Skip to content

ClasCat® AI Research

クラスキャット – 生成 AI, AI エージェント, MCP

Menu
  • ホーム
    • ClassCat® AI Research ホーム
    • クラスキャット・ホーム
  • OpenAI API
    • OpenAI Python ライブラリ 1.x : 概要
    • OpenAI ブログ
      • GPT の紹介
      • GPT ストアの紹介
      • ChatGPT Team の紹介
    • OpenAI platform 1.x
      • Get Started : イントロダクション
      • Get Started : クイックスタート (Python)
      • Get Started : クイックスタート (Node.js)
      • Get Started : モデル
      • 機能 : 埋め込み
      • 機能 : 埋め込み (ユースケース)
      • ChatGPT : アクション – イントロダクション
      • ChatGPT : アクション – Getting started
      • ChatGPT : アクション – アクション認証
    • OpenAI ヘルプ : ChatGPT
      • ChatGPTとは何ですか?
      • ChatGPT は真実を語っていますか?
      • GPT の作成
      • GPT FAQ
      • GPT vs アシスタント
      • GPT ビルダー
    • OpenAI ヘルプ : ChatGPT > メモリ
      • FAQ
    • OpenAI ヘルプ : GPT ストア
      • 貴方の GPT をフィーチャーする
    • OpenAI Python ライブラリ 0.27 : 概要
    • OpenAI platform
      • Get Started : イントロダクション
      • Get Started : クイックスタート
      • Get Started : モデル
      • ガイド : GPT モデル
      • ガイド : 画像生成 (DALL·E)
      • ガイド : GPT-3.5 Turbo 対応 微調整
      • ガイド : 微調整 1.イントロダクション
      • ガイド : 微調整 2. データセットの準備 / ケーススタディ
      • ガイド : 埋め込み
      • ガイド : 音声テキスト変換
      • ガイド : モデレーション
      • ChatGPT プラグイン : イントロダクション
    • OpenAI Cookbook
      • 概要
      • API 使用方法 : レート制限の操作
      • API 使用方法 : tiktoken でトークンを数える方法
      • GPT : ChatGPT モデルへの入力をフォーマットする方法
      • GPT : 補完をストリームする方法
      • GPT : 大規模言語モデルを扱う方法
      • 埋め込み : 埋め込みの取得
      • GPT-3 の微調整 : 分類サンプルの微調整
      • DALL-E : DALL·E で 画像を生成して編集する方法
      • DALL·E と Segment Anything で動的マスクを作成する方法
      • Whisper プロンプティング・ガイド
  • Gemini API
    • Tutorials : クイックスタート with Python (1) テキスト-to-テキスト生成
    • (2) マルチモーダル入力 / 日本語チャット
    • (3) 埋め込みの使用
    • (4) 高度なユースケース
    • クイックスタート with Node.js
    • クイックスタート with Dart or Flutter (1) 日本語動作確認
    • Gemma
      • 概要 (README)
      • Tutorials : サンプリング
      • Tutorials : KerasNLP による Getting Started
  • Keras 3
    • 新しいマルチバックエンド Keras
    • Keras 3 について
    • Getting Started : エンジニアのための Keras 入門
    • Google Colab 上のインストールと Stable Diffusion デモ
    • コンピュータビジョン – ゼロからの画像分類
    • コンピュータビジョン – 単純な MNIST convnet
    • コンピュータビジョン – EfficientNet を使用した微調整による画像分類
    • コンピュータビジョン – Vision Transformer による画像分類
    • コンピュータビジョン – 最新の MLPモデルによる画像分類
    • コンピュータビジョン – コンパクトな畳込み Transformer
    • Keras Core
      • Keras Core 0.1
        • 新しいマルチバックエンド Keras (README)
        • Keras for TensorFlow, JAX, & PyTorch
        • 開発者ガイド : Getting started with Keras Core
        • 開発者ガイド : 関数型 API
        • 開発者ガイド : シーケンシャル・モデル
        • 開発者ガイド : サブクラス化で新しい層とモデルを作成する
        • 開発者ガイド : 独自のコールバックを書く
      • Keras Core 0.1.1 & 0.1.2 : リリースノート
      • 開発者ガイド
      • Code examples
      • Keras Stable Diffusion
        • 概要
        • 基本的な使い方 (テキスト-to-画像 / 画像-to-画像変換)
        • 混合精度のパフォーマンス
        • インペインティングの簡易アプリケーション
        • (参考) KerasCV – Stable Diffusion を使用した高性能画像生成
  • TensorFlow
    • TF 2 : 初級チュートリアル
    • TF 2 : 上級チュートリアル
    • TF 2 : ガイド
    • TF 1 : チュートリアル
    • TF 1 : ガイド
  • その他
    • 🦜️🔗 LangChain ドキュメント / ユースケース
    • Stable Diffusion WebUI
      • Google Colab で Stable Diffusion WebUI 入門
      • HuggingFace モデル / VAE の導入
      • LoRA の利用
    • Diffusion Models / 拡散モデル
  • クラスキャット
    • 会社案内
    • お問合せ
    • Facebook
    • ClassCat® Blog
Menu

