[Google Colab] Comment interrompre l'apprentissage, puis le reprendre

1.Tout d'abord

Voici quelques conseils utiles pour utiliser Google Colab.

2. Défis

Lors de l'utilisation de Google Colab Pro, la limite peut aller jusqu'à 24 heures. Par conséquent, si la quantité de calcul du modèle dépasse 24 heures, il y a un problème que le résultat du calcul disparaît au milieu.

Par exemple, si vous estimez qu'il faut environ 24 heures pour calculer 200 époques et exécuter réellement le calcul, cela prendra un peu de temps et Google Colab peut être déconnecté près de 190 époques.

3. Solution

Pour résoudre ce problème, nous utiliserons la méthode suivante.

1. Utilisez ModelCheckpoint () de Keras pour enregistrer le modèle en détail.
2. La destination d'enregistrement du modèle est le dossier temporaire de Google Drive (référence: Organize Google Colab Tips)
3. Appelez le modèle à partir du milieu et redémarrez l'entraînement lorsque le calcul est terminé.

3.1. Paramètres ModelCheckpoint ()

python

from tensorflow.keras.callbacks import ModelCheckpoint

checkpoint = ModelCheckpoint(filepath = 'XXX.h5',
                             monitor='loss',
                             save_best_only=True,
                             save_weight_only=False,
                             mode='min'
                             period=1)

Description de l'argument

1.filepath: le chemin pour enregistrer la chaîne de caractères et le fichier de modèle 2. moniteur: valeur à surveiller 3. save_best_only: Si save_best_only = True, les données surveillées n'écraseront pas le dernier meilleur modèle 4.mode: l'un des {auto, min, max} est sélectionné 5.save_weights_only: Si True, les poids du modèle seront enregistrés. Sinon, le modèle entier sera enregistré. 6.période: Intervalle entre les points de contrôle (nombre d'époques)

3.2. Premier apprentissage → Enregistrer les résultats intermédiaires sur Google Drive

Écrivez le code dans le cas de MNIST de Keras.

python

from tensorflow.keras.callbacks import ModelCheckpoint
from tensorflow.keras.datasets import mnist

Google Drive Mount, paramètres du dossier d'enregistrement du modèle

python

from google.colab import drive
drive.mount('/content/drive')

MODEL_DIR = "/content/drive/My Drive/temp"

if not os.path.exists(MODEL_DIR):  #Si le répertoire n'existe pas, créez-le.
    os.makedirs(MODEL_DIR)
checkpoint = ModelCheckpoint(
    filepath=os.path.join(MODEL_DIR, "model-{epoch:02d}.h5"), save_best_only=True) 

Exécution d'apprentissage

python

history = model.fit(Xtrain, Ytrain, batch_size=BATCH_SIZE, epochs=NUM_EPOCHS,  validation_split=0.1, callbacks=[checkpoint])

L'exécution du code ci-dessus enregistrera le fichier de modèle dans le dossier temporaire.

3.3. Deuxième apprentissage → Appelez le premier modèle et recommencez l'apprentissage à partir du milieu

Il commence par appeler model-05.h5.

Modèle de charge

python

#Modèle de charge
model.load_weights(os.path.join(MODEL_DIR, "model-05.h5"))  #Spécifiez le modèle de

Renommé le deuxième modèle de formation

Remplacez model-XX.h par model_new-XX.h.

python

if not os.path.exists(MODEL_DIR):  #Si le répertoire n'existe pas, créez-le.
    os.makedirs(MODEL_DIR)
checkpoint = ModelCheckpoint(
    filepath=os.path.join(MODEL_DIR, "model_new-{epoch:02d}.h5"), 
    monitor = 'loss',
    save_best_only=True,
    mode='min',
    period=1) 

Poursuivre l'exécution de l'apprentissage

python

history = model.fit(Xtrain, Ytrain, batch_size=BATCH_SIZE, epochs=NUM_EPOCHS,  validation_split=0.1, callbacks=[checkpoint])

En regardant la valeur de Training acc, nous pouvons voir que la formation a repris depuis que la dernière formation a été achevée.

Le modèle nouvellement formé est également enregistré.

4. Résumé

1. Il y a un problème avec Google Colab Pro qui a été déconnecté pendant 24 heures.
2. J'ai décidé de résoudre ce problème avec ModelCheckpoint () de Keras et le support Google Drive.
3. Nous avons confirmé le fonctionnement et l'efficacité de la méthode proposée.

