Эта страница переведена с помощью Cloud Translation API.

Современные сети, сжимающие сети, Xception, с Keras и TPU.

1. Обзор

В этой лабораторной работе вы узнаете о современной сверточной архитектуре и используете свои знания для реализации простой, но эффективной сети под названием «squeezenet».

Эта лабораторная работа включает необходимые теоретические объяснения сверточных нейронных сетей и является хорошей отправной точкой для разработчиков, изучающих глубокое обучение.

Эта лабораторная работа является четвертой частью серии «Керас в ТПУ». Вы можете делать их в следующем порядке или самостоятельно.

Конвейеры данных со скоростью TPU: tf.data.Dataset и TFRecords
Ваша первая модель Keras с трансферным обучением
Сверточные нейронные сети с Keras и TPU
[ЭТА ЛАБОРАТОРИЯ] Современные сети, сжимающие сети, Xception, с Keras и TPU

Что вы узнаете

Освоить функциональный стиль Keras
Построение модели с использованием архитектуры сжимающей сети
Использовать TPU для быстрого обучения и итерации вашей архитектуры.
Чтобы реализовать увеличение данных с помощью tf.data.dataset
Для точной настройки предварительно обученной большой модели (Xception) на TPU.

Обратная связь

Если вы заметили что-то неладное в этой лаборатории кода, сообщите нам. Обратная связь может быть предоставлена через вопросы GitHub [ ссылка обратной связи ].

2. Быстрый старт Google Colaboratory

Эта лабораторная работа использует Google Collaboratory и не требует никакой настройки с вашей стороны. Colaboratory — это онлайн-платформа для записных книжек для образовательных целей. Он предлагает бесплатное обучение процессорам, графическим процессорам и TPU.

Вы можете открыть этот образец блокнота и просмотреть пару ячеек, чтобы ознакомиться с Colaboratory.

Welcome to Colab.ipynb

Выберите серверную часть TPU

В меню Colab выберите «Время выполнения» > «Изменить тип среды выполнения» , а затем выберите «TPU». В этой лаборатории по программированию вы будете использовать мощный TPU (тензорный процессор), поддерживающий аппаратное ускорение обучения. Подключение к среде выполнения произойдет автоматически при первом запуске, или вы можете использовать кнопку «Подключиться» в правом верхнем углу.

Исполнение ноутбука

Выполняйте ячейки по одной, щелкая ячейку и используя Shift-ENTER. Вы также можете запустить весь блокнот, выбрав «Среда выполнения» > «Выполнить все».

Скрытые ячейки

В некоторых ячейках будет отображаться только заголовок. Это функция блокнота, специфичная для Colab. Вы можете дважды щелкнуть по ним, чтобы увидеть код внутри, но обычно это не очень интересно. Обычно функции поддержки или визуализации. Вам все равно нужно запустить эти ячейки, чтобы определить функции внутри.

Аутентификация

Colab может получить доступ к вашим частным корзинам облачного хранилища Google при условии, что вы пройдете аутентификацию с использованием авторизованной учетной записи. Приведенный выше фрагмент кода запустит процесс аутентификации.

3. [ИНФОРМАЦИЯ] Что такое тензорные процессоры (TPU)?

В двух словах

Код для обучения модели на TPU в Keras (и использования графического процессора или процессора, если TPU недоступен):

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=...)

Сегодня мы будем использовать TPU для создания и оптимизации классификатора цветов на интерактивной скорости (минуты на тренировочный прогон).

Почему ТПУ?

Современные графические процессоры организованы вокруг программируемых «ядер» — очень гибкой архитектуры, которая позволяет им решать различные задачи, такие как 3D-рендеринг, глубокое обучение, физическое моделирование и т. д. С другой стороны, TPU сочетают в себе классический векторный процессор со специализированным процессором. модуль матричного умножения и преуспейте в любой задаче, где доминируют большие матричные умножения, например, в нейронных сетях.

Иллюстрация: плотный слой нейронной сети в виде матричного умножения с пакетом из восьми изображений, обрабатываемых нейронной сетью одновременно. Пожалуйста, выполните умножение одной строки на столбец, чтобы убедиться, что оно действительно выполняет взвешенную сумму всех значений пикселей изображения. Сверточные слои также можно представить как умножения матриц, хотя это немного сложнее ( объяснение здесь, в разделе 1 ).

Аппаратное обеспечение

МХУ и ВПУ

Ядро TPU v2 состоит из блока умножения матриц (MXU), который выполняет матричные умножения, и блока векторной обработки (VPU) для всех других задач, таких как активации, softmax и т. д. VPU обрабатывает вычисления float32 и int32. С другой стороны, MXU работает в формате с плавающей запятой смешанной точности (16–32 бита).

