iT邦幫忙

第 12 屆 iThome 鐵人賽

DAY 5
1
AI & Data

從零.4開始我的深度學習之旅:從 用tf.data處理資料 到 用tf.estimator或tf.keras 訓練模型系列 第 5

一、用skeleton code解釋tensorflow model程式執行方式(tf.keras) ep.4:用虛擬碼開始解釋囉!

  • 分享至 

  • xImage
  •  

文章說明

文章分段:

  1. 文章說明
  2. 簡介datasets
  3. 描述模型訓練的流程
  4. 程式架構:上程式的虛擬碼,預告要寫的檔案、功能有哪些
  5. 主程式的實際撰寫,註明程式開始不能單跑的地方
  6. 總結

本篇是接續一、用skeleton code解釋tensorflow model程式執行方式(tf.keras) ep.3,ep.2與ep.3都在講第4段程式架構的project的資料夾結構,今天這篇一樣要繼續講第4段,但會開始進入程式虛擬碼講解部分。

 

前情提要:

繼簡單介紹和比較過,同任務不同dataset之間的差異,還有總結深度學習完整1 run的流程

接著就是從個人觀點去建議,一個project的結構如何編排,才能讓後續的模型分析工作,得以順利進行。

在ep.2,首先講了project分開的時機,還有project內的資料夾安排,有放模型架構的資料夾core/,放處理資料程式的資料夾datasets,還有在ep.3有講到紀錄訓練資訊的資料夾logs/models/

今天ep.4就要接著從訓練主程式train.py開始說起。讓我們開始吧。

 
 

程式架構(續)

在開始繼續講我的訓練主程式的code編排方式之前,先放一下到目前為止,一個project內要包含的資料夾與程式架構。

.
└── project1
     ├── core/
     |    ├── unet.py
     |    ├── backbone/
     |    └── ...
     ├── datasets/
     |    ├── DATASET_NAME
     |    |    ├── annotations/
     |    |    ├── data/
     |    |    └── tfrecords
     |    |         ├──DATASET_NAME_pred.tfrecord
     |    |         ├──DATASET_NAME_train.tfrecord
     |    |         └──DATASET_NAME_val.tfrecord
     |    ├── build_DATASET_NAME_to_tfrecord.py
     |    ├── build_data.py
     |    ├── data_generater.py
     |    ├── preprocesses.py
     |    ├── tfrecord2image_DATASET_NAME_format.py
     |    └── ... 
     ├── logs/
     |    ├── MODEL_NAME_WITH_CONFIG.log
     |    └── ...
     ├── models/
     |    └── MODEL_NAME_WITH_CONFIG/
     |    |    ├── checkpoint/
     |    |    |    ├── weights-improvement-0.86.hdf5
     |    |    |    ├── weights-improvement-0.94.hdf5
     |    |    |    └── ...
     |    |    ├── ~~M_N_acc.png~~
     |    |    └── ~~M_N_loss.png~~
     |    └── ...
     ├── evaluate.py
     ├── predict.py
     ├── README.md
     └── train.py

train.py

訓練主程式的功能,就是一執行它,就會取得一個模型架構,並根據參數設定及所喂進的資料進行訓練。

也就是說,在這支程式裡需要能接受hyper parameter設定,根據接收到的參數進行模型選取和loss及optimizer等設定,然後還要取得訓練及驗證資料。

接下來我將開始介紹code編排,會有實際的python程式與虛擬碼交錯。

1 # 取得hyper parameter

 

  • tf.app.flags

取得hyper parameter有很多種辦法,一種是tensorflow團隊會使用的common參數與tf的flags來管理與設定參數,顧名思義,common的參數都是那種常見且大部分模型都共通的參數,想多了解tensorflow團隊的project的可以走這(tensorflow/research)

