Convnet moderne, Squeezenet, Xception, con Keras e TPU

1. Panoramica

In questo lab, imparerai a conoscere l'architettura convoluzionale moderna e utilizzerai le tue conoscenze per implementare una rete convoluzionale semplice ma efficace chiamata "SqueezeNet".

Questo lab include le spiegazioni teoriche necessarie sulle reti neurali convoluzionali ed è un buon punto di partenza per gli sviluppatori che vogliono imparare il deep learning.

Questo lab è la quarta parte della serie "Keras on TPU". Puoi eseguirle nel seguente ordine o in modo indipendente.

• Pipeline di dati a velocità TPU: tf.data.Dataset e TFRecords
• Il tuo primo modello Keras, con il transfer learning
• Reti neurali convoluzionali con Keras e TPU
• [QUESTO LAB] ConvNet moderne, SqueezeNet, Xception, con Keras e TPU

Obiettivi didattici

• Per padroneggiare lo stile funzionale di Keras
• Per creare un modello utilizzando l'architettura SqueezeNet
• Utilizzare le TPU per eseguire l'addestramento rapidamente e iterare l'architettura
• Per implementare l'aumento dei dati con tf.data.dataset
• Per ottimizzare un modello di grandi dimensioni preaddestrato (Xception) su TPU

Feedback

Se noti qualcosa di strano in questo codelab, comunicacelo. Il feedback può essere fornito tramite i problemi di GitHub [link al feedback].

2. Guida rapida di Google Colaboratory

Questo lab utilizza Google Collaboratory e non richiede alcuna configurazione da parte tua. Colaboratory è una piattaforma di notebook online per scopi didattici. Offre addestramento senza costi per CPU, GPU e TPU.

Puoi aprire questo notebook di esempio ed eseguire alcune celle per acquisire familiarità con Colaboratory.

Welcome to Colab.ipynb

Seleziona un backend TPU

Nel menu di Colab, seleziona Runtime > Cambia tipo di runtime e poi TPU. In questo codelab utilizzerai una potente TPU (Tensor Processing Unit) supportata per l'addestramento con accelerazione hardware. La connessione al runtime avverrà automaticamente alla prima esecuzione oppure puoi utilizzare il pulsante "Connetti" nell'angolo in alto a destra.

Esecuzione del notebook

Esegui le celle una alla volta facendo clic su una cella e utilizzando Maiusc+Invio. Puoi anche eseguire l'intero notebook con Runtime > Esegui tutto.

Sommario

Tutti i notebook hanno un indice. Puoi aprirlo utilizzando la freccia nera a sinistra.

Celle nascoste

Alcune celle mostreranno solo il titolo. Questa è una funzionalità specifica dei notebook di Colab. Puoi fare doppio clic per visualizzare il codice all'interno, ma di solito non è molto interessante. In genere, funzioni di supporto o visualizzazione. Devi comunque eseguire queste celle per definire le funzioni al loro interno.

Autenticazione

Colab può accedere ai tuoi bucket Google Cloud Storage privati se esegui l'autenticazione con un account autorizzato. Lo snippet di codice riportato sopra attiverà una procedura di autenticazione.

3. [INFO] Che cosa sono le Tensor Processing Unit (TPU)?

In breve

Le TPU sono acceleratori hardware specializzati in attività di deep learning. In questo code lab vedrai come utilizzarli con Keras e TensorFlow 2. Le Cloud TPU sono disponibili in una configurazione di base con 8 core e anche in configurazioni più grandi chiamate "pod TPU" fino a 2048 core. L'hardware aggiuntivo può essere utilizzato per accelerare l'addestramento aumentando la dimensione del batch di addestramento.

Il codice per l'addestramento di un modello su TPU in Keras (e il fallback su GPU o CPU se una TPU non è disponibile):

try: # detect TPUs
    tpu = tf.distribute.cluster_resolver.TPUClusterResolver.connect()
    strategy = tf.distribute.TPUStrategy(tpu)
except ValueError: # detect GPUs
    strategy = tf.distribute.MirroredStrategy() # for CPU/GPU or multi-GPU machines

# use TPUStrategy scope to define model
with strategy.scope():
  model = tf.keras.Sequential( ... )
  model.compile( ... )

# train model normally on a tf.data.Dataset
model.fit(training_dataset, epochs=EPOCHS, steps_per_epoch=...)

Oggi utilizzeremo le TPU per creare e ottimizzare un classificatore di fiori a velocità interattive (minuti per esecuzione dell'addestramento).

Perché le TPU?

Le GPU moderne sono organizzate intorno a "core" programmabili, un'architettura molto flessibile che consente loro di gestire una serie di attività come il rendering 3D, il deep learning, le simulazioni fisiche e così via. Le TPU, invece, accoppiano un processore vettoriale classico a un'unità di moltiplicazione della matrice dedicata e sono eccellenti in qualsiasi attività in cui dominano le moltiplicazioni di matrici di grandi dimensioni, come le reti neurali.

Illustrazione: uno strato di rete neurale densa come moltiplicazione di matrici, con un batch di otto immagini elaborate contemporaneamente dalla rete neurale. Esegui una moltiplicazione di una riga per una colonna per verificare che venga effettivamente eseguita una somma ponderata di tutti i valori dei pixel di un'immagine. Anche i livelli convoluzionali possono essere rappresentati come moltiplicazioni di matrici, anche se è un po' più complicato ( spiegazione qui, nella sezione 1).

L'hardware

MXU e VPU

Un core TPU v2 è costituito da un'unità di moltiplicazione a matrice (MXU) che esegue moltiplicazioni di matrici e da un'unità di elaborazione vettoriale (VPU) per tutte le altre attività, come attivazioni, softmax e così via. La VPU gestisce i calcoli float32 e int32. L'MXU, invece, opera in un formato a virgola mobile a precisione mista a 16-32 bit.

Virgola mobile a precisione mista e bfloat16

L'MXU calcola le moltiplicazioni di matrici utilizzando input bfloat16 e output float32. Gli accumuli intermedi vengono eseguiti con precisione float32.

