मशीन लर्निंग ट्रिक्स - कैरस में कई मॉडलों के साथ काम करना

मशीन लर्निंग पर यह मेरा पहला लेख है। हाल ही में, मैं पेशेवर रूप से मशीन लर्निंग और कंप्यूटर विज़न में व्यस्त रहा हूँ। इस और भविष्य के लेखों में, मैं TensorFlow और Keras का उपयोग करते समय विशिष्ट समस्याओं के अवलोकन और समाधान साझा करूंगा। इस लेख में, मैं एक गैर-स्पष्ट मुद्दे के बारे में बात करूंगा जब टेंसोरफ्लो और केरस के साथ काम कर रहा हूं - एक साथ कई मॉडलों का लोडिंग और निष्पादन। यदि आप इस बात से परिचित नहीं हैं कि TensorFlow और Keras आंतरिक रूप से कैसे काम करते हैं, तो यह विषय शुरुआती लोगों के लिए एक समस्या हो सकती है। यदि आप विषय में रुचि रखते हैं, तो कृपया बिल्ली के नीचे रहें।

TensorFlow प्रारंभ के दौरान संचालन के बीच निर्भरता के ग्राफ के रूप में स्मृति में तंत्रिका नेटवर्क मॉडल में गणना प्रस्तुत करता है। मॉडल निष्पादित करते समय, TensorFlow एक विशिष्ट सत्र के भीतर ग्राफ पर गणना करता है। मैं टेनसफ़्लो में इन संस्थाओं के विवरण में नहीं जाऊंगा।

आप मीडियम और हैबे पर ग्राफ और सत्रों के बारे में अधिक पढ़ सकते हैं: यहां और यहां ।

आमतौर पर हम एक मॉडल के साथ काम करते हैं और यहां कोई समस्या नहीं है। अब कल्पना करते हैं कि हम दो वर्गों के साथ काम कर रहे हैं। दोनों वर्ग केर मॉडल के साथ काम करते हैं: तंत्रिका वास्तुकला बनाते हैं, प्रशिक्षित भार उठाते हैं, और भविष्यवाणी करते हैं। जब एक पाइपलाइन में दो कक्षाएं करते हैं (उदाहरण के लिए, पहले चरण में हम फोटो में चेहरे का पता लगाने का प्रदर्शन करते हैं, अगले में - मानव मान्यता), एक समान त्रुटि हो सकती है:

Error Tensor("norm_layer/l2_normalize:0", shape=(?, 128), dtype=float32) is not an element of this graph 

त्रुटि का कारण यह है कि केरे डिफ़ॉल्ट रूप से केवल डिफ़ॉल्ट सत्र के साथ काम करता है और नए सत्र को डिफ़ॉल्ट सत्र के रूप में पंजीकृत नहीं करता है।
केरेस मॉडल के साथ काम करते समय, उपयोगकर्ता को स्पष्ट रूप से नए सत्र को डिफ़ॉल्ट सत्र के रूप में सेट करना होगा। इसे इस तरह किया जा सकता है:

 self.graph = tf.Graph() with self.graph.as_default(): self.session = tf.Session(graph=self.graph) with self.session.as_default(): self.model = WideResNet(face_size, depth=depth, k=width)() model_dir = <model_path> ... self.model.load_weights(fpath) 

हम एक नया TensorFlow ग्राफ़ और सत्र बनाते हैं और नए TensorFlow सत्र के अंदर मॉडल लोड करते हैं।
पंक्ति

 with self.graph.as_default(): 

इसका मतलब है कि हम नए ग्राफ () को डिफ़ॉल्ट ग्राफ और पंक्ति में उपयोग करना चाहते हैं

 with self.session.as_default(): 

हम संकेत देते हैं कि हम स्वयं सेशन को डिफ़ॉल्ट सत्र के रूप में उपयोग करना चाहते हैं और इस सत्र के बाद के कोड को निष्पादित करते हैं। निर्माण के साथ एक संदर्भ प्रबंधक बनाता है जो संसाधन-गहन वस्तुओं (उदाहरण के लिए, फ़ाइलों को पढ़ने) से निपटने के दौरान हमें स्मृति के साथ कुशलता से काम करने की अनुमति देता है, क्योंकि यह ब्लॉक से बाहर निकलने पर स्वचालित रूप से संसाधनों को मुक्त कर देता है।

जब हमें भविष्यवाणी को पूरा करने की आवश्यकता होती है तो हम इसे इस तरह करते हैं:

 with self.graph.as_default(): with self.session.as_default(): result = self.model.predict(np.expand_dims(img, axis=0), batch_size=1) 

हम केवल पूर्व में बनाए गए TF सत्र के अंदर की भविष्यवाणी () विधि कहते हैं।

अभी के लिए बस इतना ही। सभी को शुभकामनाएँ और आपको जल्द ही मिलते हैं!