Динамическое переключение отсева в Keras / Tensorflow - PullRequest
Новая
       28

Динамическое переключение отсева в Keras / Tensorflow

0 голосов
/ 14 декабря 2018

Я строю алгоритм обучения с подкреплением в Tensorflow, и я хотел бы иметь возможность динамически выключать и затем включать в течение одного вызова session.run().

Обоснование : Мне нужно (1) сделать прямой проход без отсева, чтобы рассчитать цели;и (2) сделать шаг обучения с созданными целями.Если я выполню эти два шага в разных вызовах на session.run(), все в порядке.Но я хотел бы сделать это с помощью одного звонка session.run() (используя tf.stop_gradients(targets)).

После нескольких успешных попыток решения я нашел решение, в котором я заменил .learning_phase заполнитель, используемый Keras с переменной (поскольку заполнители являются тензорами и не разрешают присваивания), и использовать пользовательский слой, чтобы установить для этой переменной значение True или False по желанию.Это решение показано в коде ниже.Получение значения m1 или m2 отдельно (например, запуск sess.run(m1, feed_dict={ph:np.ones((1,1))}) работает как ожидание без ошибки. Однако получение значения m3 или получение значений m1 и m2одновременно работает иногда, а иногда нет (и сообщение об ошибке неинформативно).

Знаете ли вы, что я делаю неправильно, или лучший способ сделать то, что я хочу?

РЕДАКТИРОВАТЬ: Код показывает игрушечный пример. На самом деле у меня есть одна модель, и мне нужно выполнить два прохода вперед (один с отключенным выпадением, а другой с отключенным) и один обратный проход. И я хочу сделать все этобез возврата к питону. 

from tensorflow.keras.layers import Dropout, Dense, Input, Layer
from tensorflow.python.keras import backend as K
from tensorflow.keras import Model
import tensorflow as tf
import numpy as np

class DropoutSwitchLayer(Layer):
  def __init__(self, stateful=True, **kwargs):
    self.stateful = stateful
    self.supports_masking = True
    super(DropoutSwitchLayer, self).__init__(**kwargs)

  def build(self, input_shape):
    self.lph = tf.Variable(True, dtype=tf.bool, name="lph", trainable=False)
    K._GRAPH_LEARNING_PHASES[tf.get_default_graph()] = self.lph
    super(DropoutSwitchLayer, self).build(input_shape)

  def call(self, inputs, mask=None):
    data_input, training = inputs
    op = self.lph.assign(training[0], use_locking=True)
    # ugly trick here to make the layer work
    data_input = data_input + tf.multiply(tf.cast(op, dtype=tf.float32), 0.0)
    return data_input

  def compute_output_shape(self, input_shape):
    return input_shape[0]


dropout_on = np.array([True], dtype=np.bool)
dropout_off = np.array([False], dtype=np.bool)
input_ph = tf.placeholder(tf.float32, shape=(None, 1))

drop = Input(shape=(), dtype=tf.bool)
input = Input(shape=(1,))
h = DropoutSwitchLayer()([input, drop])
h = Dense(1)(h)
h = Dropout(0.5)(h)
o = Dense(1)(h)
m = Model(inputs=[input, drop], outputs=o)

m1 = m([input_ph, dropout_on])
m2 = m([input_ph, dropout_off])
m3 = m([m2, dropout_on])

sess = tf.Session()
K.set_session(sess)
sess.run(tf.global_variables_initializer())

РЕДАКТИРОВАТЬ 2: Приведенное ниже решение Даниэля Меллера работает при использовании слоя Dropout, но что если использовать выпадение внутри слоя LSTM? 

input = Input(shape=(1,))
h = Dense(1)(input)
h = RepeatVector(2)(h)
h = LSTM(1, dropout=0.5, recurrent_dropout=0.5)(h)
o = Dense(1)(h)

Ответы [ 2 ]

0 голосов
/ 16 декабря 2018

Оказывается, Keras из коробки поддерживает то, что я хочу сделать.Использование аргумента training в вызове для слоя Dropout / LSTM в сочетании с подходом Даниэля Меллера для построения модели (спасибо!) Делает свое дело.

В приведенном ниже коде (просто пример с игрушкой) o1 и o3 должны быть равны и отличаться от o2

from tensorflow.keras.layers import Dropout, Dense, Input, Lambda, Layer, Add, RepeatVector, LSTM
from tensorflow.python.keras import backend as K
from tensorflow.keras import Model
import tensorflow as tf
import numpy as np

repeat = RepeatVector(2)
lstm = LSTM(1, dropout=0.5, recurrent_dropout=0.5)

#Forward pass with dropout disabled
next_state = tf.placeholder(tf.float32, shape=(None, 1), name='next_state')
h = repeat(next_state)
# Use training to disable dropout
o1 = lstm(h, training=False)
target1 = tf.stop_gradient(o1)

#Forward pass with dropout enabled
state = tf.placeholder(tf.float32, shape=(None, 1), name='state')
h = repeat(state)
o2 = lstm(h, training=True)
target2 = tf.stop_gradient(o2)

#Forward pass with dropout disabled
ph3 = tf.placeholder(tf.float32, shape=(None, 1), name='ph3')
h = repeat(ph3)
o3 = lstm(h, training=False)

loss = target1 + target2 - o3
opt = tf.train.GradientDescentOptimizer(0.1)
train = opt.minimize(loss)

sess = tf.Session()
K.set_session(sess)
sess.run(tf.global_variables_initializer())

data = np.ones((1,1))
sess.run([o1, o2, o3], feed_dict={next_state:data, state:data, ph3:data})
0 голосов
/ 14 декабря 2018

Почему бы не сделать одну непрерывную модель? 

#layers
inputs = Input(shape(1,))
dense1 = Dense(1)
dense2 = Dense(1)

#no drop pass:
h = dense1(inputs)
o = dense2(h)
#optionally:
o = Lambda(lambda x: K.stop_gradient(x))(o)

#drop pass:
h = dense1(o)
h = Dropout(.5)(h)
h = dense2(h)

modelOnlyFinalOutput = Model(inputs,h)
modelOnlyNonDrop = Model(inputs,o)
modelBothOutputs = Model(inputs, [o,h])

Выберите одну для обучения: 

model.fit(x_train,y_train) #where y_train = [targets1, targets2] if using both outputs
...