L'addestramento della rete neurale è in genere resistente al rumore introdotto da una precisione in virgola mobile ridotta. In alcuni casi, il rumore aiuta persino lo strumento di ottimizzazione a convergere. La precisione in virgola mobile a 16 bit è stata tradizionalmente utilizzata per accelerare i calcoli, ma i formati float16 e float32 hanno intervalli molto diversi. La riduzione della precisione da float32 a float16 di solito comporta overflow e underflow. Esistono soluzioni, ma in genere è necessario un lavoro aggiuntivo per far funzionare float16.

Per questo motivo, Google ha introdotto il formato bfloat16 nelle TPU. bfloat16 è un float32 troncato con esattamente gli stessi bit di esponente e lo stesso intervallo di float32. Questo, unito al fatto che le TPU calcolano le moltiplicazioni di matrici in precisione mista con input bfloat16 ma output float32, significa che, in genere, non sono necessarie modifiche al codice per trarre vantaggio dai miglioramenti delle prestazioni dovuti alla precisione ridotta.

L'utilizzo della precisione mista bfloat16/float32 è l'impostazione predefinita sulle TPU. Per abilitarlo, non è necessario apportare modifiche al codice TensorFlow. Continui a lavorare con float32 in tutto il codice. Quando esegue una moltiplicazione di matrici, la TPU tronca automaticamente i suoi input a bfloat16. La matrice risultante è float32.

Array sistolico

L'MXU implementa le moltiplicazioni di matrici nell'hardware utilizzando una cosiddetta architettura "array sistolico" in cui gli elementi di dati scorrono attraverso un array di unità di calcolo hardware. In medicina, "sistolico" si riferisce alle contrazioni cardiache e al flusso sanguigno, qui al flusso di dati.

L'elemento di base di una moltiplicazione di matrici è un prodotto scalare tra una riga di una matrice e una colonna dell'altra matrice (vedi l'illustrazione nella parte superiore di questa sezione). Per una moltiplicazione di matrici Y=X*W, un elemento del risultato sarebbe:

Y[2,0] = X[2,0]*W[0,0] + X[2,1]*W[1,0] + X[2,2]*W[2,0] + ... + X[2,n]*W[n,0]

Su una GPU, questo prodotto scalare viene programmato in un "core" della GPU e poi eseguito su tutti i "core" disponibili in parallelo per cercare di calcolare contemporaneamente ogni valore della matrice risultante. Se la matrice risultante è 128x128, sarebbero necessari 128x128=16.000 "core" disponibili, il che in genere non è possibile. Le GPU più grandi hanno circa 4000 core. Una TPU, invece, utilizza l'hardware minimo indispensabile per le unità di calcolo nell'MXU: solo bfloat16 x bfloat16 => float32 moltiplicatori-accumulatori, nient'altro. Sono così piccole che una TPU può implementarne 16.000 in una MXU 128x128 ed elaborare questa moltiplicazione di matrici in una sola volta.

Illustrazione: l'array sistolico MXU. Gli elementi di calcolo sono accumulatori di moltiplicazione. I valori di una matrice vengono caricati nell'array (punti rossi). I valori dell'altra matrice scorrono attraverso l'array (punti grigi). Le linee verticali propagano i valori verso l'alto. Le linee orizzontali propagano le somme parziali. L'utente deve verificare che, man mano che i dati scorrono nell'array, il risultato della moltiplicazione delle matrici esca dal lato destro.

Inoltre, mentre i prodotti scalari vengono calcolati in un'unità di esecuzione della matrice, le somme intermedie scorrono semplicemente tra le unità di calcolo adiacenti. Non devono essere archiviati e recuperati dalla memoria o da un file di registro. Il risultato finale è che l'architettura dell'array sistolico della TPU offre un vantaggio significativo in termini di densità e potenza, nonché un vantaggio di velocità non trascurabile rispetto a una GPU, quando si calcolano le moltiplicazioni di matrici.

Cloud TPU

Quando richiedi una "Cloud TPU v2" su Google Cloud, ottieni una macchina virtuale (VM) con una scheda TPU collegata a PCI. La scheda TPU ha quattro chip TPU dual-core. Ogni core TPU è dotato di una VPU (Vector Processing Unit) e di un'unità MXU (MatriX multiply Unit) 128x128. Questa "Cloud TPU" viene quindi solitamente connessa tramite la rete alla VM che l'ha richiesta. Quindi il quadro completo è il seguente:

Illustrazione: la tua VM con un acceleratore "Cloud TPU" collegato alla rete. "La Cloud TPU" stessa è costituita da una VM con una scheda TPU collegata a PCI con quattro chip TPU dual-core.

TPU pod

Nei data center di Google, le TPU sono connesse a un'interconnessione di computing ad alte prestazioni (HPC), che può farle apparire come un unico acceleratore molto grande. Google li chiama pod e possono comprendere fino a 512 core TPU v2 o 2048 core TPU v3.

Illustrazione: un pod TPU v3. Schede e rack TPU connessi tramite interconnessione HPC.

Durante l'addestramento, i gradienti vengono scambiati tra i core TPU utilizzando l'algoritmo all-reduce ( qui una buona spiegazione di all-reduce). Il modello in fase di addestramento può sfruttare l'hardware eseguendo l'addestramento su dimensioni batch di grandi dimensioni.

Illustrazione: sincronizzazione dei gradienti durante l'addestramento utilizzando l'algoritmo all-reduce sulla rete HPC a mesh toroidale bidimensionale della TPU di Google.

Il software

Addestramento con dimensioni del batch elevate

La dimensione batch ideale per le TPU è di 128 elementi di dati per core TPU, ma l'hardware può già mostrare un buon utilizzo a partire da 8 elementi di dati per core TPU. Ricorda che una Cloud TPU ha 8 core.

In questo codelab utilizzeremo l'API Keras. In Keras, il batch che specifichi è la dimensione del batch globale per l'intera TPU. I batch verranno suddivisi automaticamente in 8 e verranno eseguiti sugli 8 core della TPU.

