迁移评估

#@title Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

迁移评估#

在 TensorFlow.org 上查看

在 Google Colab 运行

在 Github 上查看源代码

下载笔记本

评估是对模型进行衡量和基准测试的关键部分。

本指南演示了如何将评估器任务从 TensorFlow 1 迁移到 TensorFlow 2。在 TensorFlow 1 中，当 API 以分布式方式运行时，此功能由 tf.estimator.train_and_evaluate 实现。在 Tensorflow 2 中，可以使用内置 tf.keras.utils.SidecarEvaluator，或在评估器任务上使用自定义评估循环。

TensorFlow 1 (tf.estimator.Estimator.evaluate) 和 TensorFlow 2（Model.fit(..., validation_data=(...)) 或 Model.evaluate）中都有简单的连续评估选项。当您不希望工作进程在训练和评估之间切换时，评估器任务更合适，而当您希望分布评估时，Model.fit 中的内置评估更合适。

安装#

import tensorflow.compat.v1 as tf1
import tensorflow as tf
import numpy as np
import tempfile
import time
import os

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.train_and_evaluate 进行评估#

在 TensorFlow 1 中，可以配置 tf.estimator 以使用 tf.estimator.train_and_evaluate 评估 Estimator。

在此示例中，首先定义 tf.estimator.Estimator 并指定训练和评估规范：

feature_columns = [tf1.feature_column.numeric_column("x", shape=[28, 28])]

classifier = tf1.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[256, 32],
    optimizer=tf1.train.AdamOptimizer(0.001),
    n_classes=10,
    dropout=0.2
)

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,
)

test_input_fn = tf1.estimator.inputs.numpy_input_fn(
    x={"x": x_test},
    y=y_test.astype(np.int32),
    num_epochs=10,
    shuffle=False
)

train_spec = tf1.estimator.TrainSpec(input_fn=train_input_fn, max_steps=10)
eval_spec = tf1.estimator.EvalSpec(input_fn=test_input_fn,
                                   steps=10,
                                   throttle_secs=0)

随后，训练和评估模型。评估在训练之间同步运行，因为它在此笔记本中被限制为本地运行，并且在训练和评估之间交替运行。但是，如果 Estimator 是以分布式方式使用的，则评估器将作为专用评估器任务运行。有关详情，请查看分布式训练的迁移指南。

tf1.estimator.train_and_evaluate(estimator=classifier,
                                train_spec=train_spec,
                                eval_spec=eval_spec)

TensorFlow 2：评估 Keras 模型#

在 TensorFlow 2 中，如果您使用 Model.fit API 进行训练，则可以使用 tf.keras.utils.SidecarEvaluator 评估模型。此外，还可以在 Tensorboard 中呈现评估指标，本指南中未介绍此功能。

为了帮助演示这一点，我们首先定义和训练模型：

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'],
              steps_per_execution=10,
              run_eagerly=True)

log_dir = tempfile.mkdtemp()
model_checkpoint = tf.keras.callbacks.ModelCheckpoint(
    filepath=os.path.join(log_dir, 'ckpt-{epoch}'),
    save_weights_only=True)

model.fit(x=x_train,
          y=y_train,
          epochs=1,
          callbacks=[model_checkpoint])

然后，使用 tf.keras.utils.SidecarEvaluator 评估模型。在实际训练中，建议使用单独的作业进行评估，以释放工作进程资源进行训练。

data = tf.data.Dataset.from_tensor_slices((x_test, y_test))
data = data.batch(64)

tf.keras.utils.SidecarEvaluator(
    model=model,
    data=data,
    checkpoint_dir=log_dir,
    max_evaluations=1
).start()

后续步骤#

要详细了解 sidecar 评估，请考虑阅读 tf.keras.utils.SidecarEvaluator API 文档。
要考虑在 Keras 中交替进行训练和评估，请考虑阅读其他内置方法。

迁移评估

目录

迁移评估#

安装#

TensorFlow 1：使用 tf.estimator.train_and_evaluate 进行评估#

TensorFlow 2：评估 Keras 模型#

后续步骤#