5
9

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 5 years have passed since last update.

TensorFlow2.0の傾向と対策 〜 Effective TF2.0

Posted at

はじめに

この記事はTF2.0のPreview版がPyPIに公開されたことを受け、正式版の公開やその利用に向けて備える記事です。前回(TensorFlowの消失)では大幅なAPI変更を警告する内容でした。今回の記事では、TF2.0ではどう書くべきかについて書かれた、"Effective TensorFlow 2.0"の内容を紹介します。

(内容が更新されることが予想されます。このバージョンのもので説明します。)

要約

要約の要約をすると、「tf.functionを使いこなせ」という感じです。

  • 主要な変更
    • API掃除
      • tf.app, tf.flags, tf.logging → absl-py
      • tf.contrib → リホーム
      • tf直下のマイナー関数 → tf.math
      • その他、重複するもの → tf.summary, tf.keras.metrics, tf.keras.optimizers
      • 変換はtf_upgrade_v2を使え(使い方
    • Eager
      • TF1系では計算グラフをsession.run経由で手動コンパイル → Eagerモードがデフォルト
      • グラフやセッションは実装にすぎないと感じられる
      • tf.control_dependenciesとはおさらば
    • グローバル禁止
      • tf.global_variables_initializerなど、全Variableを操作する系のものを削除
      • Variableは自分で管理しろ
      • そうしないと、VariableもGCされる
      • kerasなら簡単に出来るからいいでしょ
    • sessionからfunctionへ
      • tf.function(AutoGraph)を使え(JITコンパイル)
      • グラフが1つだけ
      • グラフモードの恩恵はすべて受けられる
        • パフォーマンス
        • ポータビリティ(要確認)
      • シーケンシャルなモデル、強化学習、その他独自訓練ループもAutoGraphできるかも(要確認)
  • 推奨される書き方
    • 小さい関数にリファクタしろ
      • tf.functionはtrainなどの大きい単位で1回使えば良い
    • tf.kerasを使って変数管理せよ
      • variablesやtrainable_variablesのプロパティが便利
      • tf.kerasの層は、checkpointやSavedModelとして保存できる
      • 保存できるのはtf.train.Checkpointable(仮)の機能
    • 訓練のイテレーションやRNN等をtf.functionでコンパイル
      • tf.functionがforに対応しいる
    • tf.keras.metricsでロスなどを集計して、tf.summaryで記録

コード例

"Effective TensorFlow 2.0"の内容を参考に例をいくつか紹介します。"Effective TensorFlow 2.0"にもコードの例があるので、興味がある人はそちらも確認してください。

tf.saved_modelも試してみたいですが、まだ未実装の部分があるため触れません。

訓練もどき

パラメータ$x$、損失$x$の最小構成で、訓練のようなことをしてみましょう。

import tensorflow as tf


@tf.function
def train(v, opt):
    for _ in range(10):
        opt.minimize(lambda: v, [v])  # 損失の値ではなく、損失を返す関数を第一引数とする。また、更新する変数のリストを指定する。
        print(v)


train(tf.Variable(1.), tf.keras.optimizers.SGD(0.001))

注意時項としては、tf.functionの中でoptimizerの初期化ができませんでした。そういうものなのでしょう。もちろん、kerasのfitメソッドも健在ですし、また、別の書き方として、勾配を取ってapply_gradientsを適用する方法もあります。

import tensorflow as tf


@tf.function
def train(v, opt):
    for _ in range(10):
        with tf.GradientTape() as tape:
            dv = tape.gradient(v, [v])
        opt.apply_gradients(zip(dv, [v]))
        print(dv[0], v)


train(tf.Variable(1.), tf.keras.optimizers.SGD(0.001))

fizzbuzz

次の例は、何の変哲もないFizzBuzzです。これもtf.functionでグラフ化できます。グラフ化の様子はtf.autograph.to_codeを使うと見れます。

import tensorflow as tf


def fizzbuzz(n):
    if n % 15 == 0:
        return "FizzBuzz"
    if n % 3 == 0:
        return "Fizz"
    if n % 5 == 0:
        return "Buzz"
    return n


def fizzbuzz_upto_100():
    i = 1
    while i <= 100:
        print(fizzbuzz(i))
        i += 1


print(tf.autograph.to_code(fizzbuzz_upto_100))  # グラフ化のコード表示
tf_fizzbuzz = tf.function(fizzbuzz_upto_100)  # tf.functionはこのような使い方もできる
tf_fizzbuzz()

print(tf.autograph.to_code(fizzbuzz_upto_100))でグラフ化して表示している部分の出力は、次のようになります。

from __future__ import print_function

def tf__fizzbuzz(n):
  try:
    with ag__.function_scope('fizzbuzz'):
      cond_2 = ag__.eq(n % 15, 0)

      def if_true_2():
        with ag__.function_scope('if_true_2'):
          return__1 = 'FizzBuzz'
          return return__1

      def if_false_2():
        with ag__.function_scope('if_false_2'):
          cond_1 = ag__.eq(n % 3, 0)

          def if_true_1():
            with ag__.function_scope('if_true_1'):
              return__1 = 'Fizz'
              return return__1

          def if_false_1():
            with ag__.function_scope('if_false_1'):
              cond = ag__.eq(n % 5, 0)

              def if_true():
                with ag__.function_scope('if_true'):
                  return__1 = 'Buzz'
                  return return__1

              def if_false():
                with ag__.function_scope('if_false'):
                  return__1 = n
                  return return__1
              return__1 = ag__.if_stmt(cond, if_true, if_false)
              return__1 = return__1
              return return__1
          return__1 = ag__.if_stmt(cond_1, if_true_1, if_false_1)
          return__1 = return__1
          return return__1
      return__1 = ag__.if_stmt(cond_2, if_true_2, if_false_2)
      return return__1
  except:
    ag__.rewrite_graph_construction_error(ag_source_map__)



tf__fizzbuzz.autograph_info__ = {}

def tf__fizzbuzz_upto_100():
  try:
    with ag__.function_scope('fizzbuzz_upto_100'):
      i = 1

      def loop_test(i_1):
        with ag__.function_scope('loop_test'):
          return ag__.lt_e(i_1, 100)

      def loop_body(i_1):
        with ag__.function_scope('loop_body'):
          with ag__.utils.control_dependency_on_returns(ag__.print_(tf__fizzbuzz(i_1))):
            i = ag__.utils.alias_tensors(i_1)
            i += 1
            return i,
      i = ag__.while_stmt(loop_test, loop_body, (i,), ())
  except:
    ag__.rewrite_graph_construction_error(ag_source_map__)



tf__fizzbuzz_upto_100.autograph_info__ = {}

注意時項ですが、なんでもかんでもto_codeが使えるわけではないようです。この例では、while i <= 100:でループしていますが、for i in range(1, 101):では、to_codeできませんでした。tf.functionだけなら動くようなので、to_codeのためにあれこれする必要はないでしょうが・・・(実はバグ?未実装?)。

まとめ

これまでGraphモードで書くことが多かったのですが、tf.functionで普通にいいんじゃないかなと思えてきました。optimizerがkeras側に集約されましたが、少々使い方が変わった程度で済みそうです。一方で、未実装なモデルの保存がどこまで柔軟にできるかが気になります。saved_model関連のものが出来上がったら試してみたいです。

5
9
2

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
5
9

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?