Per ulteriori suggerimenti sul rendimento, consulta la Guida al rendimento delle TPU. Per batch di dimensioni molto grandi, in alcuni modelli potrebbe essere necessario prestare particolare attenzione. Per ulteriori dettagli, consulta LARSOptimizer.

Dietro le quinte: XLA

I programmi TensorFlow definiscono i grafi di calcolo. La TPU non esegue direttamente il codice Python, ma il grafico di calcolo definito dal programma TensorFlow. Sotto il cofano, un compilatore chiamato XLA (accelerated Linear Algebra compiler) trasforma il grafico di nodi di calcolo di TensorFlow in codice macchina TPU. Questo compilatore esegue anche molte ottimizzazioni avanzate sul codice e sul layout della memoria. La compilazione avviene automaticamente quando il lavoro viene inviato alla TPU. Non devi includere XLA nella catena di build in modo esplicito.

Illustrazione: per essere eseguito sulla TPU, il grafico di calcolo definito dal programma TensorFlow viene prima tradotto in una rappresentazione XLA (accelerated Linear Algebra compiler), poi compilato da XLA in codice macchina TPU.

Utilizzo delle TPU in Keras

Le TPU sono supportate tramite l'API Keras a partire da TensorFlow 2.1. Il supporto di Keras funziona su TPU e pod di TPU. Ecco un esempio che funziona su TPU, GPU e CPU:

try: # detect TPUs
    tpu = tf.distribute.cluster_resolver.TPUClusterResolver.connect()
    strategy = tf.distribute.TPUStrategy(tpu)
except ValueError: # detect GPUs
    strategy = tf.distribute.MirroredStrategy() # for CPU/GPU or multi-GPU machines

# use TPUStrategy scope to define model
with strategy.scope():
  model = tf.keras.Sequential( ... )
  model.compile( ... )

# train model normally on a tf.data.Dataset
model.fit(training_dataset, epochs=EPOCHS, steps_per_epoch=...)

In questo snippet di codice:

• TPUClusterResolver().connect() trova la TPU sulla rete. Funziona senza parametri sulla maggior parte dei sistemi Google Cloud (job AI Platform, Colaboratory, Kubeflow, VM di deep learning create tramite l'utilità "ctpu up"). Questi sistemi sanno dove si trova la TPU grazie a una variabile di ambiente TPU_NAME. Se crei una TPU manualmente, imposta la variabile di ambiente TPU_NAME nella VM da cui la utilizzi o chiama TPUClusterResolver con parametri espliciti: TPUClusterResolver(tp_uname, zone, project)
• TPUStrategy è la parte che implementa l'algoritmo di sincronizzazione del gradiente di distribuzione e "all-reduce".
• La strategia viene applicata tramite un ambito. Il modello deve essere definito nell'ambito della strategia scope().
• La funzione tpu_model.fit prevede un oggetto tf.data.Dataset come input per l'addestramento della TPU.

Attività comuni di porting della TPU

• Sebbene esistano molti modi per caricare i dati in un modello TensorFlow, per le TPU è necessario utilizzare l'API tf.data.Dataset.
• Le TPU sono molto veloci e l'importazione dei dati spesso diventa il collo di bottiglia quando vengono eseguite. Nella Guida al rendimento delle TPU sono disponibili strumenti che puoi utilizzare per rilevare i colli di bottiglia dei dati e altri suggerimenti sul rendimento.
• I numeri int8 o int16 vengono trattati come int32. La TPU non dispone di hardware per numeri interi che opera su meno di 32 bit.
• Alcune operazioni di TensorFlow non sono supportate. L'elenco è disponibile qui. La buona notizia è che questa limitazione si applica solo al codice di addestramento, ovvero al passaggio in avanti e indietro attraverso il modello. Puoi comunque utilizzare tutte le operazioni TensorFlow nella pipeline di input dei dati, in quanto verranno eseguite sulla CPU.
• tf.py_func non è supportato sulla TPU.

4. [INFO] Classificatore di rete neurale 101

In breve

Se conosci già tutti i termini in grassetto nel paragrafo successivo, puoi passare all'esercizio successivo. Se hai appena iniziato a utilizzare il deep learning, benvenuto e continua a leggere.

Un classificatore di rete neurale è composto da diversi livelli di neuroni. Per la classificazione delle immagini, questi possono essere livelli densi o, più frequentemente, convoluzionali. In genere vengono attivati con la funzione di attivazione relu. L'ultimo livello utilizza tanti neuroni quante sono le classi ed è attivato con softmax. Per la classificazione, l'entropia incrociata è la funzione di perdita più comunemente utilizzata, che confronta le etichette codificate one-hot (ovvero le risposte corrette) con le probabilità previste dalla rete neurale. Per ridurre al minimo la perdita, è consigliabile scegliere un ottimizzatore con momentum, ad esempio AdamOptimizer, ed eseguire l'addestramento su batch di immagini e etichette di addestramento.

Per i modelli creati come sequenza di livelli, Keras offre l'API Sequential. Ad esempio, un classificatore di immagini che utilizza tre livelli densi può essere scritto in Keras come segue:

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=[192, 192, 3]),
    tf.keras.layers.Dense(500, activation="relu"),
    tf.keras.layers.Dense(50, activation="relu"),
    tf.keras.layers.Dense(5, activation='softmax') # classifying into 5 classes
])

# this configures the training of the model. Keras calls it "compiling" the model.
model.compile(
  optimizer='adam',
  loss= 'categorical_crossentropy',
  metrics=['accuracy']) # % of correct answers

# train the model
model.fit(dataset, ... )

Rete neurale densa

Si tratta della rete neurale più semplice per classificare le immagini. È composto da "neuroni" disposti in strati. Il primo livello elabora i dati di input e invia gli output ad altri livelli. Viene chiamato "denso" perché ogni neurone è collegato a tutti i neuroni dello strato precedente.

Puoi inserire un'immagine in una rete di questo tipo appiattendo i valori RGB di tutti i suoi pixel in un lungo vettore e utilizzandolo come input. Non è la tecnica migliore per il riconoscimento delle immagini, ma la miglioreremo in futuro.

