遷移容錯機制

在 TensorFlow.org 上檢視 在 Google Colab 中執行 在 GitHub 上檢視原始碼 下載筆記本

容錯能力是指定期儲存可追蹤物件 (例如參數和模型) 狀態的機制。這可讓您在訓練期間發生程式/機器故障時還原這些狀態。

本指南首先示範如何在 TensorFlow 1 中透過指定搭配 tf.estimator.RunConfig 的指標儲存功能，將容錯能力新增至搭配 tf.estimator.Estimator 的訓練。然後，您將學習如何以兩種方式在 Tensorflow 2 中實作訓練的容錯能力

這兩種方法都會在 檢查點檔案中備份及還原訓練狀態。

設定

安裝 tf-nightly，因為在 TensorFlow 2.10 中導入了在特定步驟使用 tf.keras.callbacks.BackupAndRestore 中的 save_freq 引數儲存檢查點的頻率

pip install tf-nightly

import tensorflow.compat.v1 as tf1
import tensorflow as tf
import numpy as np
import tempfile
import time

mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

TensorFlow 1：使用 tf.estimator.RunConfig 儲存檢查點

在 TensorFlow 1 中，您可以設定 tf.estimator，以透過設定 tf.estimator.RunConfig 來在每個步驟儲存檢查點。

在本範例中，首先編寫一個掛鉤，以便在第五個檢查點人為擲回錯誤

class InterruptHook(tf1.train.SessionRunHook):
  # A hook for artificially interrupting training.
  def begin(self):
    self._step = -1

  def before_run(self, run_context):
    self._step += 1

  def after_run(self, run_context, run_values):
    if self._step == 5:
      raise RuntimeError('Interruption')

接下來，設定 tf.estimator.Estimator 以儲存每個檢查點，並使用 MNIST 資料集

feature_columns = [tf1.feature_column.numeric_column("x", shape=[28, 28])]
config = tf1.estimator.RunConfig(save_summary_steps=1,
                                 save_checkpoints_steps=1)

path = tempfile.mkdtemp()

classifier = tf1.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[256, 32],
    optimizer=tf1.train.AdamOptimizer(0.001),
    n_classes=10,
    dropout=0.2,
    model_dir=path,
    config = config
)

train_input_fn = tf1.estimator.inputs.numpy_input_fn(
    x={"x": x_train},
    y=y_train.astype(np.int32),
    num_epochs=10,
    batch_size=50,
    shuffle=True,
)

開始訓練模型。您稍早定義的掛鉤將會引發人為例外狀況。

try:
  classifier.train(input_fn=train_input_fn,
                   hooks=[InterruptHook()],
                   max_steps=10)
except Exception as e:
  print(f'{type(e).__name__}:{e}')

使用最後儲存的檢查點重建 tf.estimator.Estimator 並繼續訓練

classifier = tf1.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[256, 32],
    optimizer=tf1.train.AdamOptimizer(0.001),
    n_classes=10,
    dropout=0.2,
    model_dir=path,
    config = config
)
classifier.train(input_fn=train_input_fn,
                   max_steps = 10)

TensorFlow 2：使用回呼和 Model.fit 備份和還原

在 TensorFlow 2 中，如果您使用 Keras Model.fit API 進行訓練，則可以提供 tf.keras.callbacks.BackupAndRestore 回呼以新增容錯能力功能。

為了協助示範此功能，首先從定義 Keras Callback 類別開始，以便在第四個週期檢查點人為擲回錯誤

class InterruptAtEpoch(tf.keras.callbacks.Callback):
  # A callback for artificially interrupting training.
  def __init__(self, interrupting_epoch=3):
    self.interrupting_epoch = interrupting_epoch

  def on_epoch_end(self, epoch, log=None):
    if epoch == self.interrupting_epoch:
      raise RuntimeError('Interruption')

然後，定義並例項化簡單的 Keras 模型、定義損失函數、呼叫 Model.compile，並設定 tf.keras.callbacks.BackupAndRestore 回呼，以便在週期界限的暫時目錄中儲存檢查點

def create_model():
  return tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10)
  ])
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'])
log_dir = tempfile.mkdtemp()
backup_restore_callback = tf.keras.callbacks.BackupAndRestore(
    backup_dir = log_dir)

