Как «повторить» модель машинного обучения Computer Vision? - PullRequest
Новая
       76

Как «повторить» модель машинного обучения Computer Vision?

0 голосов
/ 03 октября 2019

Я создал модель с использованием API Google Clouds Vision. Я провел бесчисленные часы, маркируя данные, и обучал модель. По окончании почти 20 часов «тренировки» модели она все еще остается безуспешной.

Как мне повторить эту модель? Я не хочу потерять "обучение", которое сделано до сих пор .. Это работает примерно в 3/5 раз.

Мое лучшее предположение заключается в том, что я должен повторить цикл над объектами, найти, где это не так, и соответствующим образом пометить. Но я не уверен в лучшем методе для этого. Должен ли я маркировать все изображения там, где они «пропускают», как изображения для испытаний? Могу ли я прочитать лучшие практики или ресурсы по этой теме?

1 Ответ

1 голос
/ 03 октября 2019

Я ни в коем случае не эксперт, но вот что я бы предложил в порядке убывания наиболее важных:

1) Добавьте больше данных, если это возможно. Больше данных - это всегда хорошо, и это помогает повысить надежность в соответствии с прогнозами вашей сети.

2) Добавьте выпадающие слои, чтобы избежать переподгонки

3) Имейте повозкус инициализаторами ядра и смещения

4) [Наиболее актуальный ответ на ваш вопрос] Сохраните тренировочные веса вашей модели и загрузите их в новую модель перед тренировкой.

5) Измените тип используемой вами архитектуры модели. Затем возьмите с собой повозку с числами эпох, разделениями проверки, формулами оценки потерь и т. Д.

Надеюсь, это поможет!

РЕДАКТИРОВАТЬ: дополнительная информация о номере 4

Таким образом, вы можете сохранять и загружать вес модели во время или после тренировки модели. См. Здесь для более подробной информации о сохранении.

В общих чертах, давайте рассмотрим основы. Я предполагаю, что вы проходите через керас, но то же самое относится к tf:

Сохранение модели после тренировки

Просто позвоните: 

model_json = model.to_json()
with open("{Your_Model}.json", "w") as json_file:
    json_file.write(model_json)

# serialize weights to HDF5
model.save_weights("{Your_Model}.h5")
print("Saved model to disk")

Загрузка модели

Вы можете загрузить структуру модели из json следующим образом: 

from keras.models import model_from_json 

json_file = open('{Your_Model.json}', 'r')
loaded_model_json = json_file.read()
json_file.close()
model = model_from_json(loaded_model_json)

И загрузить веса, если хотите: 

model.load_weights('{Your_Weights}.h5', by_name=True)

Затем скомпилируйте модель, и вы готовы переучить / предсказать. by_name для меня было важно перезагрузить весы обратно в ту же модель архитектуры;пропуск этого значения может привести к ошибке.

Проверка модели во время тренировки 

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath={checkpoint_path},
                                                 save_weights_only=True,
                                                 verbose=1)

# Train the model with the new callback
model.fit(train_images, 
          train_labels,  
          epochs=10,
          validation_data=(test_images,test_labels),
          callbacks=[cp_callback])  # Pass callback to training
...