С плавающей запятой смешанной точности и bfloat16

MXU вычисляет умножение матриц, используя входные данные bfloat16 и выходные данные float32. Промежуточные накопления выполняются с точностью float32.

Обучение нейронной сети обычно устойчиво к шуму, вносимому пониженной точностью с плавающей запятой. Бывают случаи, когда шум даже помогает оптимизатору сходиться. 16-битная точность с плавающей запятой традиционно использовалась для ускорения вычислений, но форматы float16 и float32 имеют очень разные диапазоны. Уменьшение точности с float32 до float16 обычно приводит к переполнению или потере значения. Решения существуют, но обычно требуется дополнительная работа, чтобы float16 работал.

Именно поэтому Google представила формат bfloat16 в TPU. bfloat16 — это усеченное число float32 с точно такими же битами экспоненты и диапазоном, что и у float32. В дополнение к тому факту, что TPU выполняют умножение матриц со смешанной точностью с использованием входных данных bfloat16 и выходных данных float32, это означает, что, как правило, никаких изменений кода не требуется, чтобы получить выгоду от повышения производительности за счет пониженной точности.

Систолический массив

MXU реализует умножение матриц аппаратно, используя так называемую архитектуру «систолического массива», в которой элементы данных проходят через массив аппаратных вычислительных блоков. (В медицине термин «систолический» относится к сокращениям сердца и кровотоку, здесь — к потоку данных.)

Основным элементом матричного умножения является скалярное произведение строки одной матрицы и столбца другой матрицы (см. иллюстрацию вверху этого раздела). Для матричного умножения Y=X*W одним элементом результата будет:

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]

На графическом процессоре можно было бы запрограммировать это скалярное произведение в «ядро» графического процессора, а затем выполнить его на таком количестве «ядер», которое доступно параллельно, чтобы попытаться вычислить каждое значение результирующей матрицы одновременно. Если результирующая матрица имеет размер 128x128, для этого потребуется наличие 128x128 = 16 КБ «ядер», что обычно невозможно. Самые большие графические процессоры имеют около 4000 ядер. С другой стороны, TPU использует минимум аппаратного обеспечения для вычислительных блоков в MXU: просто bfloat16 x bfloat16 => float32 умножительные аккумуляторы, и ничего больше. Они настолько малы, что TPU может реализовать 16 КБ из них в MXU 128x128 и обработать умножение матриц за один раз.

Иллюстрация: систолическая диаграмма MXU. Вычислительные элементы представляют собой многократные аккумуляторы. В массив загружаются значения одной матрицы (красные точки). Значения другой матрицы проходят через массив (серые точки). Вертикальные линии распространяют значения вверх. Горизонтальные линии распространяют частичные суммы. Пользователю остается в качестве упражнения проверить, что по мере прохождения данных через массив вы получаете результат умножения матрицы, выходящий из правой части.

В дополнение к этому, пока скалярные произведения вычисляются в MXU, промежуточные суммы просто передаются между соседними вычислительными блоками. Их не нужно сохранять и извлекать из памяти или даже из регистрового файла. Конечным результатом является то, что архитектура систолического массива TPU имеет значительное преимущество в плотности и мощности, а также немалое преимущество в скорости по сравнению с графическим процессором при вычислении умножения матриц.

Облачный ТПУ

Когда вы запрашиваете один « Cloud TPU v2» на Google Cloud Platform, вы получаете виртуальную машину (ВМ) с платой TPU, подключенной к PCI. Плата TPU имеет четыре двухъядерных чипа TPU. Каждое ядро TPU оснащено VPU (блок векторной обработки) и MXU 128x128 (блок умножения MatriX). Этот «Облачный TPU» затем обычно подключается через сеть к виртуальной машине, которая его запросила. Итак, полная картина выглядит так:

Иллюстрация: ваша виртуальная машина с сетевым ускорителем Cloud TPU. Сам «Облачный TPU» состоит из виртуальной машины с подключенной к PCI платой TPU с четырьмя двухъядерными чипами TPU.

капсулы ТПУ

В центрах обработки данных Google TPU подключены к межсоединению высокопроизводительных вычислений (HPC), благодаря чему они могут выглядеть как один очень большой ускоритель. Google называет их модулями, и они могут включать в себя до 512 ядер TPU v2 или 2048 ядер TPU v3.

Иллюстрация: модуль TPU v3. Платы и стойки TPU подключаются через межсоединение HPC.

Во время обучения градиенты обмениваются между ядрами TPU с использованием алгоритма all-reduce ( хорошее объяснение all-reduce здесь ). Обучаемая модель может воспользоваться преимуществами аппаратного обеспечения при обучении на больших размерах пакетов.