4. Code général

Première étude

python

from tensorflow.keras.callbacks import ModelCheckpoint
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout
from tensorflow.keras.utils import to_categorical
import os
import matplotlib.pyplot as plt

from google.colab import drive
drive.mount('/content/drive')
MODEL_DIR = "/content/drive/My Drive/temp"
if not os.path.exists(MODEL_DIR):  #Si le répertoire n'existe pas, créez-le.
    os.makedirs(MODEL_DIR)
checkpoint = ModelCheckpoint(
    filepath=os.path.join(MODEL_DIR, "model-{epoch:02d}.h5"), save_best_only=True) 

BATCH_SIZE = 128
NUM_EPOCHS = 20

(Xtrain, ytrain), (Xtest, ytest) = mnist.load_data()
Xtrain = Xtrain.reshape(60000, 784).astype("float32") / 255
Xtest = Xtest.reshape(10000, 784).astype("float32") / 255
Ytrain = to_categorical(ytrain, 10)
Ytest = to_categorical(ytest, 10)
print(Xtrain.shape, Xtest.shape, Ytrain.shape, Ytest.shape)
#Définition du modèle
model = Sequential()
model.add(Dense(512, input_shape=(784,), activation="relu"))
model.add(Dropout(0.2))
model.add(Dense(512, activation="relu"))
model.add(Dropout(0.2))
model.add(Dense(10, activation="softmax"))
model.summary()
model.compile(optimizer="rmsprop", loss="categorical_crossentropy",
              metrics=["accuracy"])

#Exécution de l'apprentissage
history = model.fit(Xtrain, Ytrain, batch_size=BATCH_SIZE, epochs=NUM_EPOCHS,  validation_split=0.1, callbacks=[checkpoint])

#Dessin graphique
plt.clf()
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

plot_epochs = range(1, len(acc)+1)
# Accuracy
plt.plot(plot_epochs, acc, 'bo-', label='Training acc')
plt.plot(plot_epochs, val_acc, 'b', label='Validation acc')
plt.title('model accuracy')
plt.ylabel('accuracy')  #Étiquette de l'axe Y
plt.xlabel('epoch')  #Étiquette de l'axe X
plt.legend()
plt.show()

loss = history.history['loss']
val_loss = history.history['val_loss']

plot_epochs = range(1, len(loss)+1)
# Accuracy
plt.plot(plot_epochs, loss, 'ro-', label='Training loss')
plt.plot(plot_epochs, val_loss, 'r', label='Validation loss')
plt.title('model loss')
plt.ylabel('loss')  #Étiquette de l'axe Y
plt.xlabel('epoch')  #Étiquette de l'axe X
plt.legend()
plt.show()

Apprentissage secondaire et ultérieur

python

from tensorflow.keras.callbacks import ModelCheckpoint
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout
from tensorflow.keras.utils import to_categorical
import os
import matplotlib.pyplot as plt

from google.colab import drive
drive.mount('/content/drive')
MODEL_DIR = "/content/drive/My Drive/temp"
if not os.path.exists(MODEL_DIR):  #Si le répertoire n'existe pas, créez-le.
    os.makedirs(MODEL_DIR)
checkpoint = ModelCheckpoint(
    filepath=os.path.join(MODEL_DIR, "model-{epoch:02d}.h5"), save_best_only=True) 


#Modèle de charge
model.load_weights(os.path.join(MODEL_DIR, "model-05.h5"))  #Spécifiez le modèle de

if not os.path.exists(MODEL_DIR):  #Si le répertoire n'existe pas, créez-le.
    os.makedirs(MODEL_DIR)
checkpoint = ModelCheckpoint(
    filepath=os.path.join(MODEL_DIR, "model_new-{epoch:02d}.h5"), 
    monitor = 'loss',
    save_best_only=True,
    mode='min',
    period=1) 

#Reprendre l'apprentissage
history = model.fit(Xtrain, Ytrain, batch_size=BATCH_SIZE, epochs=NUM_EPOCHS,  validation_split=0.1, callbacks=[checkpoint])

#Dessin graphique
plt.clf()
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

plot_epochs = range(1, len(acc)+1)
# Accuracy
plt.plot(plot_epochs, acc, 'bo-', label='Training acc')
plt.plot(plot_epochs, val_acc, 'b', label='Validation acc')
plt.title('model accuracy')
plt.ylabel('accuracy')  #Étiquette de l'axe Y
plt.xlabel('epoch')  #Étiquette de l'axe X
plt.legend()
plt.show()

loss = history.history['loss']
val_loss = history.history['val_loss']

plot_epochs = range(1, len(loss)+1)
# Accuracy
plt.plot(plot_epochs, loss, 'ro-', label='Training loss')
plt.plot(plot_epochs, val_loss, 'r', label='Validation loss')
plt.title('model loss')
plt.ylabel('loss')  #Étiquette de l'axe Y
plt.xlabel('epoch')  #Étiquette de l'axe X
plt.legend()
plt.show()

5. Documents de référence

1. Organisez les conseils Google Colab
2. [Comment interrompre l'apprentissage avec Keras puis le reprendre à partir du milieu](https://intellectual-curiosity.tokyo/2019/06/25/keras%e3%81%a7%e5%ad%a6%e7% bf% 92% e3% 82% 92% e4% b8% ad% e6% 96% ad% e3% 81% 97% e3% 81% 9f% e5% be% 8c% e3% 80% 81% e9% 80% 94% e4% b8% ad% e3% 81% 8b% e3% 82% 89% e5% 86% 8d% e9% 96% 8b% e3% 81% 99% e3% 82% 8b% e6% 96% b9% e6% b3% 95 /? unapproved = 1126 & moderation-hash = a1d80e5413be867d6179fd011c317d71 # comment-1126)
3. Enregistrez le meilleur modèle (Comment utiliser ModelCheckpoint)