Neuroni, attivazioni, ReLU

Un "neurone" calcola una somma ponderata di tutti i suoi input, aggiunge un valore chiamato "bias" e inserisce il risultato in una cosiddetta "funzione di attivazione". All'inizio, i pesi e il bias sono sconosciuti. Verranno inizializzati in modo casuale e "appresi" addestrando la rete neurale su molti dati noti.

La funzione di attivazione più popolare è chiamata ReLU, acronimo di Rectified Linear Unit. È una funzione molto semplice, come puoi vedere nel grafico sopra.

Attivazione Softmax

La rete precedente termina con un livello di 5 neuroni perché stiamo classificando i fiori in 5 categorie (rosa, tulipano, tarassaco, margherita, girasole). I neuroni negli strati intermedi vengono attivati utilizzando la classica funzione di attivazione ReLU. Nell'ultimo livello, invece, vogliamo calcolare numeri compresi tra 0 e 1 che rappresentano la probabilità che questo fiore sia una rosa, un tulipano e così via. Per questo, utilizzeremo una funzione di attivazione chiamata "softmax".

L'applicazione di softmax a un vettore viene eseguita prendendo l'esponenziale di ogni elemento e poi normalizzando il vettore, in genere utilizzando la norma L1 (somma dei valori assoluti) in modo che i valori sommati diano 1 e possano essere interpretati come probabilità.

Perché "softmax" si chiama così? La funzione esponenziale è una funzione in rapida crescita. Aumenterà le differenze tra gli output dei neuroni. Poi, quando normalizzi il vettore, l'elemento più grande, che domina la norma, verrà normalizzato a un valore vicino a 1, mentre tutti gli altri elementi verranno divisi per un valore elevato e normalizzati a un valore vicino a 0. Il vettore risultante mostra chiaramente la classe vincente, il "massimo", ma mantiene l'ordine relativo originale dei suoi valori, da cui il termine "soft".

Perdita di entropia incrociata

Ora che la nostra rete neurale produce previsioni dalle immagini di input, dobbiamo misurare la loro qualità, ovvero la distanza tra ciò che ci dice la rete e le risposte corrette, spesso chiamate "etichette". Ricorda che abbiamo le etichette corrette per tutte le immagini del set di dati.

Qualsiasi distanza andrebbe bene, ma per i problemi di classificazione la cosiddetta "distanza di entropia incrociata" è la più efficace. La chiameremo funzione di errore o "perdita":

La codifica "one-hot" significa che rappresenti l'etichetta "3) tarassaco" utilizzando un vettore di 5 valori, tutti pari a zero tranne il terzo, che è pari a 1. Questo vettore rappresenta una probabilità del 100% di essere un tarassaco. La nostra rete neurale restituisce anche le sue previsioni come un vettore di 5 valori di probabilità. Sono facili da confrontare.

Discesa del gradiente

"Addestrare" la rete neurale significa utilizzare immagini e etichette di addestramento per regolare pesi e bias in modo da ridurre al minimo la funzione di perdita di entropia incrociata. Ecco come funziona.

L'entropia incrociata è una funzione di pesi, bias, pixel dell'immagine di addestramento e della sua classe nota.

Se calcoliamo le derivate parziali dell'entropia incrociata rispetto a tutti i pesi e a tutti i bias, otteniamo un "gradiente", calcolato per una determinata immagine, etichetta e valore attuale di pesi e bias. Ricorda che possiamo avere milioni di pesi e bias, quindi il calcolo del gradiente sembra un'attività molto impegnativa. Fortunatamente, TensorFlow lo fa per noi. La proprietà matematica di un gradiente è che punta "verso l'alto". Poiché vogliamo andare dove l'entropia incrociata è bassa, andiamo nella direzione opposta. Aggiorniamo pesi e bias di una frazione del gradiente. Quindi, ripetiamo la stessa operazione più e più volte utilizzando i batch successivi di immagini e etichette di addestramento, in un ciclo di addestramento. Si spera che converga in un punto in cui l'entropia incrociata sia minima, anche se nulla garantisce che questo minimo sia univoco.

"Tasso di apprendimento": non puoi aggiornare i pesi e i bias per l'intera lunghezza del gradiente a ogni iterazione. Sarebbe come cercare di raggiungere il fondo di una valle indossando stivali delle sette leghe. Passeresti da un lato all'altro della valle. Per raggiungere il punto più basso, devi fare passi più piccoli, ovvero utilizzare solo una frazione del gradiente, in genere nell'intervallo 1/1000. Questa frazione è chiamata "tasso di apprendimento".

Mini-batching e momentum

Puoi calcolare il gradiente su una sola immagine di esempio e aggiornare immediatamente i pesi e i bias, ma farlo su un batch di, ad esempio, 128 immagini fornisce un gradiente che rappresenta meglio i vincoli imposti da diverse immagini di esempio e quindi è più probabile che converga più rapidamente verso la soluzione. La dimensione del mini-batch è un parametro regolabile.

Questa tecnica, a volte chiamata "discesa del gradiente stocastico", ha un altro vantaggio più pragmatico: lavorare con i batch significa anche lavorare con matrici più grandi e queste sono generalmente più facili da ottimizzare su GPU e TPU.

La convergenza può comunque essere un po' caotica e può persino interrompersi se il vettore gradiente è tutto zero. Significa che abbiamo trovato un minimo? Non sempre. Un componente gradiente può essere zero su un minimo o un massimo. Con un vettore gradiente con milioni di elementi, se sono tutti zero, la probabilità che ogni zero corrisponda a un minimo e nessuno a un punto massimo è piuttosto bassa. In uno spazio con molte dimensioni, i punti di sella sono piuttosto comuni e non vogliamo fermarci.

Illustrazione: un punto di sella. Il gradiente è 0, ma non è un minimo in tutte le direzioni. (Attribuzione immagine Wikimedia: di Nicoguaro - Own work, CC BY 3.0)

La soluzione consiste nell'aggiungere un po' di slancio all'algoritmo di ottimizzazione in modo che possa superare i punti di sella senza fermarsi.