Иллюстрация: синхронизация градиентов во время обучения с использованием алгоритма полного сокращения в двухмерной тороидальной сети высокопроизводительных вычислений Google TPU.

Программное обеспечение

Обучение в больших объемах

Идеальный размер пакета для TPU — 128 элементов данных на ядро TPU, но оборудование уже может демонстрировать хорошее использование 8 элементов данных на ядро TPU. Помните, что один Cloud TPU имеет 8 ядер.

В этой лаборатории кода мы будем использовать Keras API. В Keras указанный вами пакет является глобальным размером пакета для всего TPU. Ваши пакеты будут автоматически разделены на 8 и запущены на 8 ядрах TPU.

Дополнительные советы по производительности см. в Руководстве по производительности TPU . При очень больших размерах партий в некоторых моделях может потребоваться особая осторожность, более подробную информацию см. в разделе LARSOptimizer .

Под капотом: XLA.

Программы Tensorflow определяют графы вычислений. TPU не запускает код Python напрямую, он запускает граф вычислений, определенный вашей программой Tensorflow. Под капотом компилятор под названием XLA (ускоренный компилятор линейной алгебры) преобразует граф вычислительных узлов Tensorflow в машинный код TPU. Этот компилятор также выполняет множество расширенных оптимизаций вашего кода и структуры памяти. Компиляция происходит автоматически по мере отправки работы в TPU. Вам не обязательно явно включать XLA в цепочку сборки.

Иллюстрация: для работы на TPU граф вычислений, определенный вашей программой Tensorflow, сначала преобразуется в представление XLA (ускоренный компилятор линейной алгебры), а затем компилируется XLA в машинный код TPU.

Использование TPU в Keras

TPU поддерживаются через Keras API, начиная с Tensorflow 2.1. Поддержка Keras работает на TPU и модулях TPU. Вот пример, который работает на TPU, графических процессорах и процессоре:

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=...)

В этом фрагменте кода:

TPUClusterResolver().connect() находит TPU в сети. Он работает без параметров в большинстве облачных систем Google (задания платформы AI, Colaboratory, Kubeflow, виртуальные машины глубокого обучения, созданные с помощью утилиты «ctpu up»). Эти системы знают, где находится их TPU, благодаря переменной среды TPU_NAME. Если вы создаете TPU вручную, либо установите окружение TPU_NAME. вар. на виртуальной машине, из которой вы его используете, или вызовите TPUClusterResolver с явными параметрами: TPUClusterResolver(tp_uname, zone, project)
TPUStrategy — это часть, которая реализует распределение и алгоритм синхронизации градиента «все-сокращение».
Стратегия применяется через область видимости. Модель должна быть определена в области действия стратегии().
Функция tpu_model.fit ожидает объект tf.data.Dataset для ввода для обучения TPU.

Распространенные задачи портирования TPU

Хотя существует множество способов загрузки данных в модель Tensorflow, для TPU требуется использование API tf.data.Dataset .
TPU очень быстрые, и прием данных часто становится узким местом при работе на них. В Руководстве по производительности TPU есть инструменты, которые можно использовать для обнаружения узких мест в данных, а также другие советы по производительности.
Числа int8 или int16 обрабатываются как int32. TPU не имеет целочисленного оборудования, работающего с разрядностью менее 32 бит.
Некоторые операции Tensorflow не поддерживаются. Список здесь . Хорошей новостью является то, что это ограничение применимо только к обучающему коду, то есть к прямому и обратному проходу через вашу модель. Вы по-прежнему можете использовать все операции Tensorflow в конвейере ввода данных, поскольку они будут выполняться на ЦП.
tf.py_func не поддерживается в TPU.

4. [ИНФО] Классификатор нейронной сети 101

В двух словах

Если все термины, выделенные жирным шрифтом в следующем абзаце, вам уже известны, можно переходить к следующему упражнению. Если вы только начинаете глубокое обучение, добро пожаловать и читайте дальше.

Классификатор нейронной сети состоит из нескольких слоев нейронов. Для классификации изображений это могут быть плотные или, чаще, сверточные слои. Обычно они активируются с помощью функции активации relu . Последний слой использует столько нейронов, сколько существует классов, и активируется с помощью softmax . Для классификации наиболее часто используемой функцией потерь является перекрестная энтропия , сравнивающая закодированные метки ( т. е. правильные ответы) с вероятностями, предсказанными нейронной сетью. Чтобы минимизировать потери, лучше всего выбрать оптимизатор с импульсом, например AdamOptimizer , и тренироваться на пакетах обучающих изображений и меток.

