training mit mehreren GPUs: Integrierte Algorithmen verwenden immer nur eine GPU. Damit Sie die Vorteile eines Trainings mit mehreren GPUs auf einer Maschine komplett nutzen können, müssen Sie eine Trainingsanwendung erstellen. Weitere Informationen zu Maschinentypen finden Sie unter Maschinentypen oder Skalierungsstufen angeben.
  • Training mit TPUs: Für das Training mit TPUs müssen Sie eine Trainingsanwendung erstellen. Weitere Informationen zum Ausführen eines Trainingsjobs mit TPUs finden Sie unter Modelle mit TPUs trainieren.
  • Verteiltes Training: Für die Ausführung eines verteilten Trainingsjobs in AI Platform müssen Sie eine Trainingsanwendung erstellen.

Unterstützte Maschinentypen

Es werden die folgenden AI Platform-Skalierungsstufen und -Maschinentypen unterstützt:

Eingabedaten formatieren

Jede Zeile eines Datasets stellt eine Instanz dar und jede Spalte eines Datasets einen Merkmalswert. Die Zielspalte enthält den Wert, den Sie vorhersagen möchten.

CSV-Datei vorbereiten

Ihre Eingabedaten müssen in einer CSV-Datei mit UTF-8-Codierung vorliegen. Wenn Ihre Trainingsdaten nur aus kategorialen und numerischen Werten bestehen, können Sie mithilfe unseres Vorverarbeitungsmoduls fehlende numerische Werte auffüllen, das Dataset aufteilen und Zeilen entfernen, in denen mehr als 10 % der Werte fehlen. Andernfalls können Sie das Training auch ohne automatische Vorverarbeitung ausführen.

Damit Ihre CSV-Eingabedatei die Anforderungen erfüllt, müssen Sie sie entsprechend vorbereiten:

  • Die Kopfzeile muss entfernt werden. Die Kopfzeile enthält die Labels für jede Spalte. Entfernen Sie sie, damit sie nicht mit dem Rest der Dateninstanzen als Teil der Trainingsdaten gesendet wird.
  • Die Zielspalte muss die erste Spalte sein. Die Zielspalte enthält den Wert, den Sie vorhersagen möchten. Bei einem Klassifizierungsalgorithmus werden alle Werte in der Zielspalte als Klasse oder Kategorie dargestellt. Bei einem Regressionsalgorithmus sind alle Werte in der Zielspalte numerische Werte.

Ganzzahlige Werte verarbeiten

Spalten mit ganzzahligen Werten werden standardmäßig als kategoriale Spalten interpretiert, wenn nur wenige eindeutige Werte vorhanden sind. Enthält eine Spalte im Dataset beispielsweise ganzzahlige Werte wie {101, 102, 103}, interpretiert AI Platform diese Werte als Kategorien wie z. B. {"hoch", "mittel", "niedrig"}.

Zur Vermeidung einer solchen Fehlinterpretation sollten Sie Ganzzahlen in Gleitkommazahlen umwandeln, wenn die Daten als numerisch verarbeitet werden sollen, z. B. {101,0, 102,0, 103,0}. Wenn gewährleistet sein soll, dass Ganzzahlen als kategorial interpretiert werden, fügen Sie vor oder nach jedem Wert einen String an: {code_101, code_102, code_103}.

Deep-and-Wide-Trainingsjob senden

In diesem Abschnitt wird erläutert, wie Sie einen Trainingsjob mit dem integrierten Deep-and-Wide-Algorithmus senden.

In der Google Cloud Platform Console finden Sie stichwortartige Erläuterungen zu jedem Hyperparameter. Eine ausführlichere Darstellung ist in der Referenz zum integrierten Wide-and-Deep-Algorithmus enthalten.

Console

  1. Rufen Sie die AI Platform-Seite "Jobs" in der Google Cloud Platform Console auf:

    Zur Seite "AI Platform-Jobs"

  2. Klicken Sie auf die Schaltfläche Neuer Trainingsjob. Klicken Sie in den darunter angezeigten Optionen auf Integriertes Modelltraining.

  3. Wählen Sie auf der Seite Neuen Trainingsjob erstellen die Option Integrierter Wide-and-Deep-Algorithmus aus und klicken Sie auf Weiter.

