{"metadata":{"kernelspec":{"language":"python","display_name":"Python 3","name":"python3"},"language_info":{"pygments_lexer":"ipython3","nbconvert_exporter":"python","version":"3.6.4","file_extension":".py","codemirror_mode":{"name":"ipython","version":3},"name":"python","mimetype":"text/x-python"}},"nbformat_minor":4,"nbformat":4,"cells":[{"cell_type":"markdown","source":"# TF 2.2 блокнот\n[По сути, это перевод стартового блокнота от команды TensorFlow](https://www.kaggle.com/philculliton/a-simple-petals-tf-2-2-notebook)","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\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\nfrom tensorflow.random import set_seed\ndef seed_everything(seed):\n    np.random.seed(seed)\n    set_seed(seed)\n    os.environ['PYTHONHASHSEED'] = str(seed)\n    os.environ['TF_DETERMINISTIC_OPS'] = '1'\n\nseed = 42\nseed_everything(seed)\n\n# работа с изображениями\nfrom tensorflow.keras.preprocessing import image\nimport matplotlib.pyplot as plt\n%matplotlib inline \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__)","metadata":{"_cell_guid":"b1076dfc-b9ad-4769-8c92-a6c4dae69d19","_uuid":"8f2839f25d086af736a60e9eeb907d3b93b6e0e5","execution":{"iopub.status.busy":"2022-04-09T15:02:35.695032Z","iopub.execute_input":"2022-04-09T15:02:35.695384Z","iopub.status.idle":"2022-04-09T15:02:41.343567Z","shell.execute_reply.started":"2022-04-09T15:02:35.695295Z","shell.execute_reply":"2022-04-09T15:02:41.342926Z"},"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.experimental.TPUStrategy(tpu)\nelse:\n    strategy = tf.distribute.get_strategy() # стратегия распространения по умолчанию в Tensorflow. Работает на CPU и одном GPU.\n\nprint(\"REPLICAS: \", strategy.num_replicas_in_sync)","metadata":{"execution":{"iopub.status.busy":"2022-04-09T15:02:41.345243Z","iopub.execute_input":"2022-04-09T15:02:41.345652Z","iopub.status.idle":"2022-04-09T15:02:47.061101Z","shell.execute_reply.started":"2022-04-09T15:02:41.345609Z","shell.execute_reply":"2022-04-09T15:02:47.060159Z"},"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","metadata":{"execution":{"iopub.status.busy":"2022-04-09T15:02:47.062688Z","iopub.execute_input":"2022-04-09T15:02:47.063051Z","iopub.status.idle":"2022-04-09T15:02:47.489157Z","shell.execute_reply.started":"2022-04-09T15:02:47.063010Z","shell.execute_reply":"2022-04-09T15:02:47.488437Z"},"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 = 80\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":"2022-04-09T15:02:47.493721Z","iopub.execute_input":"2022-04-09T15:02:47.494119Z","iopub.status.idle":"2022-04-09T15:02:47.499195Z","shell.execute_reply.started":"2022-04-09T15:02:47.494077Z","shell.execute_reply":"2022-04-09T15:02:47.498293Z"},"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":"2022-04-09T15:02:47.501177Z","iopub.execute_input":"2022-04-09T15:02:47.501490Z","iopub.status.idle":"2022-04-09T15:02:47.864450Z","shell.execute_reply.started":"2022-04-09T15:02:47.501447Z","shell.execute_reply":"2022-04-09T15:02:47.863437Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"markdown","source":"# Построить модель на TPU (или GPU, или CPU...) с Tensorflow 2.1!","metadata":{}},{"cell_type":"code","source":"# def get_model():\n \n#     # Создаем последовательную модель\n#     model = Sequential()\n\n#     ## Первый сверточный блок\n#     # Первый сверточный слой\n#     model.add(Conv2D(64, (5, 5), input_shape=(*IMAGE_SIZE, 3), activation='relu'))\n#     model.add(BatchNormalization())\n#     # Второй сверточный слой\n#     model.add(Conv2D(64, (5, 5), activation='relu'))\n#     model.add(BatchNormalization())\n#     # # Первый слой подвыборки\n#     model.add(MaxPooling2D(pool_size=(2, 2)))\n#     # Первый Слой регуляризации Dropout\n#     model.add(GaussianDropout(0.25))\n\n#     ## Второй сверточный блок\n#     # Четвертый сверточный слой\n#     model.add(Conv2D(128, (5, 5), activation='relu'))\n#     model.add(BatchNormalization())\n#     # Пятый сверточный слой\n#     model.add(Conv2D(128, (5, 5), activation='relu'))\n#     