Для моделей, построенных как последовательность слоев, Keras предлагает Sequential API. Например, классификатор изображений, использующий три плотных слоя, можно записать в Keras как:

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, ... )

Плотная нейронная сеть

Это простейшая нейронная сеть для классификации изображений. Он состоит из «нейронов», расположенных слоями. Первый уровень обрабатывает входные данные и передает их выходные данные на другие уровни. Он называется «плотным», потому что каждый нейрон связан со всеми нейронами предыдущего слоя.

Вы можете передать изображение в такую сеть, объединив значения RGB всех его пикселей в длинный вектор и используя его в качестве входных данных. Это не лучший метод распознавания изображений, но позже мы улучшим его.

Нейроны, активации, RELU

«Нейрон» вычисляет взвешенную сумму всех своих входных данных, добавляет значение, называемое «смещением», и передает результат через так называемую «функцию активации». Веса и смещение сначала неизвестны. Они будут инициализированы случайным образом и «обучены» путем обучения нейронной сети на большом количестве известных данных.

Самая популярная функция активации называется RELU для выпрямленных линейных единиц. Это очень простая функция, как вы можете видеть на графике выше.

Активация Софтмакс

Сеть выше заканчивается слоем из 5 нейронов, поскольку мы классифицируем цветы по 5 категориям (роза, тюльпан, одуванчик, ромашка, подсолнух). Нейроны в промежуточных слоях активируются с помощью классической функции активации RELU. Однако на последнем слое мы хотим вычислить числа от 0 до 1, представляющие вероятность того, что этот цветок будет розой, тюльпаном и так далее. Для этого мы будем использовать функцию активации под названием «softmax».

Применение softmax к вектору осуществляется путем взятия экспоненты каждого элемента и последующей нормализации вектора, обычно с использованием нормы L1 (суммы абсолютных значений), так что сумма значений равна 1 и может интерпретироваться как вероятности.

Почему «софтмакс» называется софтмакс? Экспонента является резко возрастающей функцией. Это увеличит различия между выходами нейронов. Затем, когда вы нормализуете вектор, самый большой элемент, который доминирует над нормой, будет нормализован до значения, близкого к 1, в то время как все остальные элементы в конечном итоге будут разделены на большое значение и нормализованы до значения, близкого к 0. Результирующий вектор ясно показывает, какой класс является победителем, «максимум», но сохраняет первоначальный относительный порядок его значений, следовательно, «мягкий».

Перекрестная энтропийная потеря

Теперь, когда наша нейронная сеть выдает прогнозы на основе входных изображений, нам нужно измерить, насколько они хороши, то есть расстояние между тем, что нам сообщает сеть, и правильными ответами, часто называемыми «метками». Помните, что у нас есть правильные метки для всех изображений в наборе данных.

Подойдет любое расстояние, но для задач классификации наиболее эффективным является так называемое «перекрестное энтропийное расстояние». Мы назовем это нашей функцией ошибки или «потери»:

Градиентный спуск

«Обучение» нейронной сети на самом деле означает использование обучающих изображений и меток для корректировки весов и смещений, чтобы минимизировать функцию перекрестных энтропийных потерь. Вот как это работает.

Перекрестная энтропия — это функция весов, смещений, пикселей обучающего изображения и его известного класса.

Если мы вычислим частные производные перекрестной энтропии относительно всех весов и всех смещений, мы получим «градиент», рассчитанный для данного изображения, метки и текущего значения весов и смещений. Помните, что у нас могут быть миллионы весов и смещений, поэтому вычисление градиента кажется большой работой. К счастью, Tensorflow делает это за нас. Математическое свойство градиента заключается в том, что он направлен «вверх». Поскольку мы хотим пойти туда, где перекрестная энтропия низкая, мы идем в противоположном направлении. Мы обновляем веса и смещения на долю градиента. Затем мы делаем то же самое снова и снова, используя следующие партии обучающих изображений и меток в цикле обучения. Будем надеяться, что это приведет к тому, что перекрестная энтропия будет минимальной, хотя ничто не гарантирует, что этот минимум уникален.

градиентный спуск2.png

Мини-пакетирование и импульс

Вы можете вычислить градиент только на одном изображении-примере и немедленно обновить веса и смещения, но если сделать это, например, на пакете из 128 изображений, получится градиент, который лучше отражает ограничения, налагаемые различными изображениями-примерами, и, следовательно, с большой вероятностью сходится. к решению быстрее. Размер мини-партии является регулируемым параметром.

Этот метод, иногда называемый «стохастическим градиентным спуском», имеет еще одно, более прагматичное преимущество: работа с пакетами также означает работу с матрицами большего размера, и их обычно легче оптимизировать на графических процессорах и TPU.