  4. Wenn Sie mehr über alle verfügbaren Parameter erfahren möchten, folgen Sie den Links in der Google Cloud Platform Console. Weitere Informationen finden Sie auch in der Referenz zum integrierten Wide-and-Deep-Algorithmus.

gcloud

  1. Legen Sie Umgebungsvariablen für Ihren Job fest und geben Sie für [VALUES-IN-BRACKETS] Ihre eigenen Werte ein:

       # Specify the name of the Cloud Storage bucket where you want your
       # training outputs to be stored, and the Docker container for
       # your built-in algorithm selection.
       BUCKET_NAME='[YOUR-BUCKET-NAME]'
       IMAGE_URI='gcr.io/cloud-ml-algos/wide_deep_learner_cpu:latest'
    
       # Specify the Cloud Storage path to your training input data.
       TRAINING_DATA='gs://[YOUR_BUCKET_NAME]/[YOUR_FILE_NAME].csv'
    
       DATASET_NAME='census'
       ALGORITHM='wide_deep'
       MODEL_TYPE='classification'
    
       DATE='date '+%Y%m%d_%H%M%S''
       MODEL_NAME="${DATASET_NAME}_${ALGORITHM}_${MODEL_TYPE}"
       JOB_ID="${MODEL_NAME}_${DATE}"
    
       JOB_DIR="gs://${BUCKET_NAME}/algorithm_training/${MODEL_NAME}/${DATE}"
    
  2. Senden Sie den Trainingsjob mit gcloud ai-platform jobs training submit:

       gcloud ai-platform jobs submit training $JOB_ID \
          --master-image-uri=$IMAGE_URI --scale-tier=BASIC --job-dir=$JOB_DIR \
          -- \
          --preprocess --model_type=$MODEL_TYPE --batch_size=250 --learning_rate=0.1 \
          --dnn_learning_rate=0.005 --dnn_dropout=0.1 --hidden_units=10,10,10 \
          --use_wide --embed_categories \
          --max_steps=1000 --training_data_path=$TRAINING_DATA
    
  3. Prüfen Sie den Status Ihres Trainingsjobs. Rufen Sie dazu Logs mit gcloud auf. Weitere Informationen finden Sie unter gcloud ai-platform jobs describe und gcloud ai-platform jobs stream-logs.

       gcloud ai-platform jobs describe ${JOB_ID}
       gcloud ai-platform jobs stream-logs ${JOB_ID}
    

Funktionsweise der Vorverarbeitung

Die automatische Vorverarbeitung kann für kategoriale und numerische Daten verwendet werden. Mit der Vorverarbeitungsroutine werden die Daten zuerst analysiert und dann transformiert.

Analyse

Als Erstes ermittelt AI Platform automatisch den Datentyp jeder Spalte. Anschließend stellt der Dienst fest, wie die einzelnen Spalten verarbeitet werden sollen, und berechnet eine Statistik zu den Daten in der Spalte. Diese Informationen werden in der Datei metadata.json erfasst.

Über die Analyse des Zielspaltentyps ermittelt AI Platform, ob das angegebene Dataset zur Regression oder zur Klassifizierung bestimmt ist. Wenn diese Analyse Ihrer Auswahl für model_type widerspricht, wird ein Fehler ausgegeben. Geben Sie explizit an, wie die Zielspalte verarbeitet werden soll, d. h., formatieren Sie Ihre Daten eindeutig, wenn sie mehrdeutig sind.

  • Typ: Die Spalte kann numerisch oder kategorial sein.

  • Verarbeitung: AI Platform ermittelt so die jeweilige Art der Verarbeitung jeder Spalte:

    • Wenn die Spalte in allen Zeilen den gleichen Wert enthält, wird sie als Konstante verarbeitet.
    • Wenn die Spalte kategorial ist und in allen Zeilen eindeutige Werte enthält, wird sie als row_identifier verarbeitet.
    • Wenn die Spalte numerisch ist und Gleitkommawerte enthält oder wenn sie numerisch ist und ganzzahlige Werte enthält, von denen viele eindeutige Werte sind, wird die Spalte als numerisch verarbeitet.
    • Eine numerische Spalte mit ganzzahligen Werten, von denen nur wenige eindeutige Werte sind, wird als kategoriale Spalte behandelt. Dabei stellen die ganzzahligen Werte entweder die Identität oder das Vokabular dar.
      • Es wird davon ausgegangen, dass eine Spalte nur wenige eindeutige Werte enthält, wenn die Anzahl der eindeutigen Werte in der Spalte weniger als 20 % der Zeilenanzahl im Eingabe-Dataset beträgt.
    • Wenn die Spalte kategorial ist und eine hohe Kardinalität hat, wird sie mit Hashing verarbeitet. Die Anzahl der Hash-Buckets entspricht dabei der Quadratwurzel der Anzahl von eindeutigen Werten in der Spalte.
      • Eine kategoriale Spalte wird als Spalte mit hoher Kardinalität behandelt, wenn die Anzahl der eindeutigen Werte größer ist als die Quadratwurzel der Zeilenanzahl im Dataset.
    • Wenn die Spalte kategorial und die Anzahl der eindeutigen Werte kleiner oder gleich der Quadratwurzel der Zeilenanzahl im Dataset ist, wird die Spalte als normale kategoriale Spalte mit Vokabular verarbeitet.
  • Statistik: AI Platform berechnet die im Folgenden aufgeführten statistischen Werte auf der Grundlage des ermittelten Spaltentyps und der Verarbeitung für die spätere Transformation der Spalte.