使用 Model.fit 開始訓練模型。在訓練期間，會感謝上方例項化的 tf.keras.callbacks.BackupAndRestore 而儲存檢查點，而 InterruptAtEpoch 類別將會引發人為例外狀況，以便在第四個週期後模擬故障。

try:
  model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback, InterruptAtEpoch()])
except Exception as e:
  print(f'{type(e).__name__}:{e}')

接下來，例項化 Keras 模型、呼叫 Model.compile，並從先前儲存的檢查點使用 Model.fit 繼續訓練模型

model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'],
              steps_per_execution=10)
model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback])

定義另一個 Callback 類別，以便在第 140 個步驟人為擲回錯誤

class InterruptAtStep(tf.keras.callbacks.Callback):
  # A callback for artificially interrupting training.
  def __init__(self, interrupting_step=140):
    self.total_step_count = 0
    self.interrupting_step = interrupting_step

  def on_batch_begin(self, batch, logs=None):
    self.total_step_count += 1

  def on_batch_end(self, batch, logs=None):
    if self.total_step_count == self.interrupting_step:
      print("\nInterrupting at step count", self.total_step_count)
      raise RuntimeError('Interruption')

為了確保每 30 個步驟儲存檢查點，請在 BackupAndRestore 回呼中將 save_freq 設定為 30。InterruptAtStep 將會引發人為例外狀況，以便在週期 1 和步驟 40 (總步驟計數 140) 時模擬故障。檢查點將會在週期 1 和步驟 20 時最後儲存。

log_dir_2 = tempfile.mkdtemp()

backup_restore_callback = tf.keras.callbacks.BackupAndRestore(
    backup_dir = log_dir_2, save_freq=30
)
model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'])
try:
  model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback, InterruptAtStep()])
except Exception as e:
  print(f'{type(e).__name__}:{e}')

接下來，例項化 Keras 模型、呼叫 Model.compile，並從先前儲存的檢查點使用 Model.fit 繼續訓練模型。請注意，訓練從週期 2 和步驟 21 開始。

model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'],
              steps_per_execution=10)
model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback])

TensorFlow 2：使用自訂訓練迴圈編寫手動檢查點

如果您在 TensorFlow 2 中使用自訂訓練迴圈，則可以使用 tf.train.Checkpoint 和 tf.train.CheckpointManager API 實作容錯能力機制。

本範例示範如何

首先定義並例項化 Keras 模型、最佳化工具和損失函數。然後，建立 Checkpoint，以便管理具有可追蹤狀態的兩個物件 (模型和最佳化工具)，以及 CheckpointManager，以便在暫時目錄中記錄和保留數個檢查點。

model = create_model()
optimizer = tf.keras.optimizers.SGD(learning_rate=0.001)
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
log_dir = tempfile.mkdtemp()
epochs = 5
steps_per_epoch = 5

checkpoint = tf.train.Checkpoint(model=model, optimizer=optimizer)
checkpoint_manager = tf.train.CheckpointManager(
            checkpoint, log_dir, max_to_keep=2)

現在，實作自訂訓練迴圈，以便在每個新週期開始時，於第一個週期後載入最後一個檢查點

for epoch in range(epochs):
  if epoch > 0:
      tf.train.load_checkpoint(save_path)
  print(f"\nStart of epoch {epoch}")

  for step in range(steps_per_epoch):
    with tf.GradientTape() as tape:

      logits = model(x_train, training=True)
      loss_value = loss_fn(y_train, logits)

      grads = tape.gradient(loss_value, model.trainable_weights)
      optimizer.apply_gradients(zip(grads, model.trainable_weights))

    save_path = checkpoint_manager.save()
    print(f"Checkpoint saved to {save_path}")
    print(f"Training loss at step {step}: {loss_value}")

後續步驟

若要進一步瞭解 TensorFlow 2 中的容錯能力和檢查點，請參閱下列文件

您也可以找到下列與 分散式訓練相關的資料，可能對您有所幫助