我目前正在尝试让TFX管道的Trainer组件从之前的相同管道运行中进行热启动。用例是：
- 运行管道一次，生成一个模型。
- 随着新数据的到来，使用新数据训练现有模型。
我知道ResolverNode组件是为此目的设计的，所以你可以看到我如何使用它如下：
# 检测先前训练的模型
latest_model_resolver = ResolverNode(
instance_name='latest_model_resolver',
resolver_class=latest_artifacts_resolver.LatestArtifactsResolver,
latest_model=Channel(type=Model))
context.run(latest_model_resolver)
# 将先前模型设置为base_model
train_file = 'tfx_modules/recommender_train.py'
trainer = Trainer(
module_file=os.path.abspath(train_file),
custom_executor_spec=executor_spec.ExecutorClassSpec(GenericExecutor),
transformed_examples=transform.outputs['transformed_examples'],
transform_graph=transform.outputs['transform_graph'],
schema=schema_gen.outputs['schema'],
train_args=trainer_pb2.TrainArgs(num_steps=10000),
eval_args=trainer_pb2.EvalArgs(num_steps=5000),
base_model=latest_model_resolver.outputs['latest_model'])上述组件运行成功，并且ResolverNode能够检测到之前管道运行的最新模型。没有抛出错误 – 但是，当运行context.run(trainer)时，模型损失基本上从第一次开始的地方开始。在模型的第一次运行后，它的训练损失大约为0.1，但在第二次运行（假设是热启动）时，它重新开始大约为18.2。
这让我认为所有的权重都被重新初始化了，我认为这不应该发生。以下是相关模型构建函数：
def build_keras_model():
"""构建Keras模型"""
embedding_max_values = load(open(os.path.abspath('tfx-example/user_artifacts/embedding_max_dict.pkl'), 'rb'))
embedding_dimensions = dict([(key, 20) for key in embedding_max_values.keys()])
embedding_pairs = [recommender.EmbeddingPair(embedding_name=feature,
embedding_dimension=embedding_dimensions[feature],
embedding_max_val=embedding_max_values[feature])
for feature in recommender_constants.univalent_features]
numeric_inputs = []
for num_feature in recommender_constants.numeric_features:
numeric_inputs.append(keras.Input(shape=(1,), name=num_feature))
input_layers = numeric_inputs + [elem for pair in embedding_pairs for elem in pair.input_layers]
pre_concat_layers = numeric_inputs + [elem for pair in embedding_pairs for elem in pair.embedding_layers]
concat = keras.layers.Concatenate()(pre_concat_layers) if len(pre_concat_layers) > 1 else pre_concat_layers[0]
layer_1 = keras.layers.Dense(64, activation='relu', name='layer1')(concat)
output = keras.layers.Dense(1, kernel_initializer='lecun_uniform', name='out')(layer_1)
model = keras.models.Model(input_layers, outputs=output)
model.compile(optimizer='adam', loss='mean_squared_error')
return model
def run_fn(fn_args: TrainerFnArgs):
"""Trainer组件的函数"""
tf_transform_output = tft.TFTransformOutput(fn_args.transform_output)
train_dataset = _input_fn(fn_args.train_files, fn_args.data_accessor,
tf_transform_output, 40)
eval_dataset = _input_fn(fn_args.eval_files, fn_args.data_accessor,
tf_transform_output, 40)
model = build_keras_model()
tensorboard_callback = tf.keras.callbacks.TensorBoard(
log_dir=fn_args.model_run_dir, update_freq='epoch', histogram_freq=1,
write_images=True)
model.fit(train_dataset, steps_per_epoch=fn_args.train_steps, validation_data=eval_dataset,
validation_steps=fn_args.eval_steps, callbacks=[tensorboard_callback],
epochs=5)
signatures = {
'serving_default':
_get_serve_tf_examples_fn(model, tf_transform_output).get_concrete_function(tf.TensorSpec(
shape=[None],
dtype=tf.string,
name='examples')
)
}
model.save(fn_args.serving_model_dir, save_format='tf', signatures=signatures)为了研究这个问题，我查看了以下内容：
然而，这个指南使用的是Estimator组件而不是Keras组件。该组件有一个warm_start_from初始化参数，我在Keras的等效组件中找不到这个参数。
我怀疑：
-
热启动功能仅适用于
Estimator组件，即使为Keras组件设置了base_model，也不会生效。 -
我不知何故告诉模型在成功加载之前模型后重新初始化权重 – 如果是这样，我希望能指出这是如何发生的。
任何帮助都将不胜感激！非常感谢。
回答：
对于Keras模型，你必须首先使用基本模型路径加载模型，然后你可以从那里继续训练，而不是构建一个新模型。
你的Trainer组件看起来是正确的，但在run_fn中，应该这样做：
def run_fn(fn_args: FnArgs):
model = tf.keras.models.load_model(fn_args.base_model)
model.fit(train_dataset, steps_per_epoch=fn_args.train_steps, validation_data=eval_dataset,
validation_steps=fn_args.eval_steps, callbacks=[tensorboard_callback],
epochs=5)