Я пытаюсь выполнить гипер-настройку параметров с пакетом Ray tune .
Ниже показан мой код:
# Disable linter warnings to maintain consistency with tutorial.
# pylint: disable=invalid-name
# pylint: disable=g-bad-import-order
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import tensorflow as tf
import matplotlib as mplt
mplt.use('agg') # Must be before importing matplotlib.pyplot or pylab!
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.metrics import mean_squared_error
from sklearn.metrics import mean_absolute_error
from math import sqrt
import csv
import argparse
import sys
import tempfile
import pandas as pd
import time
import ray
from ray.tune import grid_search, run_experiments, register_trainable
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
import tensorflow as tf
import ray
from ray import tune
class RNNconfig():
num_steps = 14
lstm_size = 32
batch_size = 8
init_learning_rate = 0.01
learning_rate_decay = 0.99
init_epoch = 5 # 5
max_epoch = 60 # 100 or 50
hidden1_nodes = 30
hidden2_nodes = 15
hidden1_activation = tf.nn.relu
hidden2_activation = tf.nn.relu
lstm_activation = tf.nn.relu
status_reporter = None
FLAGS = None
input_size = 1
num_layers = 1
fileName = 'store2_1.csv'
graph = tf.Graph()
column_min_max = [[0,11000], [1,7]]
columns = ['Sales', 'DayOfWeek','SchoolHoliday', 'Promo']
features = len(columns)
rnn_config = RNNconfig()
def segmentation(data):
seq = [price for tup in data[rnn_config.columns].values for price in tup]
seq = np.array(seq)
# split into items of features
seq = [np.array(seq[i * rnn_config.features: (i + 1) * rnn_config.features])
for i in range(len(seq) // rnn_config.features)]
# split into groups of num_steps
X = np.array([seq[i: i + rnn_config.num_steps] for i in range(len(seq) - rnn_config.num_steps)])
y = np.array([seq[i + rnn_config.num_steps] for i in range(len(seq) - rnn_config.num_steps)])
# get only sales value
y = [[y[i][0]] for i in range(len(y))]
y = np.asarray(y)
return X, y
def scale(data):
for i in range (len(rnn_config.column_min_max)):
data[rnn_config.columns[i]] = (data[rnn_config.columns[i]] - rnn_config.column_min_max[i][0]) / ((rnn_config.column_min_max[i][1]) - (rnn_config.column_min_max[i][0]))
return data
def rescle(test_pred):
prediction = [(pred * (rnn_config.column_min_max[0][1] - rnn_config.column_min_max[0][0])) + rnn_config.column_min_max[0][0] for pred in test_pred]
return prediction
def pre_process():
store_data = pd.read_csv(rnn_config.fileName)
store_data = store_data.drop(store_data[(store_data.Open == 0) & (store_data.Sales == 0)].index)
#
# store_data = store_data.drop(store_data[(store_data.Open != 0) & (store_data.Sales == 0)].index)
# ---for segmenting original data --------------------------------
original_data = store_data.copy()
## train_size = int(len(store_data) * (1.0 - rnn_config.test_ratio))
validation_len = len(store_data[(store_data.Month == 6) & (store_data.Year == 2015)].index)
test_len = len(store_data[(store_data.Month == 7) & (store_data.Year == 2015)].index)
train_size = int(len(store_data) - (validation_len+test_len))
train_data = store_data[:train_size]
validation_data = store_data[(train_size-rnn_config.num_steps): validation_len+train_size]
test_data = store_data[((validation_len+train_size) - rnn_config.num_steps): ]
original_val_data = validation_data.copy()
original_test_data = test_data.copy()
# -------------- processing train data---------------------------------------
scaled_train_data = scale(train_data)
train_X, train_y = segmentation(scaled_train_data)
# -------------- processing validation data---------------------------------------
scaled_validation_data = scale(validation_data)
val_X, val_y = segmentation(scaled_validation_data)
# -------------- processing test data---------------------------------------
scaled_test_data = scale(test_data)
test_X, test_y = segmentation(scaled_test_data)
# ----segmenting original validation data-----------------------------------------------
nonescaled_val_X, nonescaled_val_y = segmentation(original_val_data)