La libreria TensorFlow fornisce una vasta gamma di ottimizzatori, a partire da tf.train.GradientDescentOptimizer. Ottimizzatori più avanzati e popolari con un momento integrato sono tf.train.RMSPropOptimizer o tf.train.AdamOptimizer.

Glossario

Batch o mini-batch: l'addestramento viene sempre eseguito su batch di dati di addestramento ed etichette. In questo modo, l'algoritmo può convergere. La dimensione "batch" è in genere la prima dimensione dei tensori di dati. Ad esempio, un tensore di forma [100, 192, 192, 3] contiene 100 immagini di 192 x 192 pixel con tre valori per pixel (RGB).

Perdita di entropia incrociata: una funzione di perdita speciale spesso utilizzata nei classificatori.

Strato denso: uno strato di neuroni in cui ogni neurone è collegato a tutti i neuroni dello strato precedente.

Caratteristiche: gli input di una rete neurale a volte vengono chiamati "caratteristiche". L'arte di capire quali parti di un set di dati (o combinazioni di parti) inserire in una rete neurale per ottenere buone previsioni è chiamata "ingegneria delle funzionalità".

Etichette: un altro nome per "classi" o risposte corrette in un problema di classificazione supervisionata

Tasso di apprendimento: frazione del gradiente in base alla quale vengono aggiornati pesi e bias a ogni iterazione del ciclo di addestramento.

Logit: gli output di un livello di neuroni prima dell'applicazione della funzione di attivazione sono chiamati "logit". Il termine deriva dalla "funzione logistica", nota anche come "funzione sigmoide", che in passato era la funzione di attivazione più popolare. "Neuron outputs before logistic function" è stato abbreviato in "logits".

Perdita: la funzione di errore che confronta gli output della rete neurale con le risposte corrette

Neurone: calcola la somma ponderata dei suoi input, aggiunge un bias e trasmette il risultato tramite una funzione di attivazione.

Codifica one-hot: la classe 3 su 5 viene codificata come un vettore di 5 elementi, tutti pari a zero tranne il terzo, che è pari a 1.

relu: unità lineare rettificata. Una funzione di attivazione popolare per i neuroni.

sigmoid: un'altra funzione di attivazione che era molto popolare e che è ancora utile in casi speciali.

softmax: una funzione di attivazione speciale che agisce su un vettore, aumenta la differenza tra il componente più grande e tutti gli altri e normalizza il vettore in modo che la somma sia pari a 1, in modo che possa essere interpretato come un vettore di probabilità. Utilizzato come ultimo passaggio nei classificatori.

Tensore: un "tensore" è come una matrice, ma con un numero arbitrario di dimensioni. Un tensore unidimensionale è un vettore. Un tensore bidimensionale è una matrice. Poi puoi avere tensori con 3, 4, 5 o più dimensioni.

5. [INFO] Reti neurali convoluzionali

In breve

Se conosci già tutti i termini in grassetto nel paragrafo successivo, puoi passare all'esercizio successivo. Se hai appena iniziato a utilizzare le reti neurali convoluzionali, continua a leggere.

Illustrazione: filtro di un'immagine con due filtri successivi composti ciascuno da 48 pesi apprendibili di 4x4x3.

Le reti neurali convoluzionali applicano una serie di filtri apprendibili all'immagine di input. Un livello convoluzionale è definito dalle dimensioni del filtro (o kernel), dal numero di filtri applicati e dallo stride. L'input e l'output di un livello convoluzionale hanno tre dimensioni (larghezza, altezza, numero di canali), a partire dall'immagine di input (larghezza, altezza, canali RGB). Quando impili i livelli convoluzionali, la larghezza e l'altezza dell'output possono essere regolate utilizzando uno stride > 1 o con un'operazione di max pooling. La profondità dell'output (numero di canali) viene regolata utilizzando più o meno filtri.

Ecco come appare una semplice rete neurale convoluzionale in Keras:

model = tf.keras.Sequential([
  # input: images of size 192x192x3 pixels (the three stands for RGB channels)
  tf.keras.layers.Conv2D(kernel_size=3, filters=24, padding='same', activation='relu', input_shape=[192, 192, 3]),
  tf.keras.layers.Conv2D(kernel_size=3, filters=24, padding='same', activation='relu'),
  tf.keras.layers.MaxPooling2D(pool_size=2),
  tf.keras.layers.Conv2D(kernel_size=3, filters=12, padding='same', activation='relu'),
  tf.keras.layers.MaxPooling2D(pool_size=2),
  tf.keras.layers.Conv2D(kernel_size=3, filters=6, padding='same', activation='relu'),
  tf.keras.layers.Flatten(),
  # classifying into 5 categories
  tf.keras.layers.Dense(5, activation='softmax')
])

model.compile(
  optimizer='adam',
  loss= 'categorical_crossentropy',
  metrics=['accuracy'])

Reti neurali convoluzionali 101

In un livello di una rete convoluzionale, un "neurone" esegue una somma ponderata dei pixel appena sopra, solo in una piccola regione dell'immagine. Aggiunge un bias e alimenta la somma tramite una funzione di attivazione, proprio come farebbe un neurone in un normale livello denso. Questa operazione viene poi ripetuta sull'intera immagine utilizzando gli stessi pesi. Ricorda che negli strati densi ogni neurone aveva i propri pesi. Qui, una singola "patch" di pesi scorre sull'immagine in entrambe le direzioni (una "convoluzione"). L'output ha tanti valori quanti sono i pixel nell'immagine (anche se è necessario un po' di padding ai bordi). Si tratta di un'operazione di filtraggio, che utilizza un filtro di 4x4x3=48 pesi.

Tuttavia, 48 pesi non saranno sufficienti. Per aggiungere altri gradi di libertà, ripetiamo la stessa operazione con un nuovo insieme di pesi. Viene generata una nuova serie di output del filtro. Chiamiamolo "canale " di output per analogia con i canali R, G e B nell'immagine di input.