Однако сходимость все еще может быть немного хаотичной и может даже прекратиться, если вектор градиента будет равен нулю. Означает ли это, что мы нашли минимум? Не всегда. Компонент градиента может быть равен нулю в минимуме или максимуме. Для вектора градиента с миллионами элементов, если все они нули, вероятность того, что каждый ноль соответствует минимальной точке и ни один из них не соответствует максимальной точке, довольно мала. В пространстве многих измерений седловые точки встречаются довольно часто, и мы не хотим на них останавливаться.

Иллюстрация: седловая точка. Градиент равен 0, но не является минимальным во всех направлениях. (Атрибуция изображения Wikimedia: Никогуаро — собственная работа, CC BY 3.0 )

Решение состоит в том, чтобы добавить некоторый импульс алгоритму оптимизации, чтобы он мог проходить мимо седловых точек без остановки.

Глоссарий

пакет или мини-пакет : обучение всегда выполняется на пакетах обучающих данных и меток. Это помогает алгоритму сходиться. «Пакетное» измерение обычно является первым измерением тензоров данных. Например, тензор формы [100, 192, 192, 3] содержит 100 изображений размером 192x192 пикселей с тремя значениями на пиксель (RGB).

перекрестная энтропийная потеря : специальная функция потерь, часто используемая в классификаторах.

плотный слой : слой нейронов, где каждый нейрон связан со всеми нейронами предыдущего слоя.

функции : входы нейронной сети иногда называют «функциями». Искусство определения того, какие части набора данных (или комбинации частей) необходимо передать в нейронную сеть для получения хороших прогнозов, называется «инжинирингом функций».

метки : другое название «классов» или правильных ответов в задаче контролируемой классификации.

скорость обучения : доля градиента, с помощью которой веса и смещения обновляются на каждой итерации цикла обучения.

логиты : выходные данные слоя нейронов до применения функции активации называются «логитами». Этот термин происходит от «логистической функции», также известной как «сигмовидная функция», которая раньше была самой популярной функцией активации. «Выходы нейронов перед логистической функцией» были сокращены до «логитов».

loss : функция ошибок, сравнивающая выходные данные нейронной сети с правильными ответами.

нейрон : вычисляет взвешенную сумму своих входных данных, добавляет смещение и передает результат через функцию активации.

горячее кодирование : класс 3 из 5 кодируется как вектор из 5 элементов, все нули, кроме третьего, который равен 1.

relu : выпрямленная линейная единица. Популярная функция активации нейронов.

sigmoid : еще одна функция активации, которая раньше была популярна и до сих пор полезна в особых случаях.

softmax : специальная функция активации, которая действует на вектор, увеличивает разницу между самым большим компонентом и всеми остальными, а также нормализует вектор, чтобы его сумма была равна 1, чтобы его можно было интерпретировать как вектор вероятностей. Используется как последний шаг в классификаторах.

тензор : «Тензор» похож на матрицу, но с произвольным числом измерений. Одномерный тензор — это вектор. Двумерный тензор является матрицей. И тогда у вас могут быть тензоры с 3, 4, 5 или более измерениями.

5. [ИНФО] Сверточные нейронные сети

В двух словах

Если все термины, выделенные жирным шрифтом в следующем абзаце, вам уже известны, можно переходить к следующему упражнению. Если вы только начинаете работать со сверточными нейронными сетями, читайте дальше.

сверточный.gif

Иллюстрация: фильтрация изображения с помощью двух последовательных фильтров, состоящих из 4x4x3=48 обучаемых весов каждый.

Сверточные нейронные сети применяют к входному изображению ряд обучаемых фильтров. Сверточный слой определяется размером фильтра (или ядра) , количеством примененных фильтров и шагом . Входные и выходные данные сверточного слоя имеют три измерения (ширина, высота, количество каналов), начиная с входного изображения (ширина, высота, каналы RGB). При укладке сверточных слоев ширину и высоту вывода можно регулировать, используя шаг >1 или операцию максимального объединения . Глубина вывода (количество каналов) регулируется за счет использования большего или меньшего количества фильтров.

Вот как выглядит простая сверточная нейронная сеть в 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'])

Сверточные нейронные сети 101

В слое сверточной сети один «нейрон» выполняет взвешенную сумму пикселей чуть выше него только по небольшой области изображения. Он добавляет смещение и передает сумму через функцию активации, как это сделал бы нейрон в обычном плотном слое. Затем эта операция повторяется по всему изображению с использованием тех же весов. Помните, что в плотных слоях каждый нейрон имел свой вес. Здесь один «участок» весов скользит по изображению в обоих направлениях («свертка»). Выходные данные имеют столько значений, сколько пикселей в изображении (однако по краям необходимо некоторое заполнение). Это операция фильтрации с использованием фильтра 4x4x3=48 весов.