TensorFlow : Guide : Estimators : チェックポイント

Posted on 03/09/2018 by Sales Information

TensorFlow : Guide : Estimators : チェックポイント (翻訳/解説)
翻訳 : (株)クラスキャット セールスインフォメーション
更新日時 : 07/14/2018
作成日時 : 03/09/2018

* TensorFlow 1.9 でドキュメント構成が変わりましたので調整しました。
* 本ページは、TensorFlow の本家サイトの Get Started – Details – Checkpoints を翻訳した上で適宜、補足説明したものです:

  • https://www.tensorflow.org/guide/checkpoints

* ご自由にリンクを張って頂いてかまいませんが、sales-info@classcat.com までご一報いただけると嬉しいです。

 

序

このドキュメントは Estimator で構築された TensorFlow モデルをどのようにセーブしてリストアするかを考察します。TensorFlow は2つのモデル・フォーマットを提供します :

  • checkpoint, これはモデルを作成したコードに依存するフォーマットです。
  • SavedModel, これはモデルを作成したコードから独立したフォーマットです。

このドキュメントは checkpoint に焦点を当てます。SavedModel の詳細のためには、TensorFlow Programmer’s Guide の Saving and Restoring 章を見てください。

 

サンプル・コード

このドキュメントは TensorFlow から始める Getting Started で詳述されたものと同じ アイリス分類サンプル に依拠します。 ダウンロードしてサンプルにアクセスするためには、次の2つのコマンドを発行します :

git clone https://github.com/tensorflow/models/
cd models/samples/core/get_started

このドキュメントの殆どのコードスニペットは premade_estimator.py の僅かのバリエーションです。

 

不十分に訓練されたモデルをセーブする

Estimator は自動的に以下をディスクに書きます :

  • チェックポイント, これは訓練中に作成されたモデルのバージョンです。
  • イベントファイル, これは視覚化を作成するために TensorBoard が使用する情報を含みます。

Estimator がその情報をストアするトップレベル・ディレクトリを指定するには、任意の Estimator のコンストラクタのオプションの model_dir 引数に値を割り当てます。例えば、次のコードは model_dir 引数を models/iris ディレクトリに設定します :

classifier = tf.estimator.DNNClassifier(
    feature_columns=my_feature_columns,
    hidden_units=[10, 10],
    n_classes=3,
    model_dir='models/iris')

Estimator の train メソッドを呼び出すと仮定します。例えば :

classifier.train(
        input_fn=lambda:train_input_fn(train_x, train_y, batch_size=100),
                steps=200)

次の図で示されるように、train への最初の呼び出しはチェックポイントと他のファイルを model_dir ディレクトリに追加します :


train() への最初の呼び出し。

作成された model_dir ディレクトリのオブジェクトを UNIX ベース・システムで見るには、次のように単に ls を呼び出します :

$ ls -1 models/iris
checkpoint
events.out.tfevents.timestamp.hostname
graph.pbtxt
model.ckpt-1.data-00000-of-00001
model.ckpt-1.index
model.ckpt-1.meta
model.ckpt-200.data-00000-of-00001
model.ckpt-200.index
model.ckpt-200.meta

上の ls コマンドは Estimator がステップ 1 (訓練の開始) と 200 (訓練の最後) でチェックポイントを作成したことを示します。

 

デフォルトのチェックポイント・ディレクトリ

Estimator のコンストラクタで model_dir を指定しない場合は、Estimator はチェックポイント・ファイルを Python の tempfile.mkdtemp 関数により選択された一時ディレクトリに書きます。例えば、次の Estimator コンストラクタは model_dir 引数を指定しません :

classifier = tf.estimator.DNNClassifier(
    feature_columns=my_feature_columns,
    hidden_units=[10, 10],
    n_classes=3)

print(classifier.model_dir)

tempfile.mkdtemp 関数は貴方のオペレーティング・システムに適切な安全な、一時ディレクトリを選択します。例えば、macOS 上の典型的な一時ディレクトリは次のようなものでしょう :

/var/folders/0s/5q9kfzfj3gx2knj0vj8p68yc00dhcr/T/tmpYm1Rwa

 

チェックポイントする頻度

デフォルトでは、Estimator は次のスケジュールに従って model_dir に チェックポイント をセーブします :

  • 10 分 (600 秒) 毎にチェックポイントを書く。
  • train メソッドが開始されて (最初の iteration) 完了する (最後の iteration) ときにチェックポイントを書く。
  • ディレクトリに5つの最も最近のチェックポイントだけを保持する。

次のステップを取ることによりデフォルトのスケジュールを変更することもできます :

  1. 望まれるスケヂュールを定義する RunConfig オブジェクトを作成します。
  2. Estimator をインスタンス化するときに、Estimator の config 引数に RunConfig オブジェクトを渡します。