I due (o più) insiemi di pesi possono essere riassunti in un unico tensore aggiungendo una nuova dimensione. In questo modo otteniamo la forma generica del tensore dei pesi per un livello convoluzionale. Poiché il numero di canali di input e output sono parametri, possiamo iniziare ad accumulare e concatenare i livelli convoluzionali.

Illustrazione: una rete neurale convoluzionale trasforma "cubi" di dati in altri "cubi" di dati.

Convoluzioni con passo, max pooling

Eseguendo le convoluzioni con uno stride di 2 o 3, possiamo anche ridurre il cubo di dati risultante nelle sue dimensioni orizzontali. Esistono due modi comuni per farlo:

• Convoluzione con passo: un filtro scorrevole come sopra, ma con un passo > 1
• Max pooling: una finestra scorrevole che applica l'operazione MAX (in genere su patch 2x2, ripetute ogni 2 pixel)

Illustrazione: se si sposta la finestra di calcolo di 3 pixel, si ottengono meno valori di output. Le convoluzioni con passo o il max pooling (massimo in una finestra 2x2 che scorre con un passo di 2) sono un modo per ridurre il cubo di dati nelle dimensioni orizzontali.

Il "max pooling" può aiutarci a capire in modo intuitivo come funzionano le reti convoluzionali: se si presume che durante l'addestramento, le patch di pesi si evolvano in filtri che riconoscono forme di base (linee orizzontali e verticali, curve, ecc.), un modo per estrarre informazioni utili è mantenere attraverso i livelli gli output in cui una forma è stata riconosciuta con la massima intensità. In pratica, in un neurone del livello max-pooling gli output vengono elaborati in gruppi di 2x2 e viene conservato solo il valore massimo.

Classificatore convoluzionale

Infine, colleghiamo un'intestazione di classificazione appiattendo l'ultimo cubo di dati e inserendolo in un livello denso attivato da softmax. Un tipico classificatore convoluzionale può avere il seguente aspetto:

Illustrazione: un classificatore di immagini che utilizza strati convoluzionali e softmax. Utilizza filtri 3x3 e 1x1. I livelli maxpool prendono il massimo di gruppi di punti dati 2x2. L'intestazione di classificazione viene implementata con un livello denso con attivazione softmax.

In Keras

Lo stack convoluzionale illustrato sopra può essere scritto in Keras nel seguente modo:

model = tf.keras.Sequential([
  # input: images of size 192x192x3 pixels (the three stands for RGB channels)    
  tf.keras.layers.Conv2D(kernel_size=3, filters=32, padding='same', activation='relu', input_shape=[192, 192, 3]),
  tf.keras.layers.Conv2D(kernel_size=1, filters=32, padding='same', activation='relu'),
  tf.keras.layers.MaxPooling2D(pool_size=2),
  tf.keras.layers.Conv2D(kernel_size=3, filters=32, padding='same', activation='relu'),
  tf.keras.layers.Conv2D(kernel_size=1, filters=32, padding='same', activation='relu'),
  tf.keras.layers.MaxPooling2D(pool_size=2),
  tf.keras.layers.Conv2D(kernel_size=3, filters=32, padding='same', activation='relu'),
  tf.keras.layers.Conv2D(kernel_size=1, filters=32, padding='same', activation='relu'),
  tf.keras.layers.MaxPooling2D(pool_size=2),
  tf.keras.layers.Conv2D(kernel_size=3, filters=32, padding='same', activation='relu'),
  tf.keras.layers.Conv2D(kernel_size=1, filters=32, padding='same', activation='relu'),
  tf.keras.layers.MaxPooling2D(pool_size=2),
  tf.keras.layers.Conv2D(kernel_size=3, filters=16, padding='same', activation='relu'),
  tf.keras.layers.Conv2D(kernel_size=1, filters=8, padding='same', activation='relu'),
  tf.keras.layers.Flatten(),
  # classifying into 5 categories
  tf.keras.layers.Dense(5, activation='softmax')
])

model.compile(
  optimizer='adam',
  loss= 'categorical_crossentropy',
  metrics=['accuracy'])

Il parametro di padding nei livelli convoluzionali può avere due valori:

• "same": riempi con zeri in modo da produrre output con la stessa larghezza/altezza dell'input
• "valid": nessuna spaziatura interna, utilizza solo pixel reali

6. [NUOVE INFO] Architetture convoluzionali moderne

In breve

Le moderne reti convoluzionali, a partire da "Inception" e "Inception v2", spesso utilizzano "moduli" in cui vengono provati contemporaneamente diversi livelli convoluzionali sullo stesso input, i cui output vengono concatenati e la rete decide, tramite l'addestramento, quale livello è stato più utile.

Illustrazione: un "modulo" convoluzionale. Qual è la cosa migliore da fare a questo punto? Un livello max-pool seguito da un livello convoluzionale 1x1 o una diversa combinazione di livelli? Provali tutti, concatena i risultati e lascia che sia la rete a decidere. A destra: l'architettura convoluzionale " inception" che utilizza questi moduli.

In Keras, per creare modelli in cui il flusso di dati può ramificarsi in entrata e in uscita, devi utilizzare lo stile di modello "funzionale". Ecco un esempio:

l = tf.keras.layers # syntax shortcut

y = l.Conv2D(filters=32, kernel_size=3, padding='same',
             activation='relu', input_shape=[192, 192, 3])(x) # x=input image

# module start: branch out
y1 = l.Conv2D(filters=32, kernel_size=1, padding='same', activation='relu')(y)
y3 = l.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu')(y)
y = l.concatenate([y1, y3]) # output now has 64 channels
# module end: concatenation

# many more layers ...

# Create the model by specifying the input and output tensors.
# Keras layers track their connections automatically so that's all that's needed.
z = l.Dense(5, activation='softmax')(y)
model = tf.keras.Model(x, z)

Altri trucchi economici

Filtri piccoli 3x3

In questa illustrazione, vedi il risultato di due filtri 3x3 consecutivi. Prova a risalire ai punti dati che hanno contribuito al risultato: questi due filtri 3x3 consecutivi calcolano una combinazione di una regione 5x5. Non è esattamente la stessa combinazione che calcolerebbe un filtro 5x5, ma vale la pena provare perché due filtri 3x3 consecutivi sono più economici di un singolo filtro 5x5.

