{"metadata":{"kernelspec":{"language":"python","display_name":"Python 3","name":"python3"},"language_info":{"name":"python","version":"3.10.13","mimetype":"text/x-python","codemirror_mode":{"name":"ipython","version":3},"pygments_lexer":"ipython3","nbconvert_exporter":"python","file_extension":".py"},"kaggle":{"accelerator":"gpu","dataSources":[{"sourceId":21154,"databundleVersionId":1243559,"sourceType":"competition"}],"isInternetEnabled":true,"language":"python","sourceType":"notebook","isGpuEnabled":true}},"nbformat_minor":4,"nbformat":4,"cells":[{"cell_type":"markdown","source":"# TF 2.15 блокнот","metadata":{}},{"cell_type":"markdown","source":"быстрее всего обучалось на GPU P100, на TPU не получалось собрать предсказания","metadata":{}},{"cell_type":"code","source":"import tensorflow as tf\n# последовательная модель (стек слоев)\nfrom tensorflow.keras.models import Sequential, Model\n# полносвязный слой и слой выпрямляющий матрицу в вектор\nfrom tensorflow.keras.layers import Dense, Flatten, Input, Activation, Concatenate, GlobalAveragePooling2D\n# слой выключения нейронов и слой нормализации выходных данных (нормализует данные в пределах текущей выборки)\nfrom tensorflow.keras.layers import Dropout, BatchNormalization, SpatialDropout2D, GaussianDropout\n# слои свертки и подвыборки\nfrom tensorflow.keras.layers import Conv2D, MaxPooling2D, AveragePooling2D\n# работа с обратной связью от обучающейся нейронной сети\nfrom tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint, ReduceLROnPlateau\n# вспомогательные инструменты\nfrom tensorflow.keras import utils\nfrom tensorflow.keras.regularizers import *\nimport numpy as np\nimport os\n\n#  библиотека для работы с наборами данных на Kaggle\nfrom kaggle_datasets import KaggleDatasets\nimport matplotlib.pyplot as plt\n%matplotlib inline \nprint(\"Tensorflow version \" + tf.__version__)\n\n# import warnings\n# # Disable all warnings\n# warnings.filterwarnings(\"ignore\")","metadata":{"_cell_guid":"b1076dfc-b9ad-4769-8c92-a6c4dae69d19","_uuid":"8f2839f25d086af736a60e9eeb907d3b93b6e0e5","execution":{"iopub.status.busy":"2024-03-22T07:18:53.341689Z","iopub.execute_input":"2024-03-22T07:18:53.342078Z","iopub.status.idle":"2024-03-22T07:18:57.170222Z","shell.execute_reply.started":"2024-03-22T07:18:53.342045Z","shell.execute_reply":"2024-03-22T07:18:57.169262Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"markdown","source":"# Определяем, какой ускоритель можем использовать","metadata":{}},{"cell_type":"code","source":"# Обнаружение оборудования, возврат соответствующей стратегии распространения: TPU, GPU, CPU\ntry:\n    tpu = tf.distribute.cluster_resolver.TPUClusterResolver()  # Обнаружение TPU. Параметры среды не требуются, если задана переменная среды TPU_NAME. На Kaggle это всегда так.\n    print('Running on TPU ', tpu.master())\nexcept ValueError:\n    tpu = None\n\nif tpu:\n    tf.config.experimental_connect_to_cluster(tpu)\n    tf.tpu.experimental.initialize_tpu_system(tpu)\n    strategy = tf.distribute.TPUStrategy(tpu)\nelse:\n    #strategy = tf.distribute.get_strategy() # стратегия распространения по умолчанию в Tensorflow. Работает на CPU и одном GPU.\n    strategy = tf.distribute.MirroredStrategy() # for GPU or multi-GPU machines\n    \nprint(\"REPLICAS: \", strategy.num_replicas_in_sync)","metadata":{"execution":{"iopub.status.busy":"2024-03-22T07:18:57.172079Z","iopub.execute_input":"2024-03-22T07:18:57.172879Z","iopub.status.idle":"2024-03-22T07:18:57.658092Z","shell.execute_reply.started":"2024-03-22T07:18:57.172851Z","shell.execute_reply":"2024-03-22T07:18:57.657206Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"markdown","source":"# Get my data path","metadata":{}},{"cell_type":"code","source":"#GCS_DS_PATH = KaggleDatasets().get_gcs_path() #получаем путь к наборам данных\n\nGCS_DS_PATH = '/kaggle/input/tpu-getting-started'","metadata":{"execution":{"iopub.status.busy":"2024-03-22T07:18:57.659320Z","iopub.execute_input":"2024-03-22T07:18:57.659644Z","iopub.status.idle":"2024-03-22T07:18:57.670834Z","shell.execute_reply.started":"2024-03-22T07:18:57.659617Z","shell.execute_reply":"2024-03-22T07:18:57.669794Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"markdown","source":"# Set some parameters","metadata":{}},{"cell_type":"code","source":"IMAGE_SIZE = [192, 192] # при таком размере графическому процессору не хватит памяти. Используйте TPU\nEPOCHS = 300\nBATCH_SIZE = 16 * strategy.num_replicas_in_sync\n\nNUM_TRAINING_IMAGES = 12753\nNUM_TEST_IMAGES = 7382\nSTEPS_PER_EPOCH = NUM_TRAINING_IMAGES // BATCH_SIZE # находим количество шагов за эпоху","metadata":{"execution":{"iopub.status.busy":"2024-03-22T07:18:57.673924Z","iopub.execute_input":"2024-03-22T07:18:57.674826Z","iopub.status.idle":"2024-03-22T07:18:57.681741Z","shell.execute_reply.started":"2024-03-22T07:18:57.674784Z","shell.execute_reply":"2024-03-22T07:18:57.680894Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"markdown","source":"# Загружаем данные\n\nЭти данные загружаются из Kaggle и автоматически сегментируются для максимального распараллеливания.","metadata":{}},{"cell_type":"code","source":"def decode_image(image_data):\n    \"\"\"Декодирует изображение в vyjujvthye. vfnhbwe (тензор)\n    Нормализует данные и преобразовывает изображения к указанному размеру\"\"\"\n    image = tf.image.decode_jpeg(image_data, channels=3) # Декодирование изображения в формате JPEG в тензор uint8.\n    image = tf.cast(image, tf.float32) / 255.0  # преобразовать изображение в плавающее в диапазоне [0, 1]\n    image = tf.reshape(image, [*IMAGE_SIZE, 3]) # явный размер, необходимый для TPU\n#     image = tf.keras.applications.inception_resnet_v2.preprocess_input(image)\n    return image\n\ndef read_labeled_tfrecord(example):\n    LABELED_TFREC_FORMAT = {\n        \"image\": tf.io.FixedLenFeature([], tf.string), # tf.string означает байтовую строку\n        \"class\": tf.io.FixedLenFeature([], tf.int64),  # [] означает отдельный элемент\n    }\n    example = tf.io.parse_single_example(example, LABELED_TFREC_FORMAT) # парсим отдельный пример в указанном формате\n    image = decode_image(example['image']) # преобразуем изображение к нужному нам формату\n    label = tf.cast(example['class'], tf.int32)\n    return image, label # возвращает набор данных пар (изображение, метка)\n\ndef read_unlabeled_tfrecord(example):\n    UNLABELED_TFREC_FORMAT = {\n        \"image\": tf.io.FixedLenFeature([], tf.string), # tf.string означает байтовую строку\n        \"id\": tf.io.FixedLenFeature([], tf.string),  # [] означает отдельный элемент\n        # класс отсутствует, задача этого конкурса - предсказать классы цветов для тестового набора данных\n    }\n    example = tf.io.parse_single_example(example, UNLABELED_TFREC_FORMAT)\n    image = decode_image(example['image']) # преобразуем изображение к нужному нам формату\n    idnum = example['id']\n    return image, idnum # returns a dataset of image(s)\n\ndef load_dataset(filenames, labeled=True, ordered=False):\n    \"\"\"Читает из TFRecords. Для оптимальной производительности одновременное чтение из нескольких\n    файлов без учета порядка данных. Порядок не имеет значения, поскольку мы все равно будем перетасовывать данные\"\"\"\n\n    ignore_order = tf.data.Options() # Представляет параметры для tf.data.Dataset.\n    if not ordered:\n        ignore_order.experimental_deterministic = False # отключить порядок, увеличить скорость\n\n    dataset = tf.data.TFRecordDataset(filenames) # автоматически чередует чтение из нескольких файлов\n    dataset = dataset.with_options(ignore_order) # использует данные сразу после их поступления, а не в исходном порядке\n    dataset = dataset.map(read_labeled_tfrecord if labeled else read_unlabeled_tfrecord)\n    # возвращает набор данных пар (изображение, метка), если метка = Истина, или пар (изображение, идентификатор), если метка = Ложь\n    return dataset\n\ndef get_training_dataset():\n    