Однако 48 гирь будет недостаточно. Чтобы добавить больше степеней свободы, мы повторяем ту же операцию с новым набором весов. Это создает новый набор выходных сигналов фильтра. Назовем его «каналом» выходов по аналогии с каналами R,G,B во входном изображении.

Снимок экрана 29 июля 2016 г., 16.02.37.png

Два (или более) набора весов можно суммировать в один тензор, добавив новое измерение. Это дает нам общую форму тензора весов для сверточного слоя. Поскольку количество входных и выходных каналов является параметром, мы можем начать складывать и объединять сверточные слои в цепочку.

Иллюстрация: сверточная нейронная сеть преобразует «кубы» данных в другие «кубы» данных.

Шагающие свертки, максимальное объединение

Выполняя свертки с шагом 2 или 3, мы также можем сжать полученный куб данных в его горизонтальных измерениях. Есть два распространенных способа сделать это:

Шаговая свертка: скользящий фильтр, как указано выше, но с шагом> 1.
Максимальное объединение: скользящее окно, применяющее операцию MAX (обычно для патчей 2x2, повторяющееся каждые 2 пикселя).

Иллюстрация: сдвиг окна вычислений на 3 пикселя приводит к меньшему количеству выходных значений. Пошаговые свертки или максимальное объединение (максимум в окне 2x2, сдвигающемся с шагом 2) — это способ сжатия куба данных в горизонтальных измерениях.

« Максимальное объединение » может помочь нам интуитивно понять, как работают сверточные сети: если предположить, что во время обучения участки весов превращаются в фильтры, которые распознают базовые формы (горизонтальные и вертикальные линии, кривые и т. д.), то это один из способов кипячения. Полезная информация заключается в том, чтобы сохранить через слои выходные данные, на которых форма была распознана с максимальной интенсивностью. На практике в слое max-pool выходные данные нейронов обрабатываются группами по 2x2, и сохраняется только максимальное значение.

Сверточный классификатор

Наконец, мы прикрепляем головку классификации, выравнивая последний куб данных и пропуская его через плотный слой, активированный softmax. Типичный сверточный классификатор может выглядеть так:

Иллюстрация: классификатор изображений, использующий сверточные и softmax-слои. Он использует фильтры 3x3 и 1x1. Слои maxpool принимают максимум групп точек данных 2x2. Головка классификации реализована плотным слоем с активацией softmax.

В Керасе

Проиллюстрированный выше сверточный стек можно записать на Keras следующим образом:

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'])

6. [НОВАЯ ИНФОРМАЦИЯ] Современные сверточные архитектуры

В двух словах

Иллюстрация: сверточный «модуль». Что лучше всего на данный момент? Слой максимального пула, за которым следует сверточный слой 1x1 или другая комбинация слоев? Попробуйте их все, объедините результаты и позвольте сети решить. Справа: « начальная » сверточная архитектура с использованием таких модулей.

В Keras для создания моделей, в которых поток данных может разветвляться, вам необходимо использовать «функциональный» стиль модели. Вот пример:

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)

Другие дешевые трюки

Маленькие фильтры 3x3

На этой иллюстрации вы видите результат двух последовательных фильтров 3x3. Попробуйте проследить, какие точки данных повлияли на результат: эти два последовательных фильтра 3х3 вычисляют некоторую комбинацию региона 5х5. Это не совсем та же комбинация, которую вычисляет фильтр 5x5, но стоит попробовать, поскольку два последовательных фильтра 3x3 дешевле, чем один фильтр 5x5.

1х1 свертки?

С математической точки зрения свертка «1x1» — это умножение на константу, а это не очень полезное понятие. Однако в сверточных нейронных сетях помните, что фильтр применяется к кубу данных, а не только к 2D-изображению. Таким образом, фильтр «1x1» вычисляет взвешенную сумму столбца данных 1x1 (см. рисунок), и, перемещая ее по данным, вы получаете линейную комбинацию входных каналов. Это на самом деле полезно. Если вы думаете о каналах как о результатах отдельных операций фильтрации, например, фильтр для «заостренных ушей», другой для «усов» и третий для «щелечек глаз», то сверточный слой «1x1» будет вычислять несколько возможные линейные комбинации этих признаков, которые могут быть полезны при поиске «кошки». Кроме того, слои 1x1 используют меньше весов.

7. Сжиманет

Простой способ объединения этих идей был продемонстрирован в статье Squeezenet . Авторы предлагают очень простую конструкцию сверточного модуля, используя только сверточные слои 1x1 и 3x3.