# ----segmenting original test data-----------------------------------------------
nonescaled_test_X, nonescaled_test_y = segmentation(original_test_data)
return train_X, train_y, test_X, test_y, val_X, val_y, nonescaled_test_y,nonescaled_val_y
def generate_batches(train_X, train_y, batch_size):
num_batches = int(len(train_X)) // batch_size
if batch_size * num_batches < len(train_X):
num_batches += 1
batch_indices = range(num_batches)
for j in batch_indices:
batch_X = train_X[j * batch_size: (j + 1) * batch_size]
batch_y = train_y[j * batch_size: (j + 1) * batch_size]
assert set(map(len, batch_X)) == {rnn_config.num_steps}
yield batch_X, batch_y
def mean_absolute_percentage_error(y_true, y_pred):
y_true, y_pred = np.array(y_true), np.array(y_pred)
itemindex = np.where(y_true == 0)
y_true = np.delete(y_true, itemindex)
y_pred = np.delete(y_pred, itemindex)
return np.mean(np.abs((y_true - y_pred) / y_true)) * 100
def RMSPE(y_true, y_pred):
y_true, y_pred = np.array(y_true), np.array(y_pred)
return np.sqrt(np.mean(np.square(((y_true - y_pred) / y_pred)), axis=0))
def deepnn(inputs):
cell = tf.contrib.rnn.LSTMCell(rnn_config.lstm_size, state_is_tuple=True, activation= rnn_config.lstm_activation)
val1, _ = tf.nn.dynamic_rnn(cell, inputs, dtype=tf.float32)
val = tf.transpose(val1, [1, 0, 2])
last = tf.gather(val, int(val.get_shape()[0]) - 1, name="last_lstm_output")
# hidden layer
hidden1 = tf.layers.dense(last, units=rnn_config.hidden1_nodes, activation=rnn_config.hidden2_activation)
hidden2 = tf.layers.dense(hidden1, units=rnn_config.hidden2_nodes, activation=rnn_config.hidden1_activation)
weight = tf.Variable(tf.truncated_normal([rnn_config.hidden2_nodes, rnn_config.input_size]))
bias = tf.Variable(tf.constant(0.1, shape=[rnn_config.input_size]))
prediction = tf.matmul(hidden2, weight) + bias
return prediction
def main():
train_X, train_y, test_X, test_y, val_X, val_y, nonescaled_test_y, nonescaled_val_y = pre_process()
# Create the model
inputs = tf.placeholder(tf.float32, [None, rnn_config.num_steps, rnn_config.features], name="inputs")
targets = tf.placeholder(tf.float32, [None, rnn_config.input_size], name="targets")
learning_rate = tf.placeholder(tf.float32, None, name="learning_rate")
# Build the graph for the deep net
prediction = deepnn(inputs)
with tf.name_scope('loss'):
model_loss = tf.losses.mean_squared_error(targets, prediction)
with tf.name_scope('adam_optimizer'):
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(model_loss)
# train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
graph_location = "checkpoints_sales/sales_pred.ckpt"
# graph_location = tempfile.mkdtemp()
print('Saving graph to: %s' % graph_location)
train_writer = tf.summary.FileWriter(graph_location)
train_writer.add_graph(tf.get_default_graph())
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
learning_rates_to_use = [
rnn_config.init_learning_rate * (
rnn_config.learning_rate_decay ** max(float(i + 1 -rnn_config.init_epoch), 0.0)
) for i in range(rnn_config.max_epoch)]
for epoch_step in range(rnn_config.max_epoch):
current_lr = learning_rates_to_use[epoch_step]
i = 0
for batch_X, batch_y in generate_batches(train_X, train_y, rnn_config.batch_size):
train_data_feed = {
inputs: batch_X,
targets: batch_y,
learning_rate: current_lr,
}
train_loss, _ = sess.run([model_loss, optimizer], train_data_feed)
if i % 10 == 0:
val_data_feed = {
inputs: val_X,
targets: val_y,
learning_rate: 0.0,
}
val_prediction = prediction.eval(feed_dict=val_data_feed)
meanSquaredError = mean_squared_error(val_y, val_prediction)
val_rootMeanSquaredError = sqrt(meanSquaredError)
print('epoch %d, step %d, training accuracy %g' % (i, epoch_step, val_rootMeanSquaredError))
if rnn_config.status_reporter:
rnn_config.status_reporter(timesteps_total= epoch_step, mean_accuracy= val_rootMeanSquaredError)
i += 1
test_data_feed = {
inputs: test_X,
targets: test_y,
learning_rate: 0.0,
}
test_prediction = prediction.eval(feed_dict=val_data_feed)
meanSquaredError = mean_squared_error(val_y, test_prediction)
test_rootMeanSquaredError = sqrt(meanSquaredError)
print('training accuracy %g' % (test_rootMeanSquaredError))