    • Wenn die Spalte numerisch ist, werden Mittel- und Varianzwerte berechnet.
    • Wenn die Spalte kategorial ist und die Werte als Identität oder Vokabular verarbeitet werden, werden die einzelnen Werte aus der Spalte extrahiert.
    • Wenn die Spalte kategorial ist und mit Hashing verarbeitet wird, wird die Anzahl der Hash-Buckets in Relation zur Kardinalität der Spalte berechnet.

Transformation

Nach Abschluss der anfänglichen Analyse des Datasets transformiert AI Platform Ihre Daten anhand der Typen, der Verarbeitung und der Statistik, die auf das Dataset angewendet werden. AI Platform führt Transformationen in der folgenden Reihenfolge durch:

  1. Das Trainings-Dataset wird in Validierungs- und Test-Datasets aufgeteilt, wenn Sie die Teilungsprozentsätze angeben.
  2. Zeilen, in denen mehr als 10 % der Merkmale fehlen, werden entfernt.
  3. Fehlende numerische Werte werden anhand des Mittelwerts der Spalte aufgefüllt.

Beispieltransformationen

Zeilen, in denen 10 % der Werte fehlen, werden entfernt. In den folgenden Beispielen wird angenommen, dass die Zeile 10 Werte enthält. Zur besseren Lesbarkeit ist jede Beispielzeile abgeschnitten.

Zeilenproblem Ursprüngliche Werte Transformierte Werte Erklärung
Beispielzeile ohne fehlende Werte [3, 0,45, ...,
"Früchte", 0, 1]
[3, 0,45, ...,
1, 0, 0, 0, 1]
Der String "Früchte" wird in die Werte "1, 0, 0" in One-Hot-Codierung transformiert. Dies erfolgt später in der TensorFlow-Grafik.
Zu viele fehlende Werte [3, 0,45, ...,
"Früchte", __, __]
Zeile wird entfernt In der Zeile fehlen mehr als 10 % der Werte.
Fehlender numerischer Wert [3, 0.45, ...,
"Früchte", 0, __]
[3, 0,45, ...,
1, 0, 0, 0, 0,54]
  • Der Mittelwert für die Spalte ersetzt den fehlenden numerischen Wert. In diesem Beispiel beträgt der Mittelwert 0,54.
  • Der String "Früchte" wird in die Werte "1, 0, 0" in One-Hot-Codierung transformiert. Dies erfolgt später in der TensorFlow-Grafik.
Fehlender kategorialer Wert [3, 0,45, ...,
__, 0, 1]
[3, 0,45, ...,
0, 0, 0, 0, 1]
  • Der fehlende kategoriale Wert wird in die Werte "0, 0, 0" in One-Hot-Codierung transformiert. Dies erfolgt später in der TensorFlow-Grafik.

Merkmalspalten

Bei der Transformation werden die Spalten nicht verarbeitet. Stattdessen werden die während der Analyse generierten Metadaten an AI Platform übergeben, um die entsprechenden Merkmalspalten zu erstellen:

Spaltentyp Spaltenverarbeitung Resultierende Merkmalspalte
Numerisch (Alle Spaltenverarbeitungstypen) tf.feature_column.numeric_column

Die Werte für Mittelwert und Varianz werden zur Vereinheitlichung der Werte verwendet:
new_value = (input_value - mean) / sqrt(variance) Das Merkmal wird in das neuronale Deep-Learning-Netzwerk des Modells übertragen.

Kategoriale Identität tf.feature_column.categorical_column_with_identity
Kategoriales Vokabular tf.feature_column.categorical_column_with_vocabulary_list
Kategoriales Hashing tf.feature_column.categorical_column_with_hash_bucket
Kategoriale Konstante oder Zeilenkennzeichnung Ignoriert. Es wurde keine Merkmalspalte erstellt.

Zusätzliche Merkmalspalten

Sie haben die Möglichkeit, kategoriale Spalten im "Wide"-Teil des DNN-Modells (use_wide) zu verwenden oder sie im "Deep"-Teil des Modells einzubetten (embed_categories). Je nach Auswahl werden die folgenden zusätzlichen Merkmalspalten hinzugefügt:

use_wide aktiviert embed_categories aktiviert Ergebnis
True True oder False Das Merkmal wird im "Wide"-Teil des Modells verwendet.
True oder False True Für die kategoriale Spalte wird eine Einbettungsmerkmalspalte erstellt, bei der die Einbettungsdimension auf die nächstgrößere Ganzzahl der Quadratwurzel der Kategorienanzahl in der Spalte festgelegt wird. Diese Einbettungsmerkmalspalte wird im "Deep"-Teil des Modells verwendet.
False False Für die kategoriale Spalte wird eine Kennzeichenspalte erstellt. Diese Kennzeichenmerkmalspalte wird im "Deep"-Teil des Modells verwendet.

Nach Abschluss der automatischen Vorverarbeitung lädt AI Platform das vorverarbeitete Dataset wieder in Ihren Cloud Storage-Bucket in das Verzeichnis hoch, das Sie in der Jobanfrage angegeben haben.

Weitere Informationen