时间戳

首页 > 解决方案 > Keras：TPU 模型的所有操作必须具有恒定的形状

tensorflow - Keras：TPU 模型的所有操作必须具有恒定的形状

问题描述

我正在使用预训练的 keras 模型，我想通过 Google Colaboratory 在 TPU 上运行它，但出现以下错误：

ValueError：图层在非批量维度中具有可变形状。TPU 模型对于所有操作必须具有恒定的形状。

您可能必须为 RNN/TimeDistributed 层指定“input_length”。

层：输入形状：[(None, 128, 768), (None, 1)] 输出形状：(None, None, 768)

我正在使用keras-xlnet。据我了解，按照此处和此处的说明编译模型时，TPU 需要具有固定的批量大小。

模型从检查点加载：

from keras_xlnet import Tokenizer, load_trained_model_from_checkpoint, 
      ATTENTION_TYPE_BI

checkpoint_path = 'xlnet_cased_L-12_H-768_A-12'

tokenizer = Tokenizer(os.path.join(checkpoint_path, 'spiece.model'))
model = load_trained_model_from_checkpoint(
    config_path=os.path.join(checkpoint_path, 'xlnet_config.json'),
    checkpoint_path=os.path.join(checkpoint_path, 'xlnet_model.ckpt'),
    batch_size=BATCH_SIZE,
    memory_len=512,
    target_len=SEQ_LEN,
    in_train_phase=False,
    attention_type=ATTENTION_TYPE_BI,
    )
 model.summary()

然后编译模型（经过一些更改）：

from keras_bert import AdamWarmup, calc_train_steps

decay_steps, warmup_steps = calc_train_steps(
    y_train.shape[0],
    batch_size=BATCH_SIZE,
    epochs=EPOCHS,
    )


model.compile(
    AdamWarmup(decay_steps=decay_steps, warmup_steps=warmup_steps, lr=LR),
    loss='binary_crossentropy',
    )

然后，模型被加载到 TPU，出现错误：

tpu_address = 'grpc://' + os.environ['COLAB_TPU_ADDR']
    strategy = tf.contrib.tpu.TPUDistributionStrategy(
    tf.contrib.cluster_resolver.TPUClusterResolver(tpu=tpu_address)
    )

with tf.keras.utils.custom_object_scope(get_custom_objects()):
    tpu_model = tf.contrib.tpu.keras_to_tpu_model(model, strategy=strategy)

有没有办法可以在编译时修复批量大小以消除上述错误？还是问题完全不同？

标签： tensorflowkerasgoogle-colaboratorytpugoogle-cloud-tpu

解决方案

我同意这些评论——要让它工作，您需要将各种可变输出形状（例如无、无、768）调整为固定大小（第一批尺寸除外）。也许你可以用简单的填充来做到这一点。如果您可以遍历保存的模型层并将权重加载到您使用填充尺寸编写的新模型中，它甚至可以工作。我想说这比考虑 TPU 就绪版本更麻烦。

我建议这个模型远离 Keras。官方的 TensorFlow XLNet 实现无需修改即可与 TPU 一起使用。它还带有预训练的检查点。https://github.com/zihangdai/xlnet

它使用标准的 TPUEstimator 类将模型函数发送给 TPU 工作人员，因此您无需乱用tf.contrib.tpu.keras_to_tpu_model.

存储库中给出的示例可以在 colab where $TPU_NAMEis中运行，$COLAB_TPU_ADDR并且您将预训练的检查点和 imdb 数据上传到 colab 可以访问的存储桶。

python run_classifier.py \
  --use_tpu=True \
  --tpu=${TPU_NAME} \
  --do_train=True \
  --do_eval=True \
  --eval_all_ckpt=True \
  --task_name=imdb \
  --data_dir=${IMDB_DIR} \
  --output_dir=${GS_ROOT}/proc_data/imdb \
  --model_dir=${GS_ROOT}/exp/imdb \
  --uncased=False \
  --spiece_model_file=${LARGE_DIR}/spiece.model \
  --model_config_path=${GS_ROOT}/${LARGE_DIR}/model_config.json \
  --init_checkpoint=${GS_ROOT}/${LARGE_DIR}/xlnet_model.ckpt \
  --max_seq_length=512 \
  --train_batch_size=32 \
  --eval_batch_size=8 \
  --num_hosts=1 \
  --num_core_per_host=8 \
  --learning_rate=2e-5 \
  --train_steps=4000 \
  --warmup_steps=500 \
  --save_steps=500 \
  --iterations=500

推荐阅读