dataset = load_dataset(tf.io.gfile.glob(GCS_DS_PATH + '/tfrecords-jpeg-192x192/train/*.tfrec'), labeled=True)\n    dataset = dataset.repeat() # набор обучающих данных должен повторяться в течение нескольких эпох\n    dataset = dataset.shuffle(2048)\n    dataset = dataset.batch(BATCH_SIZE)\n    return dataset\n\ndef get_validation_dataset():\n    dataset = load_dataset(tf.io.gfile.glob(GCS_DS_PATH + '/tfrecords-jpeg-192x192/val/*.tfrec'), labeled=True, ordered=False)\n    dataset = dataset.batch(BATCH_SIZE)\n    dataset = dataset.cache() # кешируем набор\n    return dataset\n\ndef get_test_dataset(ordered=False):\n    dataset = load_dataset(tf.io.gfile.glob(GCS_DS_PATH + '/tfrecords-jpeg-192x192/test/*.tfrec'), labeled=False, ordered=ordered)\n    dataset = dataset.batch(BATCH_SIZE)\n    return dataset\n\ntraining_dataset = get_training_dataset()\nvalidation_dataset = get_validation_dataset()","metadata":{"execution":{"iopub.status.busy":"2024-03-22T07:18:57.683152Z","iopub.execute_input":"2024-03-22T07:18:57.683468Z","iopub.status.idle":"2024-03-22T07:18:57.915948Z","shell.execute_reply.started":"2024-03-22T07:18:57.683443Z","shell.execute_reply":"2024-03-22T07:18:57.915016Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"markdown","source":"эта ячейка создает конвейер аугментации данных для обучающих данных, который применяет случайные преобразования к входным изображениям, чтобы увеличить вариативность обучающих данных и улучшить производительность обобщения модели","metadata":{}},{"cell_type":"code","source":"AUTOTUNE = tf.data.AUTOTUNE\n\ndata_augmentation = tf.keras.Sequential([\n  tf.keras.layers.RandomFlip(\"horizontal\"),\n  tf.keras.layers.RandomRotation(0.1),\n  tf.keras.layers.RandomZoom(0.1),\n  tf.keras.layers.RandomContrast(0.1)\n])\n\n\ndef prepare(ds,  augment=False):\n  # Batch all datasets.\n  #ds = ds.batch(BATCH_SIZE)\n\n  # Use data augmentation only on the training set.\n  if augment:\n    ds = ds.map(lambda x, y: (data_augmentation(x, training=True), y),\n                num_parallel_calls=AUTOTUNE)\n\n  # Use buffered prefetching on all datasets.\n  return ds.prefetch(buffer_size=AUTOTUNE)\n\ntraining_dataset = prepare(training_dataset, augment=True)","metadata":{"execution":{"iopub.status.busy":"2024-03-22T07:18:57.917305Z","iopub.execute_input":"2024-03-22T07:18:57.917610Z","iopub.status.idle":"2024-03-22T07:18:58.156428Z","shell.execute_reply.started":"2024-03-22T07:18:57.917583Z","shell.execute_reply":"2024-03-22T07:18:58.155503Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"markdown","source":"# Построить модель на TPU (или GPU, или CPU...) с Tensorflow","metadata":{}},{"cell_type":"markdown","source":"архитектура с нуля, наподобии DenseNet. Состоит из dense блоков, внутри которых исходные данные сохраняются и соединяются с преобразованными в каждом слое. dense блоки соединены переходными (transition) блоками, в которых сжимается количество каналов и сокращается размер данных.","metadata":{}},{"cell_type":"code","source":"def get_model():\n    inputs = Input(shape=(*IMAGE_SIZE, 3))\n    \n    x = Conv2D(64, kernel_size=(7, 7), strides=(2, 2), padding='same', activation='relu')(inputs)\n    x = MaxPooling2D(pool_size=(3, 3), strides=(2, 2), padding='same')(x)\n    \n    growth_rate = 32\n    num_dense_blocks = 3\n    num_layers_per_block = [6, 12, 16]\n    compression_factor = 0.5\n    \n    for i in range(num_dense_blocks):\n        x = dense_block(x, growth_rate, num_layers_per_block[i])\n        if i != num_dense_blocks - 1:\n            x = transition_block(x, compression_factor)\n    \n    x = BatchNormalization()(x)\n    x = Activation('relu')(x)\n    x = GlobalAveragePooling2D()(x)\n    x = Dense(104, activation='softmax')(x)\n    \n    model = Model(inputs, x)\n    return model\n\ndef dense_block(x, growth_rate, num_layers):\n    for _ in range(num_layers):\n        x_bottle = BatchNormalization()(x)\n        x_bottle = Activation('relu')(x_bottle)\n        