# !!! Entrypoint for ray.tune !!!
def train(config, reporter=None):
rnn_config.status_reporter = reporter
rnn_config.num_steps= getattr(config["num_steps"])
rnn_config.lstm_size = getattr(config["lstm_size"])
rnn_config.hidden1_nodes = getattr(config["hidden1_nodes"])
rnn_config.hidden2_nodes = getattr(config["hidden2_nodees"])
rnn_config.lstm_activation = getattr(tf.nn, config["lstm_activation"])
rnn_config.init_learning_rate = getattr(config["learning_rate"])
rnn_config.hidden1_activation = getattr(tf.nn, config['hidden1_activation'])
rnn_config.hidden2_activation = getattr(tf.nn, config['hidden2_activation'])
rnn_config.learning_rate_decay = getattr(config["learning_rate_decay"])
rnn_config.max_epoch = getattr(config["max_epoch"])
rnn_config.init_epoch = getattr(config["init_epoch"])
rnn_config.batch_size = getattr(config["batch_size"])
parser = argparse.ArgumentParser()
parser.add_argument(
'--data_dir',
type=str,
default='/tmp/tensorflow/mnist/input_data',
help='Directory for storing input data')
rnn_config.FLAGS, unparsed = parser.parse_known_args()
tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)
# !!! Example of using the ray.tune Python API !!!
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument(
'--smoke-test', action='store_true', help='Finish quickly for testing')
args, _ = parser.parse_known_args()
register_trainable('train_mnist', train)
mnist_spec = {
'run': 'train_mnist',
'stop': {
'mean_accuracy': 0.99,
},
'config': {
"num_steps": tune.grid_search([1, 2, 3,4,5,6,7,8,9,10,11,12,13,14,15]),
"lstm_size": tune.grid_search([8,16,32,64,128]),
"hidden1_nodes" : tune.grid_search([4,8,16,32,64]),
"hidden2_nodees" : tune.grid_search([2,4,8,16,32]),
"lstm_activation" : tune.grid_search(['relu', 'elu', 'tanh']),
"learning_rate" : tune.grid_search([0.01,0.1,0.5,0.05]),
"hidden1_activation" : tune.grid_search(['relu', 'elu', 'tanh']),
"hidden2_activation" : tune.grid_search(['relu', 'elu', 'tanh']),
"learning_rate_decay" : tune.grid_search([0.99,0.8,0.7]),
"max_epoch" : tune.grid_search([60,50,100,120,200]),
"init_epoch" : tune.grid_search([5,10,15,20]),
"batch_size" : tune.grid_search([5,8,16,32,64])
},
}
if args.smoke_test:
mnist_spec['stop']['training_iteration'] = 2
ray.init()
run_experiments({'tune_mnist_test': mnist_spec})
Когда я пытаюсьзапустить это, я получаю эрор.Ниже показана трассировка стека.Это мой первый раз, когда я использую Tune, поэтому я не уверен, что я делаю здесь неправильно.Также обратите внимание, что пример алгоритма , данный Ray, отлично работает на моей машине.
