Класс RemoteMonitor

Класс RemoteMonitor представляет собой колбэк, который во время обучения модели отправляет информацию о текущей эпохе на удаленный сервер. Данные передаются методом POST в формате JSON. Первым параметром передается корневой адрес сервера, вторым - путь для отправки запросов, третьим - тип поля, в котором передается полезная нагрузка. Класс удобен, когда нужно следить за обучением модели удаленно, например, из другого приложения или панели мониторинга.

Синтаксис

tf.keras.callbacks.RemoteMonitor(root='http://localhost:9000', path='/publish/epoch/end/', field='data', headers=None, send_as_json=False)

Параметры

Класс принимает следующие параметры:

root - корневой адрес удаленного сервера, по умолчанию 'http://localhost:9000';
path - путь на сервере, куда отправляются данные, по умолчанию '/publish/epoch/end/';
field - имя поля, в котором передаются данные, по умолчанию 'data';
headers - словарь дополнительных HTTP-заголовков, по умолчанию None;
send_as_json - если True, данные отправляются в формате JSON, иначе как form-data.

Пример

Давайте создадим колбэк RemoteMonitor и подключим его к обучению простой модели:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])
model.compile(optimizer='sgd', loss='mse')

x = tf.constant([[1.0], [2.0], [3.0], [4.0], [5.0]])
y = tf.constant([[2.0], [4.0], [6.0], [8.0], [10.0]])

monitor = tf.keras.callbacks.RemoteMonitor(
	root='http://localhost:9000',
	path='/publish/epoch/end/',
	field='data'
)
print(monitor)

Результат выполнения кода:

<keras.src.callbacks.remote_monitor.RemoteMonitor object at 0x...>

Пример

Давайте обучим модель с колбэком RemoteMonitor, отправляя данные на локальный сервер:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])
model.compile(optimizer='sgd', loss='mse')

x = tf.constant([[1.0], [2.0], [3.0], [4.0], [5.0]])
y = tf.constant([[2.0], [4.0], [6.0], [8.0], [10.0]])

monitor = tf.keras.callbacks.RemoteMonitor(
	root='http://localhost:9000',
	path='/publish/epoch/end/',
	field='data',
	send_as_json=True
)

try:
	history = model.fit(x, y, epochs=2, verbose=0, callbacks=[monitor])
	print('training finished')
except Exception as e:
	print('connection error')

Результат выполнения кода:

"connection error"

Пример

Давайте создадим колбэк с дополнительными HTTP-заголовками для авторизации:

import tensorflow as tf

monitor = tf.keras.callbacks.RemoteMonitor(
	root='http://example.com',
	path='/api/train/epoch/',
	field='payload',
	headers={'Authorization': 'Bearer token'},
	send_as_json=True
)
print(monitor.root)
print(monitor.path)
print(monitor.field)

Результат выполнения кода:

http://example.com
/api/train/epoch/
payload

Смотрите также

класс TensorBoard,
который записывает данные обучения для визуализации
класс CSVLogger,
который сохраняет данные обучения в CSV-файл
класс LambdaCallback,
который выполняет пользовательские функции во время обучения
класс History,
который хранит историю обучения модели