x_bottle = Conv2D(4 * growth_rate, kernel_size=(1, 1), padding='same')(x_bottle)\n        \n        x_bottle = BatchNormalization()(x_bottle)\n        x_bottle = Activation('relu')(x_bottle)\n        x_bottle = Conv2D(growth_rate, kernel_size=(3, 3), padding='same')(x_bottle)\n        \n        x = Concatenate()([x, x_bottle])\n    return x\n\ndef transition_block(x, compression_factor):\n    num_channels = int(x.shape[-1] * compression_factor)\n    x = BatchNormalization()(x)\n    x = Conv2D(num_channels, kernel_size=(1, 1), padding='same')(x)\n    x = MaxPooling2D(pool_size=(2, 2))(x)\n    return x\n\n\nwith strategy.scope():\n    model = get_model()\nmodel.summary()","metadata":{"execution":{"iopub.status.busy":"2024-03-22T07:18:58.157721Z","iopub.execute_input":"2024-03-22T07:18:58.158022Z","iopub.status.idle":"2024-03-22T07:19:01.379867Z","shell.execute_reply.started":"2024-03-22T07:18:58.157997Z","shell.execute_reply":"2024-03-22T07:19:01.378822Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"code","source":"with strategy.scope():\n\n    callbacks_list = [EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True),\n                      ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=3)]\n\n    model.compile(\n        optimizer='nadam',\n        loss = 'sparse_categorical_crossentropy',\n        metrics=['sparse_categorical_accuracy']\n    )\n\n    historical = model.fit(training_dataset,\n              steps_per_epoch=STEPS_PER_EPOCH,\n              epochs=EPOCHS,\n              callbacks=callbacks_list,\n              validation_data=validation_dataset)\n","metadata":{"execution":{"iopub.status.busy":"2024-03-22T07:19:01.381223Z","iopub.execute_input":"2024-03-22T07:19:01.381517Z","iopub.status.idle":"2024-03-22T07:33:14.749788Z","shell.execute_reply.started":"2024-03-22T07:19:01.381492Z","shell.execute_reply":"2024-03-22T07:33:14.748851Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"markdown","source":"val_sparse_categorical_accuracy: 0.3974","metadata":{}},{"cell_type":"code","source":"plt.plot(historical.history['sparse_categorical_accuracy'], label='accuracy train')\nplt.plot(historical.history['val_sparse_categorical_accuracy'], label='accuracy valid')\nplt.xlabel('эпоха обучения')\nplt.ylabel('accuracy')\nplt.legend()\nplt.show()","metadata":{"execution":{"iopub.status.busy":"2024-03-22T07:33:14.752152Z","iopub.execute_input":"2024-03-22T07:33:14.752472Z","iopub.status.idle":"2024-03-22T07:33:15.043843Z","shell.execute_reply.started":"2024-03-22T07:33:14.752445Z","shell.execute_reply":"2024-03-22T07:33:15.042904Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"markdown","source":"# Вычислите свои прогнозы на тестовом наборе!\n\nCоздадим файл, который можно будет отправить на конкурс.","metadata":{}},{"cell_type":"code","source":"with strategy.scope():\n\n    # Поскольку мы разделяем набор данных и выполняем итерацию отдельно для изображений и идентификаторов, порядок имеет значение.\n    test_ds = get_test_dataset(ordered=True) \n\n    print('Вычисляем предсказания...')\n    test_images_ds = test_ds.map(lambda image, idnum: image)\n    probabilities = model.predict(test_images_ds)\n    predictions = np.argmax(probabilities, axis=-1)\n    print(predictions)\n\n    print('Создание файла submission.csv...')\n    test_ids_ds = test_ds.map(lambda image, idnum: idnum).unbatch()\n    test_ids = next(iter(test_ids_ds.batch(NUM_TEST_IMAGES))).numpy().astype('U') # все в одной партии\n    np.savetxt('submission.csv', np.rec.fromarrays([test_ids, predictions]), fmt=['%s', '%d'], delimiter=',', header='id,label', comments='')","metadata":{"execution":{"iopub.status.busy":"2024-03-22T07:33:15.047125Z","iopub.execute_input":"2024-03-22T07:33:15.047534Z","iopub.status.idle":"2024-03-22T07:33:49.836989Z","shell.execute_reply.started":"2024-03-22T07:33:15.047508Z","shell.execute_reply":"2024-03-22T07:33:49.835869Z"},"trusted":true},"execution_count":null,"outputs":[]}]}