/ home / suleka / anaconda3 / lib / python3.6 / site-packages / h5py / init .py: 36: FutureWarning: Преобразование второго аргумента issubdtype из float в np.floating устарело.В будущем это будет рассматриваться как np.float64 == np.dtype(float).type.из ._conv импортировать register_converters как _register_converters ПРЕДУПРЕЖДЕНИЕ: Не обновляется имя рабочего, поскольку setproctitle не установлен.Установите это с pip install setproctitle (или ray [debug]), чтобы включить мониторинг рабочих процессов.Трассировка (последний вызов был последним): файл "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 918, в файле save_global obj2, родительский файл = _getattribute (модуль, имя), файл "/ home / suleka /anaconda3 / lib / python3.6 / pickle.py ", строка 266, в _getattribute .format (name, obj)) AttributeError: Невозможно получить локальный атрибут 'wrap_function..WrappedFunc' для
во время обработкивышеупомянутое исключение, другое исключение произошло:
Traceback (последний вызов был последним): файл "/home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py",строка 639, в save_global возвращает Pickler.save_global (self, obj, name = name) Файл "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 922, в save_global (obj, module_name, name)) _pickle.PicklingError: Невозможно засечь .WrappedFunc '>: он не найден как ray.tune.trainable.wrap_function..WrappedFunc
Во время обработки вышеупомянутого исключения произошло другое исключение:
Traceback (последний вызов был последним): Файл "/ home / suleka / Documents / sales_prediction / auto_LSTM_withoutZero.py ", строка 322, в файле register_trainable ('train_mnist', train)" /home/suleka/anaconda3/lib/python3.6/site-packages/ray/tune/registry.py ", строка38, в register_trainable _global_registry.register (TRAINABLE_CLASS, name, trainable) Файл "/home/suleka/anaconda3/lib/python3.6/site-packages/ray/tune/registry.py", строка 77, в регистре self._to_flush[(category, key)] = pickle.dumps (значение) Файл "/home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py", строка 881, в дампах cp.dump(obj) Файл "/home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py", строка 268, в дампе возвращает файл Pickler.dump (self, obj) "/ home /suleka / anaconda3 / lib / python3.6 / pickle.py ", строка 409, в файле дампа self.save (obj) в файле" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 476, вsave f (self, obj) # Вызовите несвязанный метод с явным self File "/home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py", строка 648, в save_global вернуть файл self.save_dynamic_class (obj) "/home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py", строка 495, в файле save_dynamic_class save (clsdict) "/home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 476, в save f (self, obj) # Вызов несвязанного метода с явным собственным файлом Файл" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 821, в файле save_dict self._batch_setitems (obj.items ())" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 847, в _batch_setitems save (v)Файл "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 476, в save f (self, obj) # Вызов метода без привязки с явным self File "/ home / suleka / anaconda3 / lib / python3.6 / site-packages / ray / cloudpickle / cloudpickle.py ", строка 410, в файле save_function self.save_function_tuple (obj), файл" /home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py»,строка 553, в save_function_tuple файл сохранения (состояния) файла "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 476, в save f (self, obj) # Вызов несвязанного метода с явным файлом self "/home / suleka / anaconda3 / lib / python3.6 / pickle.py ", строка 821, в файле save_dict self._batch_setitems (obj.items ()) Файл" /home/suleka/anaconda3/lib/python3.6/pickle.py", строка 847, в _batch_setitems save (v) File" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 476, в save f (self, obj) # Вызов несвязанного метода с явным self File"/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 781, в файле save_list self._batch_appends (obj) "/home/suleka/anaconda3/lib/python3.6/pickle.py",строка 808, в _batch_appends save (tmp [0]) файл "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 476, в save f (self, obj) # Вызов несвязанного метода с явным selfФайл "/home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py", строка 405, в файле save_function self.save_function_tuple (obj), файл "/ home / suleka / anaconda3 / lib / python3.6 / site-packages / ray / cloudpickle / cloudpickle.py ", строка 553, в файле save_function_tuple save (state) файл" /home/suleka/anaconda3/lib/python3.6/pickle.py ",строка 476, в save f (self, obj) # Вызвать несвязанный метод с явным self File "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 821, в save_dict self._batch_setitems (obj.items()) Файл "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 847, в файле _batch_setitems save (v) "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 476, в save f (self, obj) # Вызов несвязанного метода с явным файлом self" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 821, в save_dict self._batch_setitems (obj.items ()) Файл "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 847, в файле _batch_setitems save (v) "/home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 476, в save f (self, obj) # Вызов несвязанного метода с явным файлом self" /home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py ",строка 405,в файле save_function self.save_function_tuple (obj) "/home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py", строка 553, в файле сохранения (состояние) save_function_tuple "/ home /suleka / anaconda3 / lib / python3.6 / pickle.py ", строка 476, в save f (self, obj) # Вызов метода без привязки с явным self File" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 821, в файле save_dict self._batch_setitems (obj.items ())" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 847, в файле _batch_setitems save (v)" /home / suleka / anaconda3 / lib / python3.6 / pickle.py ", строка 476, в save f (self, obj) # Вызов несвязанного метода с явным self File" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 821, в файле save_dict self._batch_setitems (obj.items ())" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 847, в файле _batch_setitems save (v)"/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 476, в save f (self, obj) # Вызов метода без привязки с явным файлом self "/ home / suleka / anaconda3 /lib / python3.6 / site-packages / ray / cloudpickle / cloudpickle.py ", строка 405, в файле save_function self.save_function_tuple (obj), файл" /home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py ", строка 553, в файле save_function_tuple save (state) Файл" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 476, в save f (self, obj) # Вызовнесвязанный метод с явным self Файлом "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 821, в файле save_dict self._batch_setitems (obj.items ()) "/ home / suleka / anaconda3 / lib/python3.6/pickle.py ", строка 847, в _batch_setitems save (v) файле" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 476, в сохраненииf (self, obj) # Вызовите несвязанный метод с явным self-файлом "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 821, в файле save_dict self._batch_setitems (obj.items ()) "/home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 847, в файле _batch_setitems save (v)" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 521,в файле сохранения self.save_reduce (obj = obj, * rv) файла "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 605, в файле сохранения save_reduce (cls) "/ home / suleka / anaconda3/lib/python3.6/pickle.py ", строка 476, в save f (self, obj) # Вызов несвязанного метода с явным self File" /home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py ", строка 636, в файле save_global вернуть файл self.save_dynamic_class (obj)" /home/suleka/anaconda3/lib/python3.6/site-packages/ray/cloudpickle/cloudpickle.py ", строка 495, в save_dynamic_class save (clsdict) Файл "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 476, в save f (self, obj) # Вызов несвязанного метода с явным self File "/home / suleka / anaconda3 / lib / python3.6 / pickle.py ", строка 821, в файле save_dict self._batch_setitems (obj.items ()) Файл" /home/suleka/anaconda3/lib/python3.6/pickle.py", строка 847, в файле _batch_setitems save (v)" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 521, в файле сохранения self.save_reduce (obj = obj, * rv)" /home / suleka / anaconda3 / lib / python3.6 / pickle.py ", строка 634, в файле save_reduce save (state) Файл" /home/suleka/anaconda3/lib/python3.6/pickle.py ", строка 476, вsave f (self, obj) # Вызвать несвязанный метод с явным self-файлом Файл "/home/suleka/anaconda3/lib/python3.6/pickle.py", строка 821, в файле save_dict self._batch_setitems (obj.items ())«/home/suleka/anaconda3/lib/python3.6/pickle.py», строка 847, в файле _batch_setitems save (v) «/home/suleka/anaconda3/lib/python3.6/pickle.py», строка 496, в save rv = reduce (self.proto) TypeError: невозможно выбрать объекты _thread.RLock