TensorFlow 扩展 | Trainer 从 GenericExecutor 和 Keras 模型开始并不热

Question

我目前正在尝试让 TFX 管道的 Trainer 组件从同一管道的前一个运行热启动。用例是：

运行流水线一次，出模型
随着新数据的到来，使用新数据训练现有模型。

我知道 ResolverNode 组件就是为此目的而设计的，因此您可以在下面看到我如何使用它：

# detect the previously trained model
latest_model_resolver = ResolverNode(
  instance_name='latest_model_resolver',
  resolver_class=latest_artifacts_resolver.LatestArtifactsResolver,
  latest_model=Channel(type=Model))
context.run(latest_model_resolver)

# set prior model as base_model
train_file = 'tfx_modules/recommender_train.py'
trainer = Trainer(
    module_file=os.path.abspath(train_file),
    custom_executor_spec=executor_spec.ExecutorClassSpec(GenericExecutor),
    transformed_examples=transform.outputs['transformed_examples'],
    transform_graph=transform.outputs['transform_graph'],
    schema=schema_gen.outputs['schema'],
    train_args=trainer_pb2.TrainArgs(num_steps=10000),
    eval_args=trainer_pb2.EvalArgs(num_steps=5000),
    base_model=latest_model_resolver.outputs['latest_model'])

上面的组件运行成功，并且 ResolverNode 能够从先前的管道运行中检测到最新模型。不会抛出任何错误 - 但是，当运行ning context.run(trainer) 时，模型损失基本上从第一次开始的地方开始。在模型的第一个运行之后，它完成了约 0.1 的训练损失，但是，在第二个运行（假定的热启动）时，它重新开始约 18.2.

这让我相信所有权重都已重新初始化，我认为这不应该发生。下面是相关的模型构造函数：

def build_keras_model():
    """build keras model"""
    embedding_max_values = load(open(os.path.abspath('tfx-example/user_artifacts/embedding_max_dict.pkl'), 'rb'))
    embedding_dimensions = dict([(key, 20) for key in embedding_max_values.keys()])
    embedding_pairs = [recommender.EmbeddingPair(embedding_name=feature,
                                                 embedding_dimension=embedding_dimensions[feature],
                                                 embedding_max_val=embedding_max_values[feature])
                       for feature in recommender_constants.univalent_features]

    numeric_inputs = []
    for num_feature in recommender_constants.numeric_features:
        numeric_inputs.append(keras.Input(shape=(1,), name=num_feature))

    input_layers = numeric_inputs + [elem for pair in embedding_pairs for elem in pair.input_layers]
    pre_concat_layers = numeric_inputs + [elem for pair in embedding_pairs for elem in pair.embedding_layers]

    concat = keras.layers.Concatenate()(pre_concat_layers) if len(pre_concat_layers) > 1 else pre_concat_layers[0]
    layer_1 = keras.layers.Dense(64, activation='relu', name='layer1')(concat)
    output = keras.layers.Dense(1, kernel_initializer='lecun_uniform', name='out')(layer_1)
    model = keras.models.Model(input_layers, outputs=output)
    model.compile(optimizer='adam', loss='mean_squared_error')
    return model

def run_fn(fn_args: TrainerFnArgs):
    """function for the Trainer component"""
    tf_transform_output = tft.TFTransformOutput(fn_args.transform_output)

    train_dataset = _input_fn(fn_args.train_files, fn_args.data_accessor,
                              tf_transform_output, 40)
    eval_dataset = _input_fn(fn_args.eval_files, fn_args.data_accessor,
                             tf_transform_output, 40)

    model = build_keras_model()
    tensorboard_callback = tf.keras.callbacks.TensorBoard(
        log_dir=fn_args.model_run_dir, update_freq='epoch', histogram_freq=1,
        write_images=True)
    model.fit(train_dataset, steps_per_epoch=fn_args.train_steps, validation_data=eval_dataset,
              validation_steps=fn_args.eval_steps, callbacks=[tensorboard_callback],
              epochs=5)

    signatures = {
        'serving_default':
            _get_serve_tf_examples_fn(model, tf_transform_output).get_concrete_function(tf.TensorSpec(
                    shape=[None],
                    dtype=tf.string,
                    name='examples')
            )
    }
    model.save(fn_args.serving_model_dir, save_format='tf', signatures=signatures)

为了研究这个问题，我仔细阅读了：

来自 TFX 的热启动示例 https://github.com/tensorflow/tfx/blob/master/tfx/examples/chicago_taxi_pipeline/taxi_pipeline_warmstart.py

但是，本指南使用 Estimator 组件而不是 Keras 组件。该组件有一个 warm_start_from 初始化参数，我找不到 Keras 等效项。

我怀疑：

或者热启动功能仅对Estimator组件可用，即使为Keras组件设置base_model也不会生效。
即使在成功加载之前的模型之后，我也会以某种方式告诉模型重新初始化权重 - 在这种情况下，我希望得到一个关于发生位置的指针。

任何帮助都会很棒！非常感谢。

Answer 1

对于 Keras 模型，您必须首先使用基本模型路径加载模型，然后您可以从那里继续训练，而不是构建新模型。

您的 Trainer 组件看起来正确，但在 run_fn 中改为执行以下操作：

def run_fn(fn_args: FnArgs):
  model = tf.keras.models.load_model(fn_args.base_model)
  model.fit(train_dataset, steps_per_epoch=fn_args.train_steps, validation_data=eval_dataset,
              validation_steps=fn_args.eval_steps, callbacks=[tensorboard_callback],
              epochs=5)

TensorFlow 扩展 | Trainer 从 GenericExecutor 和 Keras 模型开始并不热

TensorFlow Extended | Trainer Not Warm Starting With GenericExecutor & Keras Model

python

machine-learning

keras

tensorflow2.0

tfx