model.add(BatchNormalization())\n#     # Второй слой подвыборки\n#     model.add(MaxPooling2D(pool_size=(2, 2)))\n#     # Второй Слой регуляризации Dropout\n#     model.add(GaussianDropout(0.35))\n\n#     ## Третий сверточный блок\n#     # Шестой сверточный слой\n#     model.add(Conv2D(256, (5, 5), activation='relu'))\n#     model.add(BatchNormalization())\n#     # Седьмой сверточный слой\n#     model.add(Conv2D(256, (5, 5), activation='relu'))\n#     model.add(BatchNormalization())\n#     # Восьмой сверточный слой\n#     model.add(Conv2D(256, (5, 5), activation='relu'))\n#     model.add(BatchNormalization())\n#     # Третий слой подвыборки\n#     model.add(MaxPooling2D(pool_size=(2, 2)))\n#     # Третий Слой регуляризации Dropout\n#     model.add(GaussianDropout(0.45))\n\n#     ## Четвертый сверточный блок\n#     # Девятый сверточный слой\n#     model.add(Conv2D(512, (5, 5), activation='relu'))\n#     model.add(BatchNormalization())\n#     # Десятый сверточный слой\n#     model.add(Conv2D(512, (5, 5), activation='relu'))\n#     model.add(BatchNormalization())\n#     # Одиннадцатый сверточный слой\n#     model.add(Conv2D(512, (5, 5), activation='relu'))\n#     model.add(BatchNormalization())\n#     # Четвертый слой подвыборки\n#     model.add(MaxPooling2D(pool_size=(2, 2)))\n#     # Четвертый Слой регуляризации Dropout\n#     model.add(GaussianDropout(0.5))\n    \n#     ## Полносвязный блок\n#     # Слой преобразования данных из 2D представления в плоское\n#     model.add(Flatten())\n#     # Полносвязный слой для классификации\n#     model.add(Dense(1024, activation='relu'))\n#     # Четвертый слой нормализации данных\n#     model.add(BatchNormalization())\n#     # Четвертый Слой регуляризации Dropout\n#     model.add(GaussianDropout(0.8))\n#     # Выходной полносвязный слой\n#     model.add(Dense(104, activation='softmax'))\n#     return model\n\n\n# with strategy.scope():    \n#     model = get_model()\n# model.summary()","metadata":{"execution":{"iopub.status.busy":"2022-04-09T15:02:47.866344Z","iopub.execute_input":"2022-04-09T15:02:47.866671Z","iopub.status.idle":"2022-04-09T15:02:47.872479Z","shell.execute_reply.started":"2022-04-09T15:02:47.866631Z","shell.execute_reply":"2022-04-09T15:02:47.871900Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"code","source":"\ndef get_model(\n        conv_blocks=[(32, 32)],\n        dense_blocks=[512, 104],\n        kernel_size=(3, 3),\n        max_pooling_size=(2, 2),\n    \n        gaus_dropout: int = 0,\n        gaus_dropout_dense_value: float = 0.25,\n        gaus_dropout_conv_value: float = 0.25,\n        inc_conv_dropout: float = 0,\n\n        batch_normalization: int = 0,\n        #kernel_regularizer_dense=None,\n    \n        activation: str = 'relu'\n        #padding: str = 'same'\n):\n\n    model = Sequential()\n\n    for i in range(0, len(conv_blocks)):\n        for j in range(0, len(conv_blocks[i])):\n            if i == 0 and j == 0:\n                model.add(Conv2D(\n                    filters=conv_blocks[i][j],\n                    kernel_size=kernel_size,\n                    #padding=padding,\n                    input_shape=(*IMAGE_SIZE, 3),\n                    activation=activation))\n            else:\n                model.add(Conv2D(\n                    filters=conv_blocks[i][j], \n                    kernel_size=kernel_size, \n                    activation=activation, \n                    #padding=padding\n                ))\n            if batch_normalization >= 2:\n                model.add(BatchNormalization())\n\n        model.add(MaxPooling2D(pool_size=max_pooling_size))\n        \n        if batch_normalization == 1:\n            model.add(BatchNormalization())\n        if gaus_dropout != 0:\n            model.add(GaussianDropout(gaus_dropout_conv_value + i * inc_conv_dropout))\n    \n\n    for i in range(0, len(dense_blocks)):\n        if i == 0:\n            model.add(Flatten())\n        if i == len(dense_blocks) - 1:\n            model.add(Dense(dense_blocks[i], activation='softmax'))\n        else:\n            