Convoluzioni 1x1?

In termini matematici, una convoluzione "1x1" è una moltiplicazione per una costante, un concetto non molto utile. Nelle reti neurali convoluzionali, invece, ricorda che il filtro viene applicato a un cubo di dati, non solo a un'immagine 2D. Pertanto, un filtro "1x1" calcola una somma ponderata di una colonna di dati 1x1 (vedi illustrazione) e, man mano che lo sposti sui dati, ottieni una combinazione lineare dei canali dell'input. È davvero utile. Se pensi ai canali come ai risultati di singole operazioni di filtraggio, ad esempio un filtro per "orecchie a punta", un altro per "baffi" e un terzo per "occhi a fessura", un livello convoluzionale "1x1" calcolerà più combinazioni lineari possibili di queste caratteristiche, il che potrebbe essere utile quando cerchi un "gatto". Inoltre, i livelli 1x1 utilizzano meno pesi.

7. Squeezenet

Un modo semplice per combinare queste idee è stato illustrato nell'articolo "Squeezenet". Gli autori suggeriscono un design del modulo convoluzionale molto semplice, utilizzando solo livelli convoluzionali 1x1 e 3x3.

Illustrazione: architettura SqueezeNet basata su "moduli fire". Alternano un livello 1x1 che "comprime" i dati in entrata nella dimensione verticale seguito da due livelli convoluzionali paralleli 1x1 e 3x3 che "espandono" nuovamente la profondità dei dati.

Pratico

Continua nel notebook precedente e crea una rete neurale convoluzionale ispirata a SqueezeNet. Dovrai modificare il codice del modello in modo che utilizzi lo "stile funzionale" di Keras.

Keras_Flowers_TPU (playground).ipynb

Altre informazioni

Per questi addestramenti, aumenta il conteggio EPOCH a 35.

Per questo esercizio, sarà utile definire una funzione helper per un modulo SqueezeNet:

def fire(x, squeeze, expand):
  y = l.Conv2D(filters=squeeze, kernel_size=1, padding='same', activation='relu')(x)
  y1 = l.Conv2D(filters=expand//2, kernel_size=1, padding='same', activation='relu')(y)
  y3 = l.Conv2D(filters=expand//2, kernel_size=3, padding='same', activation='relu')(y)
  return tf.keras.layers.concatenate([y1, y3])

# this is to make it behave similarly to other Keras layers
def fire_module(squeeze, expand):
  return lambda x: fire(x, squeeze, expand)

# usage:
x = l.Input(shape=[192, 192, 3])
y = fire_module(squeeze=24, expand=48)(x) # typically, squeeze is less than expand
y = fire_module(squeeze=32, expand=64)(y)
...
model = tf.keras.Model(x, y)

L'obiettivo questa volta è raggiungere una precisione dell'80%.

Cose da provare

Inizia con un singolo livello convoluzionale, poi segui con "fire_modules", alternando i livelli MaxPooling2D(pool_size=2). Puoi sperimentare con 2-4 livelli di pooling massimo nella rete e anche con 1, 2 o 3 moduli Fire consecutivi tra i livelli di pooling massimo.

Nei moduli antincendio, il parametro "squeeze" (compressione) in genere deve essere inferiore al parametro "expand" (espansione). Questi parametri sono in realtà numeri di filtri. In genere, possono variare da 8 a 196. Puoi sperimentare architetture in cui il numero di filtri aumenta gradualmente nella rete o architetture semplici in cui tutti i moduli Fire hanno lo stesso numero di filtri.

Ecco un esempio:

x = tf.keras.layers.Input(shape=[*IMAGE_SIZE, 3]) # input is 192x192 pixels RGB

y = tf.keras.layers.Conv2D(kernel_size=3, filters=32, padding='same', activation='relu')(x)
y = fire_module(24, 48)(y)
y = tf.keras.layers.MaxPooling2D(pool_size=2)(y)
y = fire_module(24, 48)(y)
y = tf.keras.layers.MaxPooling2D(pool_size=2)(y)
y = fire_module(24, 48)(y)
y = tf.keras.layers.GlobalAveragePooling2D()(y)
y = tf.keras.layers.Dense(5, activation='softmax')(y)

model = tf.keras.Model(x, y)

A questo punto, potresti notare che i tuoi esperimenti non stanno andando bene e che l'obiettivo di accuratezza dell'80% sembra lontano. È ora di un altro paio di trucchetti economici.

Normalizzazione batch

La normalizzazione dei batch ti aiuterà a risolvere i problemi di convergenza che stai riscontrando. Nel prossimo workshop verranno fornite spiegazioni dettagliate su questa tecnica. Per ora, utilizzala come helper "magico" a scatola chiusa aggiungendo questa riga dopo ogni livello convoluzionale nella rete, inclusi i livelli all'interno della funzione fire_module:

y = tf.keras.layers.BatchNormalization(momentum=0.9)(y)
# please adapt the input and output "y"s to whatever is appropriate in your context

Il parametro momentum deve essere ridotto dal valore predefinito di 0,99 a 0,9 perché il nostro set di dati è piccolo. Per il momento, non preoccuparti di questo dettaglio.

Aumento dei dati

Otterrai un paio di punti percentuali in più aumentando i dati con trasformazioni semplici come l'inversione sinistra-destra delle variazioni di saturazione:

È molto facile da fare in TensorFlow con l'API tf.data.Dataset. Definisci una nuova funzione di trasformazione per i tuoi dati:

def data_augment(image, label):
    image = tf.image.random_flip_left_right(image)
    image = tf.image.random_saturation(image, lower=0, upper=2)
    return image, label

Quindi, utilizzalo nella trasformazione finale dei dati (cella "training and validation datasets", funzione "get_batched_dataset"):

dataset = dataset.repeat() # existing line
# insert this
if augment_data:
  dataset = dataset.map(data_augment, num_parallel_calls=AUTO)
dataset = dataset.shuffle(2048) # existing line

Non dimenticare di rendere facoltativa l'aumento dei dati e di aggiungere il codice necessario per assicurarti che venga aumentato solo il set di dati di addestramento. Non ha senso aumentare il set di dati di convalida.