例えば、次のコードはチェックポイントするスケジュールを 10 分毎に変更して 10 の最も最近のチェックポイントを保持します :

my_checkpointing_config = tf.estimator.RunConfig(
    save_checkpoints_secs = 20*60,  # Save checkpoints every 20 minutes.
    keep_checkpoint_max = 10,       # Retain the 10 most recent checkpoints.
)

classifier = tf.estimator.DNNClassifier(
    feature_columns=my_feature_columns,
    hidden_units=[10, 10],
    n_classes=3,
    model_dir='models/iris',
    config=my_checkpointing_config)

 

貴方のモデルをリストアする

最初に Estimator の train メソッドを呼び出すとき、TensorFlow はチェックポイントを model_dir にセーブします。Estimator の train, eval, または predict メソッドへの続く呼び出しの各々は次を引き起こします :

  1. Estimator は model_fn() を実行することによりモデルの グラフ を構築します。(model_fn() の詳細は、Creating Custom Estimators を見てください。)
  2. Estimator は新しいモデルの重みを最も最近のチェックポイントにストアされたデータから初期化します。

換言すれば、次の図が示すように、チェックポイントがひとたび存在すれば、TensorFlow は train(), evaluate(), または predict() を呼び出すたびにモデルを再構築します。


train(), evaluate(), または predict() への続く呼び出し

 

間違ったレストレーションを回避する

チェックポイントからモデルの状態をリストアすることはモデルとチェックポイントとが互換である場合にのみ動作します。例えば、貴方は2つの隠れ層、各々が 10 ノードを持つような DNNClassifier Estimator を訓練したと仮定します :

classifier = tf.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[10, 10],
    n_classes=3,
    model_dir='models/iris')

classifier.train(
    input_fn=lambda:train_input_fn(train_x, train_y, batch_size=100),
        steps=200)

訓練 (そして、それゆえに、models/iris にチェックポイントを作成) した後に、各隠れ層のニューロンの数を 10 から 20 に変更してそれからモデルの再訓練を試みたと想像してください :

classifier2 = tf.estimator.DNNClassifier(
    feature_columns=my_feature_columns,
    hidden_units=[20, 20],  # Change the number of neurons in the model.
    n_classes=3,
    model_dir='models/iris')

classifier.train(
    input_fn=lambda:train_input_fn(train_x, train_y, batch_size=100),
        steps=200)

チェックポイント内の状態は classifier2 で記述されたモデルと非互換ですから、再訓練は次のエラーで失敗します :

...
InvalidArgumentError (see above for traceback): tensor_name =
dnn/hiddenlayer_1/bias/t_0/Adagrad; shape in shape_and_slice spec [10]
does not match the shape stored in checkpoint: [20]

モデルの僅かに異なるバージョンを訓練して比較する実験を行なうためには、多分各バージョンのために分離した git branch を作成することにより各 model-dir で作成されたコードのコピーをセーブします。この分離は貴方のチェックポイントをリカバー可能に保持するでしょう。

 

以上



クラスキャット

最近の投稿

  • LangGraph 0.5 on Colab : Get started : human-in-the-loop 制御の追加
  • LangGraph 0.5 on Colab : Get started : Tavily Web 検索ツールの追加
  • LangGraph 0.5 on Colab : Get started : カスタム・ワークフローの構築
  • LangGraph 0.5 on Colab : Get started : クイックスタート
  • LangGraph on Colab : SQL エージェントの構築

タグ

AutoGen (13) ClassCat Press Release (20) ClassCat TF/ONNX Hub (11) DGL 0.5 (14) Eager Execution (7) Edward (17) FLUX.1 (16) Gemini (20) HuggingFace Transformers 4.5 (10) HuggingFace Transformers 4.6 (7) HuggingFace Transformers 4.29 (9) Keras 2 Examples (98) Keras 2 Guide (16) Keras 3 (10) Keras Release Note (17) Kubeflow 1.0 (10) LangChain (45) LangGraph (24) MediaPipe 0.8 (11) Model Context Protocol (16) NNI 1.5 (16) OpenAI Agents SDK (8) OpenAI Cookbook (13) OpenAI platform (10) OpenAI platform 1.x (10) OpenAI ヘルプ (8) TensorFlow 2.0 Advanced Tutorials (33) TensorFlow 2.0 Advanced Tutorials (Alpha) (15) TensorFlow 2.0 Advanced Tutorials (Beta) (16) TensorFlow 2.0 Guide (10) TensorFlow 2.0 Guide (Alpha) (16) TensorFlow 2.0 Guide (Beta) (9) TensorFlow 2.0 Release Note (12) TensorFlow 2.0 Tutorials (20) TensorFlow 2.0 Tutorials (Alpha) (14) TensorFlow 2.0 Tutorials (Beta) (12) TensorFlow 2.4 Guide (24) TensorFlow Deploy (8) TensorFlow Get Started (7) TensorFlow Graphics (7) TensorFlow Probability (9) TensorFlow Programmer's Guide (22) TensorFlow Release Note (18) TensorFlow Tutorials (33) TF-Agents 0.4 (11)
2018年3月
月 火 水 木 金 土 日
 1234
567891011
12131415161718
19202122232425
262728293031  
« 2月   4月 »
© 2025 ClasCat® AI Research | Powered by Minimalist Blog WordPress Theme