model.add(Dense(dense_blocks[i], activation=activation))\n            if batch_normalization == 3:\n                model.add(BatchNormalization())\n            if gaus_dropout == 2:\n                model.add(GaussianDropout(gaus_dropout_dense_value))\n                \n    return model\n\n\nwith strategy.scope():    \n    model = get_model(\n        conv_blocks=[(64, 64), (128, 128), (256, 256), (512, 512)],\n        dense_blocks=[1024, 256, 104],\n        gaus_dropout=2,\n        gaus_dropout_conv_value=0.25,\n        inc_conv_dropout = 0.1,\n        gaus_dropout_dense_value=0.8,\n        batch_normalization=3,\n        kernel_size = (5, 5))\n        #kernel_regularizer_dense=regularizers.l2(0.001),)\nmodel.summary()\n\n\n# batch_normalization: 0 - нет, 1 - после каждого блока свертки, 2 - после каждого слоя свертки, 3- после каждого слоя свертки и после каждого Dense слоя, за исключением последнего.\n# dropout: 0 - нет, 1 - после каждого блока свертки, 2 - после каждого блока свертки и после каждого Dense слоя, за исключением последнего.\n","metadata":{"execution":{"iopub.status.busy":"2022-04-09T15:02:47.873629Z","iopub.execute_input":"2022-04-09T15:02:47.873896Z","iopub.status.idle":"2022-04-09T15:02:50.470058Z","shell.execute_reply.started":"2022-04-09T15:02:47.873859Z","shell.execute_reply":"2022-04-09T15:02:50.469220Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"code","source":"callbacks_list = [EarlyStopping(monitor='val_loss', patience=6, restore_best_weights=True, verbose=1),\n                  ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=4, verbose=1)]\n\nmodel.compile(\n    optimizer='nadam',\n    loss = 'sparse_categorical_crossentropy',\n    metrics=['sparse_categorical_accuracy']\n)\n\nhistorical = model.fit(training_dataset, \n          steps_per_epoch=STEPS_PER_EPOCH, \n          epochs=EPOCHS, \n          callbacks=callbacks_list,\n          validation_data=validation_dataset)","metadata":{"execution":{"iopub.status.busy":"2022-04-09T15:02:50.471262Z","iopub.execute_input":"2022-04-09T15:02:50.471477Z","iopub.status.idle":"2022-04-09T15:17:20.749564Z","shell.execute_reply.started":"2022-04-09T15:02:50.471452Z","shell.execute_reply":"2022-04-09T15:17:20.748665Z"},"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"code","source":"plt.plot(historical.history['sparse_categorical_accuracy'], \n         label='Оценка точности на обучающем наборе')\nplt.plot(historical.history['val_sparse_categorical_accuracy'], \n         label='Оценка точности на проверочном наборе')\nplt.xlabel('Эпоха обучения')\nplt.ylabel('Оценка точности')\nplt.legend()\nplt.show()","metadata":{"execution":{"iopub.status.busy":"2022-04-09T15:17:20.751240Z","iopub.execute_input":"2022-04-09T15:17:20.751612Z","iopub.status.idle":"2022-04-09T15:17:21.074316Z","shell.execute_reply.started":"2022-04-09T15:17:20.751561Z","shell.execute_reply":"2022-04-09T15:17:21.073690Z"},"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":"# Поскольку мы разделяем набор данных и выполняем итерацию отдельно для изображений и идентификаторов, порядок имеет значение.\ntest_ds = get_test_dataset(ordered=True) \n\nprint('Вычисляем предсказания...')\ntest_images_ds = test_ds.map(lambda image, idnum: image)\nprobabilities = model.predict(test_images_ds)\npredictions = np.argmax(probabilities, axis=-1)\nprint(predictions)\n\nprint('Создание файла submission.csv...')\ntest_ids_ds = test_ds.map(lambda image, idnum: idnum).unbatch()\ntest_ids = next(iter(test_ids_ds.batch(NUM_TEST_IMAGES))).numpy().astype('U') # все в одной партии\nnp.savetxt('submission.csv', np.rec.fromarrays([test_ids, predictions]), fmt=['%s', '%d'], delimiter=',', header='id,label', comments='')","metadata":{"execution":{"iopub.status.busy":"2022-04-09T15:17:21.076402Z","iopub.execute_input":"2022-04-09T15:17:21.076849Z","iopub.status.idle":"2022-04-09T15:17:55.326213Z","shell.execute_reply.started":"2022-04-09T15:17:21.076810Z","shell.execute_reply":"2022-04-09T15:17:55.325353Z"},"trusted":true},"execution_count":null,"outputs":[]}]}