Ora dovresti riuscire a raggiungere un'accuratezza dell'80% in 35 epoche.

Soluzione

Ecco il notebook della soluzione. Puoi utilizzarlo se non riesci a risolvere il problema.

Keras_Flowers_TPU_squeezenet.ipynb

Argomenti trattati

• 🤔 Modelli "funzionali" di Keras
• 🤓 Architettura Squeezenet
• 🤓 Aumento dei dati con tf.data.datset

Ti invitiamo a esaminare questo elenco di controllo.

8. Xception ottimizzato

Convoluzioni separabili

Un modo diverso di implementare i livelli convoluzionali ha guadagnato popolarità di recente: le convoluzioni separabili in profondità. Lo so, è un po' complicato, ma il concetto è piuttosto semplice. Sono implementati in TensorFlow e Keras come tf.keras.layers.SeparableConv2D.

Una convoluzione separabile esegue anche un filtro sull'immagine, ma utilizza un insieme distinto di pesi per ciascun canale dell'immagine di input. Segue una "convoluzione 1x1", una serie di prodotti scalari che danno come risultato una somma ponderata dei canali filtrati. Con nuovi pesi ogni volta, vengono calcolate tutte le ricombinazioni ponderate dei canali necessarie.

Illustrazione: convoluzioni separabili. Fase 1: convoluzioni con un filtro separato per ogni canale. Fase 2: ricombinazioni lineari dei canali. Ripetuto con un nuovo set di pesi fino a raggiungere il numero desiderato di canali di output. Anche la fase 1 può essere ripetuta, con nuovi pesi ogni volta, ma in pratica è raro.

Le convoluzioni separabili vengono utilizzate nelle architetture di rete convoluzionale più recenti: MobileNetV2, Xception, EfficientNet. A proposito, MobileNetV2 è ciò che hai utilizzato in precedenza per il transfer learning.

Sono più economici delle convoluzioni regolari e si sono dimostrati altrettanto efficaci nella pratica. Ecco il conteggio del peso per l'esempio illustrato sopra:

Livello convoluzionale: 4 x 4 x 3 x 5 = 240

Livello convoluzionale separabile: 4 x 4 x 3 + 3 x 5 = 48 + 15 = 63

Il lettore può calcolare il numero di moltiplicazioni necessarie per applicare ogni stile di livello convoluzionale in modo simile. Le convoluzioni separabili sono più piccole e molto più efficaci dal punto di vista computazionale.

Pratico

Riavvia il notebook del playground "transfer learning", ma questa volta seleziona Xception come modello preaddestrato. Xception utilizza solo convoluzioni separabili. Lascia tutti i pesi addestrabili. Per i nostri dati, eseguiremo il perfezionamento dei pesi pre-addestrati anziché utilizzare i livelli pre-addestrati così come sono.

Keras Flowers transfer learning (playground).ipynb

Obiettivo: accuratezza > 95% (no, non è uno scherzo, è possibile!)

Essendo l'ultimo esercizio, richiede un po' più di codice e lavoro di data science.

Ulteriori informazioni sulla messa a punto

Xception è disponibile nei modelli pre-addestrati standard in tf.keras.application.* Non dimenticare di lasciare tutti i pesi addestrabili questa volta.

pretrained_model = tf.keras.applications.Xception(input_shape=[*IMAGE_SIZE, 3],
                                                  include_top=False)
pretrained_model.trainable = True

Per ottenere buoni risultati durante l'ottimizzazione di un modello, devi prestare attenzione al tasso di apprendimento e utilizzare una pianificazione del tasso di apprendimento con un periodo di aumento graduale. Esempio:

Se iniziassi con un tasso di apprendimento standard, i pesi preaddestrati del modello verrebbero interrotti. L'avvio progressivo li conserva finché il modello non si aggancia ai tuoi dati ed è in grado di modificarli in modo sensato. Dopo la rampa, puoi continuare con un tasso di apprendimento costante o con un decadimento esponenziale.

In Keras, il tasso di apprendimento viene specificato tramite un callback in cui puoi calcolare il tasso di apprendimento appropriato per ogni epoca. Keras passerà il tasso di apprendimento corretto all'ottimizzatore per ogni epoca.

def lr_fn(epoch):
  lr = ...
  return lr

lr_callback = tf.keras.callbacks.LearningRateScheduler(lr_fn, verbose=True)

model.fit(..., callbacks=[lr_callback])

Soluzione

Ecco il notebook della soluzione. Puoi utilizzarlo se non riesci a risolvere il problema.

07_Keras_Flowers_TPU_xception_fine_tuned_best.ipynb

Argomenti trattati

• 🤔 Convoluzione separabile in profondità
• 🤓 Pianificazioni del tasso di apprendimento
• 😈 Ottimizzazione di un modello preaddestrato.

Ti invitiamo a esaminare questo elenco di controllo.

9. Complimenti!

Hai creato la tua prima rete neurale convoluzionale moderna e l'hai addestrata con un'accuratezza superiore al 90%, eseguendo iterazioni sull'addestramento successivo in pochi minuti grazie alle TPU. Con questo si concludono i quattro codelab "Keras on TPU":

• Pipeline di dati a velocità TPU: tf.data.Dataset e TFRecords
• Il tuo primo modello Keras, con il transfer learning
• Reti neurali convoluzionali con Keras e TPU
• [QUESTO LAB] ConvNet moderne, SqueezeNet, Xception, con Keras e TPU

TPU in pratica

TPU e GPU sono disponibili su Cloud AI Platform:

• Su Deep Learning VM
• In AI Platform Notebooks
• Nei job di AI Platform Training

Infine, ci piacerebbe ricevere un tuo feedback. Comunicaci se noti qualcosa di strano in questo lab o se ritieni che debba essere migliorato. Il feedback può essere fornito tramite i problemi di GitHub [link al feedback].

L'autore: Martin Görner Twitter: @martin_gorner

www.tensorflow.org