Керас: Получение различной точности с помощью model.train_on_batch () и model.fit (). В чем может быть причина и как это исправить? - PullRequest
Новая
       5

Керас: Получение различной точности с помощью model.train_on_batch () и model.fit (). В чем может быть причина и как это исправить?

2 голосов
/ 08 октября 2019

У меня две одинаковые модели с одинаковыми параметрами. Оба они обучены на наборе данных MNIST. Первый обучается с использованием model.fit (), а второй обучается с использованием model.train_on_batch (). Вторая модель дает меньшую точность. Я хочу знать, что может быть причиной этого и как это исправить?

Подготовка данных: 

batch_size = 150
num_classes = 10
epochs = 12

# input image dimensions
img_rows, img_cols = 28, 28

# the data, split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

МОДЕЛЬ 1: 

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(Conv2D(256, (3, 3), activation='relu'))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

ТОЧНОСТЬ МОДЕЛИ 1:

Потери при испытаниях: 0,023489486496470636 Точность испытаний: 0,9924

МОДЕЛЬ 2: 

model2 = Sequential()
model2.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model2.add(Conv2D(64, (3, 3), activation='relu'))
model2.add(Conv2D(128, (3, 3), activation='relu'))
model2.add(Conv2D(256, (3, 3), activation='relu'))
model2.add(Conv2D(128, (3, 3), activation='relu'))
model2.add(Conv2D(64, (3, 3), activation='relu'))
model2.add(Conv2D(64, (3, 3), activation='relu'))
model2.add(Conv2D(32, (3, 3), activation='relu'))
model2.add(MaxPooling2D(pool_size=(2, 2)))
model2.add(Dropout(0.25))
model2.add(Flatten())
model2.add(Dense(128, activation='relu'))
model2.add(Dropout(0.5))
model2.add(Dense(num_classes, activation='softmax'))

model2.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

batch_size2 = 150
epochs2 = 12
step_epoch = x_train.shape[0] // batch_size2

def next_batch_train(i):
  return x_train[i:i+batch_size2,:,:,:], y_train[i:i+batch_size2,:]

iter_num = 0
epoch_num = 0
model_outputs = []
loss_history  = []

while epoch_num < epochs2:
  while iter_num < step_epoch:
    x,y = next_batch_train(iter_num)
    loss_history += model2.train_on_batch(x,y)

    iter_num += 1

  print("EPOCH {} FINISHED".format(epoch_num + 1))
  epoch_num += 1
  iter_num = 0 # reset counter


score = model2.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

ТОЧНОСТЬ МОДЕЛИ 2:

Потери при испытаниях: 0,5577236003954947 Точность испытаний: 0,9387

Ответы [ 2 ]

4 голосов
/ 08 октября 2019

Четыре источника различия:

  1. fit() использует shuffle=True по умолчанию, включая самую первую эпоху (и последующие)
  2. Вы не используетеслучайное зерно;см. мой ответ здесь
  3. У вас есть step_epoch количество пакетов, но итерируйте по step_epoch - 1;измените < на <=
  4. Ваше нарезание next_batch_train далеко;вот что он делает против того, что он должен делать:
    • x_train[0:128] --> x_train[1:129] --> x_train[2:130] --> ...
    • x_train[0:128] --> x_train[128:256] --> x_train[256:384] --> ...

Чтобы исправить, вы должнывключите шаг тасования в поездную петлю model2 или используйте fit с shuffle=False (не рекомендуется). Кроме того, совет: 64, 128, 256, 128, 64 Фильтры Conv2D - довольно плохое расположение;то, что вы делаете, это повышенная дискретизация , в некотором смысле "фабрикация данных" - если вы собираетесь использовать больше фильтров, также увеличьте их strides пропорционально, чтобы общий размер тензора между слоями оставался~ то же самое (или меньше).

Все упомянутые исправления + обновленная функция заполнения ниже;запустите его в течение 1 эпохи, 12 занимает слишком много времени - если 1 работает, то будет 12. Можно сохранить исходную модель, если хотите, но я рекомендую тестировать одну ниже, так как она значительно быстрее. 

import tensorflow as tf
import numpy as np
import random

def reset_seeds():
    np.random.seed(1)
    random.seed(2)
    if tf.__version__[0] == '2':
        tf.random.set_seed(3)
    else:
        tf.set_random_seed(3)
    print("RANDOM SEEDS RESET")

reset_seeds()
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

def next_batch_train(i):
  return (x_train[i*batch_size2:(i+1)*batch_size2,:,:,:], 
          y_train[i*batch_size2:(i+1)*batch_size2,:])

iter_num = 0
epoch_num = 0
model_outputs = []
loss_history  = []

while epoch_num < epochs2:
  while iter_num < step_epoch:
    x,y = next_batch_train(iter_num)
    loss_history += model2.train_on_batch(x,y)

    iter_num += 1

  print("EPOCH {} FINISHED".format(epoch_num + 1))
  epoch_num += 1
  iter_num = 0 # reset counter

score = model2.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

Лучшая альтернатива: используйте перетасовку 

class TrainBatches():
    def __init__(self, x_train, y_train, batch_size):
        self.x_train=x_train
        self.y_train=y_train
        self.batch_size=batch_size

        self.indices = [i for i in range(len(x_train))]
        self.counter = 0

    def get_next(self):
        start = self.indices[self.counter] * self.batch_size
        end   = start + self.batch_size
        self.counter += 1
        return self.x_train[start:end], self.y_train[start:end]

    def shuffle(self):
        np.random.shuffle(self.indices)
        print("BATCHES SHUFFLED")

train_batches = TrainBatches(x_train, y_train, batch_size)

while epoch_num < epochs2:
  while iter_num <= step_epoch:
    x, y = train_batches.get_next()
    loss_history += model2.train_on_batch(x,y)

    iter_num += 1

  train_batches.shuffle()
  train_batches.counter = 0
  print("EPOCH {} FINISHED".format(epoch_num + 1))
  epoch_num += 1
  iter_num = 0 # reset counter

Обратите внимание, что это не гарантирует, что ваши результаты согласятся с fit(), поскольку fit() может перемешиваться по-разному (даже со случайным начальным числом) - но реализация на самом деле правильная. Выше также не тасуется в первую эпоху (легко изменить).

0 голосов
/ 08 октября 2019

Одно из различий между этими двумя моделями, которое я заметил, заключается в том, что в вашей второй модели вы не перетасовывали свои тренировочные данные после каждой эпохи. .fit() будет перетасовывать ваши тренировочные данные по умолчанию.

Добро пожаловать на сайт PullRequest, где вы можете задавать вопросы и получать ответы от других членов сообщества.

Нет похожих вопросов

...