Créer un callback personnalisé

Créer un callback personnalisé et l’assigner à l’entraînement d’un modèle en TensorFlow/Keras est une tâche courante pour ajouter des fonctionnalités spécifiques au processus d’entraînement. Voici un exemple de création d’un callback personnalisé et de son utilisation lors de l’entraînement d’un modèle.

Étape 1 : Importer les bibliothèques nécessaires

Tout d’abord, assurez-vous d’importer les bibliothèques nécessaires.

import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.keras.callbacks import Callback

Étape 2 : Définir le callback personnalisé

Définissez une classe de callback personnalisée en héritant de tf.keras.callbacks.Callback. Vous pouvez surcharger les méthodes on_epoch_end, on_batch_end, on_train_begin, etc., pour ajouter des fonctionnalités spécifiques.

class CustomCallback(Callback):
    def on_epoch_end(self, epoch, logs=None):
        print(f"End of epoch {epoch}, loss: {logs['loss']}, accuracy: {logs['accuracy']}")

    def on_train_begin(self, logs=None):
        print("Training is about to begin.")

    def on_train_end(self, logs=None):
        print("Training has ended.")

Étape 3 : Définir et compiler le modèle

Définissez et compilez votre modèle. Pour cet exemple, nous utiliserons un modèle simple avec quelques couches de convolution et de dense.

class SimpleModel(tf.keras.Model):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.conv1 = layers.Conv2D(32, (3, 3), activation='relu')
        self.flatten = layers.Flatten()
        self.dense1 = layers.Dense(128, activation='relu')
        self.dense2 = layers.Dense(10)

    def call(self, inputs):
        x = self.conv1(inputs)
        x = self.flatten(x)
        x = self.dense1(x)
        return self.dense2(x)

# Instancier le modèle
model = SimpleModel()

# Compiler le modèle
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

Étape 4 : Préparer les données

Préparez vos données d’entraînement et de test. Pour cet exemple, nous utiliserons le jeu de données MNIST.

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

Étape 5 : Entraîner le modèle avec le callback

Entraînez votre modèle en utilisant le callback personnalisé.

custom_callback = CustomCallback()

model.fit(x_train, y_train, epochs=5, batch_size=32, callbacks=[custom_callback])

Code complet

Voici le code complet pour définir un callback personnalisé, définir et compiler un modèle, préparer les données, et entraîner le modèle avec le callback.

import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.keras.callbacks import Callback

# Définir le callback personnalisé
class CustomCallback(Callback):
    def on_epoch_end(self, epoch, logs=None):
        print(f"End of epoch {epoch}, loss: {logs['loss']}, accuracy: {logs['accuracy']}")

    def on_train_begin(self, logs=None):
        print("Training is about to begin.")

    def on_train_end(self, logs=None):
        print("Training has ended.")

# Définir le modèle
class SimpleModel(tf.keras.Model):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.conv1 = layers.Conv2D(32, (3, 3), activation='relu')
        self.flatten = layers.Flatten()
        self.dense1 = layers.Dense(128, activation='relu')
        self.dense2 = layers.Dense(10)

    def call(self, inputs):
        x = self.conv1(inputs)
        x = self.flatten(x)
        x = self.dense1(x)
        return self.dense2(x)

# Instancier le modèle
model = SimpleModel()

# Compiler le modèle
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# Préparer les données
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# Entraîner le modèle avec le callback
custom_callback = CustomCallback()

model.fit(x_train, y_train, epochs=5, batch_size=32, callbacks=[custom_callback])

Ce code montre comment créer un callback personnalisé pour afficher des messages à la fin de chaque époque et au début et à la fin de l’entraînement. Vous pouvez adapter ce code pour ajouter d’autres fonctionnalités spécifiques à vos besoins.