import os

import tensorflow as tf

flags = tf.app.flags
flags.DEFINE_integer('batch_size', 1,
                     'model update after go through "batch_size" data.')
flags.DEFINE_integer('epochs', 1,
                     'training will go through whole dataset "epochs" times.')
flags.DEFINE_float('learning_rate', 1e-4,
                   'initial learning rate.')
flags.DEFINE_string('loss_fn', '',
                    '[BCE, MSE, dice, ...]')
flags.DEFINE_string('model_name', '',
                    'name of training model')
flags.DEFINE_string('optimizer', '',
                    '[adam, sgd, ...]')
flags.DEFINE_string('train_tfrecords_path', '',
                    'tfrecord path contains tfrecord with specific file pattern name.')
flags.DEFINE_string('val_tfrecords_path', '',
                    'tfrecord path contains tfrecord with specific file pattern name.')
FLAGS = flags.FLAGS


def main(_):
    print(FLAGS.batch_size)


if __name__ == '__main__':
    if not os.path.exists('./logs'):
        os.makedirs('./logs')
    tf.app.run()

tensorflow的框架自帶處理command line參數的API tf.app.flags,個人認為使用上蠻方便的,使用的話,程式寫法會有一個共同的起始點tf.app.run()需要跑,就像上方程式這樣,tf.app.run()一執行,預設會去執行檔案中的main() function。

程式執行方法是在command line執行時,把每個參數加上2個dash及數值--batch_size 256

 

  • argparse

tensorflow 自帶的app.flags有個美中不足之處是,我目前沒有找到他可以跟jupyter notebook一起運行的方式,有時候要測試程式寫法,用jupyter比較快速方便,那這時我的參數管理就會改用argparse,並寫好每個參數的預設值。

import os
import argparse

import tensorflow as tf

parser = argparse.ArgumentParser()
parser.add_argument('--model_name', default='MODEL_NAME', \
                    help='name of training model')
parser.add_argument('--tfrecords_path',default='datasets/MODEL_NAME/tfrecords/MODEL_NAME_val.tfrecord', \
                    help='test tfrecord')
parser.add_argument('--batch_size', default=10,
                     help='model update after go through "batch_size" data.', type=int)
parser.add_argument('--learning_rate', default=1e-4, \
                   help='initial learning rate.', type=float)
parser.add_argument('--loss_fn', default='dice', \
                    help='[BCE, MSE, dice, ...]')
parser.add_argument('--optimizer', default='sgd',
                    help='[adam, sgd, ...]')
FLAGS = parser.parse_args(args=[])


def main(_):
    print(FLAGS.batch_size)


if __name__ == '__main__':
    tf.app.run()

這樣寫的話可以只改動管理參數的package,而不用動到程式裡面的參數。

 
 

def main(_):
     ## prepare arguments
     
     ## prepare data according to arguments
     
     ## prepare model architecture according to arguments
     
     ## configurate model with arguments
     
     ## prepare arguments of saving model information
     
     ## training model in keras way
     
if __name__ == '__main__':     
    ## prepare directories of logs/, models/MODEL_NAME/, models/MODEL_NAME/checkpoint
    ## record hyper parameter

接著main()需要做到這些5件事情:

(1) prepare arguments:將執行時設置的參數,整理成方便處理data程式處理model程式取得的形式,個人是都用dictionary型態。
(2) 透過datasets/data_generator.py取得訓練與驗證資料,我在ep.2有簡略的描述過這支程式的用途,詳細程式後續再提。
(3) 透過core/取得模型架構,取得模型空殼
(4) 模型除了架構之外,還有loss、optimizer這類運算的設定需要補上,拉出來到main()這裏,撰寫是會比較具有靈活性
(5) 儲存訓練結果是非常重要的一件事,如何儲存以及要存下哪些資訊,在訓練前都要先決定。
(6) 最後就是訓練的部分。

 
 

接下來就會完善各部分程式,並向大家介紹tf.data與tf.keras要如何結合使用。

不過可能要等明天了,我對於接下來要怎麼呈現,還是有點混亂,希望到目前為止還算順暢。
如果你看到這裡,想謝謝你的耐心,如果能留言鼓勵我,會成為我很大的動力的。


上一篇
AI實習在做什麼?
下一篇
一、用skeleton code解釋tensorflow model程式執行方式(tf.keras) ep.5:解釋train.py
系列文
從零.4開始我的深度學習之旅:從 用tf.data處理資料 到 用tf.estimator或tf.keras 訓練模型30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言