Иллюстрация: архитектура сжимающей сети на основе «пожарных модулей». Они чередуют слой 1x1, который «сжимает» входящие данные в вертикальном измерении, за которым следуют два параллельных сверточных слоя 1x1 и 3x3, которые снова «расширяют» глубину данных.

Практический

Продолжайте работать с предыдущей записной книжкой и создайте сверточную нейронную сеть на основе сжимающей сети. Вам придется изменить код модели на «функциональный стиль» Keras.

Keras_Flowers_TPU (playground).ipynb

Дополнительная информация

В этом упражнении будет полезно определить вспомогательную функцию для модуля сжатия:

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)

Цель на этот раз — достичь точности 80%.

Что стоит попробовать

Начните с одного сверточного слоя, затем добавьте « fire_modules », чередуя слои MaxPooling2D(pool_size=2) . Вы можете поэкспериментировать с 2–4 максимальными уровнями пула в сети, а также с 1, 2 или 3 последовательными пожарными модулями между максимальными уровнями пула.

В пожарных модулях параметр «сжатие» обычно должен быть меньше параметра «расширение». Эти параметры на самом деле представляют собой номера фильтров. Обычно их число может варьироваться от 8 до 196. Вы можете экспериментировать с архитектурами, в которых количество фильтров постепенно увеличивается по сети, или с простыми архитектурами, в которых все пожарные модули имеют одинаковое количество фильтров.

Вот пример:

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)

На этом этапе вы можете заметить, что ваши эксперименты проходят не так хорошо и что цель точности 80% кажется далёкой. Пришло время еще парочки дешевых трюков.

Пакетная нормализация

Пакетная норма поможет решить проблемы конвергенции, с которыми вы столкнулись. Подробные объяснения этой техники будут даны на следующем семинаре, а пока используйте ее как «волшебный» помощник черного ящика, добавляя эту строку после каждого сверточного слоя в вашей сети, включая слои внутри вашей функции 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

Параметр импульса необходимо уменьшить со значения по умолчанию 0,99 до 0,9, поскольку наш набор данных небольшой. Пока не обращайте внимания на эту деталь.

Увеличение данных

Вы получите еще пару процентных пунктов, увеличив данные с помощью простых преобразований, таких как левые правые переводы изменений насыщения:

Это очень легко сделать в Tensorflow с API TF.Data.Dataset. Определите новую функцию преобразования для ваших данных:

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

Затем используйте его в окончательном преобразовании данных (ячейка «Наборы данных обучения и проверки», функция "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

Не забудьте сделать дополнительное увеличение данных и добавить необходимый код, чтобы убедиться, что только учебный набор данных дополнен . Не имеет смысла увеличивать набор данных проверки.

Точность 80% в 35 эпохах теперь должна быть в пределах досягаемости.

Решение

Вот ноутбук решения. Вы можете использовать его, если застряли.

Keras_Flowers_TPU_squeezenet.ipynb

Что мы рассмотрели

🤔 модели кераса «функциональный стиль»
Architecture Architecture
🤓 Увеличение данных с помощью tf.data.datset

Пожалуйста, найдите время, чтобы пройти этот контрольный список в своей голове.

8. xception тонко настроен

Разделяемые свертки

Другой способ реализации сверточных слоев в последнее время набирал популярность: разветвления глубины. Я знаю, это глоток, но концепция довольно проста. Они реализованы в Tensorflow и Keras как tf.keras.layers.SeparableConv2D .

Разделимая свертка также запускает фильтр на изображении, но использует отдельный набор весов для каждого канала входного изображения. Это следует с «сверткой 1x1», серией точечных продуктов, приводящих к взвешенной сумме отфильтрованных каналов. С новыми весами каждый раз, так как многие взвешенные рекомбинации каналов рассчитываются по мере необходимости.

Иллюстрация: разделяемые свертки. Фаза 1: Совещания с отдельным фильтром для каждого канала. Фаза 2: Линейные рекомбинации каналов. Повторяется с новым набором весов до тех пор, пока не будет достигнуто желаемое количество выходных каналов. Фаза 1 также может повторяться, с новыми весами каждый раз, но на практике это редко.

Разделимые свертки используются в самых последних архитектурах сверточных сетей: MobilenetV2, Xcept, EfficeNet. Кстати, MobilEnetV2 - это то, что вы использовали для перевода обучения ранее.

Они дешевле, чем обычные сверты, и были обнаружены столь же эффективными на практике. Вот количество веса для примера, показанного выше:

Сверточный слой: 4 x 4 x 3 x 5 = 240

Разделимый сверточный слой: 4 x 4 x 3 + 3 x 5 = 48 + 15 = 63

Для читателя остается упражнение, чтобы вычислить, чем количество умножений, необходимых для применения каждого стиля сверточных масштабов слоев аналогичным образом. Отделимыми сознаниями меньше и гораздо более эффективно вычислительно.

