迁移容错机制

在 TensorFlow.org 上查看 在 Google Colab 中运行 在 GitHub 上查看源代码 下载笔记本

容错是指定期保存可跟踪对象（如参数和模型）状态的机制。这使您能够在训练期间程序/机器发生故障时恢复它们。

本指南首先演示了如何通过使用 tf.estimator.RunConfig 指定指标保存，将容错添加到使用 TensorFlow 1 中的 tf.estimator.Estimator 进行的训练中。然后，您将学习如何在 TensorFlow 2 中通过两种方式实现训练的容错。

这两种方法都将在 检查点 文件中备份和恢复训练状态。

设置

安装 tf-nightly，因为在 tf.keras.callbacks.BackupAndRestore 中使用 save_freq 参数在特定步骤保存检查点的频率是从 TensorFlow 2.10 开始引入的。

pip install tf-nightly
 
import tensorflow.compat.v1 as tf1
import tensorflow as tf
import numpy as np
import tempfile
import time
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：使用 tf.estimator.RunConfig 保存检查点

在 TensorFlow 1 中，您可以通过配置 tf.estimator.RunConfig 来配置 tf.estimator 以每一步保存检查点。

在本示例中，首先编写一个挂钩，该挂钩在第五个检查点期间人为地抛出错误。

class InterruptHook(tf1.train.SessionRunHook):
  # A hook for artificially interrupting training.
  def begin(self):
    self._step = -1

  def before_run(self, run_context):
    self._step += 1

  def after_run(self, run_context, run_values):
    if self._step == 5:
      raise RuntimeError('Interruption')

接下来，配置 tf.estimator.Estimator 以保存每个检查点，并使用 MNIST 数据集。

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,
)

开始训练模型。您之前定义的挂钩将引发人为异常。

try:
  classifier.train(input_fn=train_input_fn,
                   hooks=[InterruptHook()],
                   max_steps=10)
except Exception as e:
  print(f'{type(e).__name__}:{e}')

使用最后一个保存的检查点重建 tf.estimator.Estimator 并继续训练。

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
)
classifier.train(input_fn=train_input_fn,
                   max_steps = 10)

TensorFlow 2：使用回调和 Model.fit 进行备份和恢复

在 TensorFlow 2 中，如果您使用 Keras Model.fit API 进行训练，您可以提供 tf.keras.callbacks.BackupAndRestore 回调以添加容错功能。

为了帮助演示这一点，首先定义一个 Keras Callback 类，该类在第四个 epoch 检查点期间人为地抛出错误。

class InterruptAtEpoch(tf.keras.callbacks.Callback):
  # A callback for artificially interrupting training.
  def __init__(self, interrupting_epoch=3):
    self.interrupting_epoch = interrupting_epoch

  def on_epoch_end(self, epoch, log=None):
    if epoch == self.interrupting_epoch:
      raise RuntimeError('Interruption')

然后，定义并实例化一个简单的 Keras 模型，定义损失函数，调用 Model.compile，并设置一个 tf.keras.callbacks.BackupAndRestore 回调，该回调将在 epoch 边界处将检查点保存到临时目录中。

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)
  ])
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'])
log_dir = tempfile.mkdtemp()
backup_restore_callback = tf.keras.callbacks.BackupAndRestore(
    backup_dir = log_dir)

使用 Model.fit 开始训练模型。在训练期间，由于上面实例化的 tf.keras.callbacks.BackupAndRestore，将保存检查点，而 InterruptAtEpoch 类将在第四个 epoch 之后引发人为异常以模拟故障。

try:
  model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback, InterruptAtEpoch()])
except Exception as e:
  print(f'{type(e).__name__}:{e}')

接下来，实例化 Keras 模型，调用 Model.compile，并使用 Model.fit 从先前保存的检查点继续训练模型。

model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'],
              steps_per_execution=10)
model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback])

定义另一个 Callback 类，该类在第 140 步期间人为地抛出错误。

class InterruptAtStep(tf.keras.callbacks.Callback):
  # A callback for artificially interrupting training.
  def __init__(self, interrupting_step=140):
    self.total_step_count = 0
    self.interrupting_step = interrupting_step

  def on_batch_begin(self, batch, logs=None):
    self.total_step_count += 1

  def on_batch_end(self, batch, logs=None):
    if self.total_step_count == self.interrupting_step:
      print("\nInterrupting at step count", self.total_step_count)
      raise RuntimeError('Interruption')

为了确保每 30 步保存一次检查点，请将 BackupAndRestore 回调中的 save_freq 设置为 30。 InterruptAtStep 将引发一个人工异常，以模拟在 epoch 1 和 step 40（总步数 140）处发生的故障。检查点将在 epoch 1 和 step 20 处最后保存。

log_dir_2 = tempfile.mkdtemp()

backup_restore_callback = tf.keras.callbacks.BackupAndRestore(
    backup_dir = log_dir_2, save_freq=30
)
model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'])
try:
  model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback, InterruptAtStep()])
except Exception as e:
  print(f'{type(e).__name__}:{e}')

接下来，实例化 Keras 模型，调用 Model.compile，并使用 Model.fit 从之前保存的检查点继续训练模型。注意，训练从 epoch 2 和 step 21 开始。

model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'],
              steps_per_execution=10)
model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback])

TensorFlow 2：使用自定义训练循环编写手动检查点

如果您在 TensorFlow 2 中使用自定义训练循环，可以使用 tf.train.Checkpoint 和 tf.train.CheckpointManager API 实现容错机制。

此示例演示如何

首先定义并实例化 Keras 模型、优化器和损失函数。然后，创建一个 Checkpoint 来管理两个具有可跟踪状态的对象（模型和优化器），以及一个 CheckpointManager 用于在临时目录中记录和保存多个检查点。

model = create_model()
optimizer = tf.keras.optimizers.SGD(learning_rate=0.001)
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
log_dir = tempfile.mkdtemp()
epochs = 5
steps_per_epoch = 5

checkpoint = tf.train.Checkpoint(model=model, optimizer=optimizer)
checkpoint_manager = tf.train.CheckpointManager(
            checkpoint, log_dir, max_to_keep=2)

现在，实现一个自定义训练循环，在第一个 epoch 之后，每次新 epoch 开始时都会加载最后一个检查点。

for epoch in range(epochs):
  if epoch > 0:
      tf.train.load_checkpoint(save_path)
  print(f"\nStart of epoch {epoch}")

  for step in range(steps_per_epoch):
    with tf.GradientTape() as tape:

      logits = model(x_train, training=True)
      loss_value = loss_fn(y_train, logits)

      grads = tape.gradient(loss_value, model.trainable_weights)
      optimizer.apply_gradients(zip(grads, model.trainable_weights))

    save_path = checkpoint_manager.save()
    print(f"Checkpoint saved to {save_path}")
    print(f"Training loss at step {step}: {loss_value}")

后续步骤

要详细了解 TensorFlow 2 中的容错和检查点，请参考以下文档

您可能还会发现以下与 分布式训练 相关的资料有用