将 LoggingTensorHook 和 StopAtStepHook 迁移到 Keras 回调

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

在 TensorFlow 1 中，您使用 tf.estimator.LoggingTensorHook 来监控和记录张量，而 tf.estimator.StopAtStepHook 则有助于在使用 tf.estimator.Estimator 进行训练时在指定步骤停止训练。此笔记本演示了如何使用自定义 Keras 回调 (tf.keras.callbacks.Callback) 将这些 API 迁移到 TensorFlow 2 中的等效项，并使用 Model.fit。

Keras 回调 是在内置 Keras Model.fit/Model.evaluate/Model.predict API 中的训练/评估/预测期间的不同点调用的对象。您可以在 tf.keras.callbacks.Callback API 文档以及 编写您自己的回调 和 使用内置方法进行训练和评估（使用回调 部分）指南中了解有关回调的更多信息。有关将 TensorFlow 1 中的 SessionRunHook 迁移到 TensorFlow 2 中的 Keras 回调，请查看 使用辅助逻辑迁移训练 指南。

设置

从导入和简单的演示数据集开始

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

features = [[1., 1.5], [2., 2.5], [3., 3.5]]
labels = [[0.3], [0.5], [0.7]]

# Define an input function.
def _input_fn():
  return tf1.data.Dataset.from_tensor_slices((features, labels)).batch(1)

TensorFlow 1：使用 tf.estimator API 记录张量并停止训练

在 TensorFlow 1 中，您定义各种挂钩来控制训练行为。然后，您将这些挂钩传递给 tf.estimator.EstimatorSpec。

在下面的示例中

  • 要监控/记录张量（例如，模型权重或损失），您使用 tf.estimator.LoggingTensorHook (tf.train.LoggingTensorHook 是它的别名)。
  • 要在特定步骤停止训练，您使用 tf.estimator.StopAtStepHook (tf.train.StopAtStepHook 是它的别名)。
def _model_fn(features, labels, mode):
  dense = tf1.layers.Dense(1)
  logits = dense(features)
  loss = tf1.losses.mean_squared_error(labels=labels, predictions=logits)
  optimizer = tf1.train.AdagradOptimizer(0.05)
  train_op = optimizer.minimize(loss, global_step=tf1.train.get_global_step())

  # Define the stop hook.
  stop_hook = tf1.train.StopAtStepHook(num_steps=2)

  # Access tensors to be logged by names.
  kernel_name = tf.identity(dense.weights[0])
  bias_name = tf.identity(dense.weights[1])
  logging_weight_hook = tf1.train.LoggingTensorHook(
      tensors=[kernel_name, bias_name],
      every_n_iter=1)
  # Log the training loss by the tensor object.
  logging_loss_hook = tf1.train.LoggingTensorHook(
      {'loss from LoggingTensorHook': loss},
      every_n_secs=3)

  # Pass all hooks to `EstimatorSpec`.
  return tf1.estimator.EstimatorSpec(mode,
                                     loss=loss,
                                     train_op=train_op,
                                     training_hooks=[stop_hook,
                                                     logging_weight_hook,
                                                     logging_loss_hook])

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

# Begin training.
# The training will stop after 2 steps, and the weights/loss will also be logged.
estimator.train(_input_fn)

TensorFlow 2：使用自定义回调和 Model.fit 记录张量并停止训练

在 TensorFlow 2 中，当您使用内置 Keras Model.fit（或 Model.evaluate）进行训练/评估时，您可以通过定义自定义 Keras tf.keras.callbacks.Callback 来配置张量监控和训练停止。然后，您将它们传递给 Model.fit（或 Model.evaluate）的 callbacks 参数。（在 编写您自己的回调 指南中了解更多信息。）

在下面的示例中

  • 要重新创建 StopAtStepHook 的功能，请定义一个自定义回调（下面命名为 StopAtStepCallback），您将在其中覆盖 on_batch_end 方法，以便在一定数量的步骤后停止训练。
  • 要重新创建 LoggingTensorHook 行为，请定义一个自定义回调 (LoggingTensorCallback)，您将在其中手动记录和输出记录的张量，因为不支持按名称访问张量。您还可以在自定义回调中实现日志记录频率。下面的示例将在每两个步骤打印一次权重。其他策略（例如，每 N 秒记录一次）也是可能的。
class StopAtStepCallback(tf.keras.callbacks.Callback):
  def __init__(self, stop_step=None):
    super().__init__()
    self._stop_step = stop_step

  def on_batch_end(self, batch, logs=None):
    if self.model.optimizer.iterations >= self._stop_step:
      self.model.stop_training = True
      print('\nstop training now')

class LoggingTensorCallback(tf.keras.callbacks.Callback):
  def __init__(self, every_n_iter):
      super().__init__()
      self._every_n_iter = every_n_iter
      self._log_count = every_n_iter

  def on_batch_end(self, batch, logs=None):
    if self._log_count > 0:
      self._log_count -= 1
      print("Logging Tensor Callback: dense/kernel:",
            model.layers[0].weights[0])
      print("Logging Tensor Callback: dense/bias:",
            model.layers[0].weights[1])
      print("Logging Tensor Callback loss:", logs["loss"])
    else:
      self._log_count -= self._every_n_iter

完成后，将新的回调（StopAtStepCallback 和 LoggingTensorCallback）传递给 Model.fit 的 callbacks 参数

dataset = tf.data.Dataset.from_tensor_slices((features, labels)).batch(1)
model = tf.keras.models.Sequential([tf.keras.layers.Dense(1)])
optimizer = tf.keras.optimizers.Adagrad(learning_rate=0.05)
model.compile(optimizer, "mse")

# Begin training.
# The training will stop after 2 steps, and the weights/loss will also be logged.
model.fit(dataset, callbacks=[StopAtStepCallback(stop_step=2),
                              LoggingTensorCallback(every_n_iter=2)])

下一步

了解更多关于回调的信息

您可能还会发现以下与迁移相关的资源有用