Практический

Перезапустите из ноутбука «Transfer Learning Learning», но на этот раз выберите Xcept в качестве предварительно обученной модели. XCEPTE использует только отдельные свертки. Оставьте все веса обучения. Мы будем настраивать предварительно обученные веса на наших данных вместо использования предварительно обученных слоев как таковых.

Keras Flowers transfer learning (playground).ipynb

Цель: Точность> 95% (нет, серьезно, это возможно!)

Это окончательное упражнение, для этого требуется немного больше кода и наук о данных.

Дополнительная информация о тонкой настройке

Xception доступен в стандартных предварительно обученных моделях в tf.keras.application.* Не забудьте оставлять все веса на этот раз.

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

Чтобы получить хорошие результаты при точной настройке модели, вам нужно будет обратить внимание на ставку обучения и использовать график обучения с периодом наращивания. Так:

Начиная со стандартной скорости обучения нарушит предварительно обученные веса модели. Начать постепенно сохраняет их до тех пор, пока модель не зафиксирует ваши данные, не сможет изменять их разумно. После рампа вы можете продолжить с постоянной или экспоненциально распадающейся скоростью обучения.

В керах скорость обучения определяется с помощью обратного вызова, в котором вы можете вычислить соответствующую скорость обучения для каждой эпохи. Керас передаст правильную скорость обучения оптимизатору для каждой эпохи.

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

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

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

Решение

Вот ноутбук решения. Вы можете использовать его, если застряли.

07_Keras_Flowers_TPU_xception_fine_tuned_best.ipynb

Что мы рассмотрели

🤔 Глубина, разделяющая свертка
🤓 Графики курса обучения
😈 Точная настройка предварительно обученной модели.

Пожалуйста, найдите время, чтобы пройти этот контрольный список в своей голове.

9. Поздравляю!

Вы построили свою первую современную сверточную нейронную сеть и обучили ее до 90% + точность, итерационную при последовательном обучении всего за минуты благодаря TPU. На этом завершается 4 «Кера на коделабах TPU»:

TPU-конвейеры Data Data: tf.data.dataset и tfrecords
Ваша первая модель кераса с обучением передачи
Сверточные нейронные сети, с керами и TPU
[Эта лаборатория] Современные конвнеты, Squeezenet, xception, с керами и TPUS

TPU на практике

TPU и графические процессоры доступны на платформе Cloud AI :

Наконец, мы любим обратную связь. Пожалуйста, скажите нам, если вы видите что -то не так, как в этой лаборатории или вы думаете, что это должно быть улучшено. Обратная связь может быть предоставлена с помощью проблем GitHub [ ссылка на обратную связь ].

Martin Görner id small.jpg
Автор: Мартин Горнер
Twitter: @martin_gorner

Tensorflow Logo.jpg
www.tensorflow.org

Современные сети, сжимающие сети, Xception, с Keras и TPU.

1. Обзор

Что вы узнаете

Обратная связь

2. Быстрый старт Google Colaboratory

Выберите серверную часть TPU

Исполнение ноутбука

Оглавление

Скрытые ячейки

Аутентификация

3. [ИНФОРМАЦИЯ] Что такое тензорные процессоры (TPU)?

В двух словах

Почему ТПУ?

Аппаратное обеспечение

МХУ и ВПУ

С плавающей запятой смешанной точности и bfloat16

Систолический массив

Облачный ТПУ

капсулы ТПУ

Программное обеспечение

Обучение в больших объемах

Под капотом: XLA.

Использование TPU в Keras

Распространенные задачи портирования TPU

4. [ИНФО] Классификатор нейронной сети 101

В двух словах

Плотная нейронная сеть

Нейроны, активации, RELU

Активация Софтмакс

Перекрестная энтропийная потеря

Градиентный спуск

Мини-пакетирование и импульс

Глоссарий

5. [ИНФО] Сверточные нейронные сети

В двух словах

Сверточные нейронные сети 101

Шагающие свертки, максимальное объединение

Сверточный классификатор

В Керасе

6. [НОВАЯ ИНФОРМАЦИЯ] Современные сверточные архитектуры

В двух словах

Другие дешевые трюки

Маленькие фильтры 3x3

1х1 свертки?

7. Сжиманет

Практический

Дополнительная информация

Что стоит попробовать

Пакетная нормализация

Увеличение данных

Решение

Что мы рассмотрели

8. xception тонко настроен

Разделяемые свертки

Практический

Дополнительная информация о тонкой настройке

Решение

Что мы рассмотрели

9. Поздравляю!

TPU на практике