Network Morphism Tuner ============================= 1. 介绍 --------------- `Autokeras `__ 是使用 Network Morphism 算法的流行的自动机器学习工具。 Autokeras 的基本理念是使用贝叶斯回归来预测神经网络架构的指标。 每次都会从父网络生成几个子网络。 然后使用朴素贝叶斯回归，从网络的历史训练结果来预测它的指标值。 接下来，会选择预测结果最好的子网络加入训练队列中。 在 `此代码 `__ 的启发下，我们在 NNI 中实现了 Network Morphism 算法。 要了解 Network Morphism Trial 的用法，参考 :githublink:`Readme `。 2. 用法 -------- 要使用 Network Morphism，需要如下配置 ``config.yml`` 文件： .. code-block:: yaml tuner: #choice: NetworkMorphism builtinTunerName: NetworkMorphism classArgs: #choice: maximize, minimize optimize_mode: maximize # 当前，此 Tuner 仅支持视觉领域。 task: cv # 修改以适合输入图像的宽度 input_width: 32 # 修改以适合输入图像的通道数 input_channel: 3 # 修改以适合类数 n_output_node: 10 在训练过程中，会生成一个 JSON 文件来表示网络图。 可调用 ``json\_to\_graph()`` 函数来将 JSON 文件转化为 Pytoch 或 Keras 模型。 .. code-block:: python import nni from nni.networkmorphism_tuner.graph import json_to_graph def build_graph_from_json(ir_model_json): """从json构建pytorch模型 """ graph = json_to_graph(ir_model_json) model = graph.produce_torch_model() return model # Trial 从 Network Morphism Tuner 获取下一个参数 RCV_CONFIG = nni.get_next_parameter() # 调用此函数来构建pytorch模型或keras模型 net = build_graph_from_json(RCV_CONFIG) # 训练过程 # .... # 将最终精度返回给 NNI nni.report_final_result(best_acc) 如果需要保存并读取 **最佳模型** ，推荐采用以下方法。 .. code-block:: python # 1. 使用 NNI API # 从 WebUI 获得最佳模型 ID # 或者 ``nni-experiments/experiment_id/log/model_path/best_model.txt`` # 从模型文件中读取 json 字符串，并用 NNI API 加载 with open("best-model.json") as json_file: json_of_model = json_file.read() model = build_graph_from_json(json_of_model) # 2. # 使用框架 API # 2.1 Keras API # 在 Trial 代码中使用 Keras API 保存模型 # 最好在 NNI 本地模式下保存 id model_id = nni.get_sequence_id() # 将模型序列化为 JSON model_json = model.to_json() with open("model-{}.json".format(model_id), "w") as json_file: json_file.write(model_json) # 将权重序列化为 HDF5 model.save_weights("model-{}.h5".format(model_id)) # 重用模型时，使用 Keras API 读取 # 读取 JSON 文件，并创建模型 model_id = "" # 需要重用的模型 ID with open('model-{}.json'.format(model_id), 'r') as json_file: loaded_model_json = json_file.read() loaded_model = model_from_json(loaded_model_json) # 将权重加载到新模型中 loaded_model.load_weights("model-{}.h5".format(model_id)) # 2.2 PyTorch API # 在 Trial 代码中使用 PyTorch API 保存 model_id = nni.get_sequence_id() torch.save(model, "model-{}.pt".format(model_id)) # 重用模型时，使用 PyTorch API 读取 model_id = "" # id of the model you want to reuse loaded_model = torch.load("model-{}.pt".format(model_id)) 3. 文件结构 ----------------- Tuner 有大量的文件、函数和类。 这里简单介绍最重要的文件： * ``networkmorphism_tuner.py`` 是使用 network morphism 算法的 Tuner。 * ``bayesian.py`` 是用来基于已经搜索到的模型来预测未知模型指标的贝叶斯算法。 * ``graph.py`` 是元图数据结构。 类 Graph 表示了模型的神经网络图。 * Graph 从模型中抽取神经网络。 * 图中的每个节点都是层之间的中间张量。 * 在图中，边表示层。 * 注意，多条边可能会表示同一层。 * ``graph_transformer.py`` 包含了一些图转换，包括变宽，变深，或在图中增加跳跃连接。 * ``layers.py`` 包括模型中用到的所有层。 * ``layer_transformer.py`` 包含了一些层转换，包括变宽，变深，或在层中增加跳跃连接。 * ``nn.py`` 包括生成初始网络的类。 * ``metric.py`` 包括了一些指标类，如 Accuracy 和 MSE。 * ``utils.py`` 是使用 Keras 在数据集 ``cifar10`` 上搜索神经网络的示例。 4. 网络表示的 JSON 示例 ------------------------------------------ 这是样例定义的中间表示 JSON 文件，它会在架构搜索过程中从 Tuner 传到 Trial。 可调用 Trial 代码中的 ``json_to_graph()`` 函数来将 JSON 文件转化为 Pytoch 或 Keras 模型。 .. code-block:: json { "input_shape": [32, 32, 3], "weighted": false, "operation_history": [], "layer_id_to_input_node_ids": {"0": [0],"1": [1],"2": [2],"3": [3],"4": [4],"5": [5],"6": [6],"7": [7],"8": [8],"9": [9],"10": [10],"11": [11],"12": [12],"13": [13],"14": [14],"15": [15],"16": [16] }, "layer_id_to_output_node_ids": {"0": [1],"1": [2],"2": [3],"3": [4],"4": [5],"5": [6],"6": [7],"7": [8],"8": [9],"9": [10],"10": [11],"11": [12],"12": [13],"13": [14],"14": [15],"15": [16],"16": [17] }, "adj_list": { "0": [[1, 0]], "1": [[2, 1]], "2": [[3, 2]], "3": [[4, 3]], "4": [[5, 4]], "5": [[6, 5]], "6": [[7, 6]], "7": [[8, 7]], "8": [[9, 8]], "9": [[10, 9]], "10": [[11, 10]], "11": [[12, 11]], "12": [[13, 12]], "13": [[14, 13]], "14": [[15, 14]], "15": [[16, 15]], "16": [[17, 16]], "17": [] }, "reverse_adj_list": { "0": [], "1": [[0, 0]], "2": [[1, 1]], "3": [[2, 2]], "4": [[3, 3]], "5": [[4, 4]], "6": [[5, 5]], "7": [[6, 6]], "8": [[7, 7]], "9": [[8, 8]], "10": [[9, 9]], "11": [[10, 10]], "12": [[11, 11]], "13": [[12, 12]], "14": [[13, 13]], "15": [[14, 14]], "16": [[15, 15]], "17": [[16, 16]] }, "node_list": [ [0, [32, 32, 3]], [1, [32, 32, 3]], [2, [32, 32, 64]], [3, [32, 32, 64]], [4, [16, 16, 64]], [5, [16, 16, 64]], [6, [16, 16, 64]], [7, [16, 16, 64]], [8, [8, 8, 64]], [9, [8, 8, 64]], [10, [8, 8, 64]], [11, [8, 8, 64]], [12, [4, 4, 64]], [13, [64]], [14, [64]], [15, [64]], [16, [64]], [17, [10]] ], "layer_list": [ [0, ["StubReLU", 0, 1]], [1, ["StubConv2d", 1, 2, 3, 64, 3]], [2, ["StubBatchNormalization2d", 2, 3, 64]], [3, ["StubPooling2d", 3, 4, 2, 2, 0]], [4, ["StubReLU", 4, 5]], [5, ["StubConv2d", 5, 6, 64, 64, 3]], [6, ["StubBatchNormalization2d", 6, 7, 64]], [7, ["StubPooling2d", 7, 8, 2, 2, 0]], [8, ["StubReLU", 8, 9]], [9, ["StubConv2d", 9, 10, 64, 64, 3]], [10, ["StubBatchNormalization2d", 10, 11, 64]], [11, ["StubPooling2d", 11, 12, 2, 2, 0]], [12, ["StubGlobalPooling2d", 12, 13]], [13, ["StubDropout2d", 13, 14, 0.25]], [14, ["StubDense", 14, 15, 64, 64]], [15, ["StubReLU", 15, 16]], [16, ["StubDense", 16, 17, 64, 10]] ] } 可将模型视为 `有向无环图 `__。 每个模型的定义都是一个 JSON 对象： * ``input_shape`` 是整数的列表，不包括批量维度。 * ``weighted`` 表示是否权重和偏移值应该包含在此神经网络图中。 * ``operation_history`` 是保存了所有网络形态操作的列表。 * ``layer_id_to_input_node_ids`` 是字典，将层的标识映射到输入节点标识。 * ``layer_id_to_output_node_ids`` 是字典，将层的标识映射到输出节点标识。 * ``adj_list`` 是二维列表，是图的邻接表。 第一维是张量标识。 在每条边的列表中，元素是两元组（张量标识，层标识）。 * ``reverse_adj_list`` 是与 adj_list 格式一样的反向邻接列表。 * ``node_list`` 是一个整数列表。 列表的索引是标识。 * ``layer_list`` 是层的列表。 列表的索引是标识。 * 对于 ``StubConv(StubConv1d, StubConv2d, StubConv3d)``，后面的数字表示节点的输入 id（或 id 列表），节点输出 id，input_channel，filters，kernel_size，stride 和 padding。 * 对于 ``StubDense``，后面的数字表示节点的输入 id （或 id 列表），节点输出 id，input_units 和 units。 * 对于 ``StubBatchNormalization (StubBatchNormalization1d, StubBatchNormalization2d, StubBatchNormalization3d)``，后面的数字表示节点输入 id（或 id 列表），节点输出 id，和特征数量。 * 对于 ``StubDropout(StubDropout1d, StubDropout2d, StubDropout3d)``，后面的数字表示节点的输入 id （或 id 列表），节点的输出 id 和 dropout 率。 * 对于 ``StubPooling (StubPooling1d, StubPooling2d, StubPooling3d)`` 后面的数字表示节点的输入 id（或 id 列表），节点输出 id，kernel_size, stride 和 padding。 * 对于其它层，后面的数字表示节点的输入 id（或 id 列表）以及节点的输出 id。 5. TODO ------- 下一步，会将 API 从固定网络生成器，改为有更多可用操作的网络生成器。 会使用 ONNX 格式来替代 JSON 作为中间表示结果。