Tensorflow 2를 처음 사용합니다.
나는 keras
tensorflow 1에서 사용 하는 것에 익숙합니다 . 그리고 저는 일반적으로 fit
모델을 훈련시키기 위해 메소드 API를 사용 합니다. 그러나 최근 tensorflow 2에서 그들은 열성적인 실행 을 도입했습니다 . 내가 구현 모두에서 CiFAR-10 데이터 세트에 대한 간단한 이미지 분류를 비교 그래서 fit
및 tf.GradientTape
20 개 시대 각각 훈련
여러 번 실행 한 후 결과는 다음과 같습니다.
fit
API로 학습 된 모델
tf.GradientTape
모델이 다른 동작을 보이는 이유를 잘 모르겠습니다. 뭔가 잘못 구현할 수 있다고 생각합니다. tf.GradientTape
모델 에서 훈련 데이터 세트를 더 빨리 과적 합하기 시작 하는 것이 이상하다고 생각합니다.
다음은 몇 가지 스 니펫입니다.
fit
API 사용model = SimpleClassifier(10)
model.compile(
optimizer=Adam(),
loss=tf.keras.losses.CategoricalCrossentropy(),
metrics=[tf.keras.metrics.CategoricalAccuracy()]
)
model.fit(X[:split_idx, :, :, :], y[:split_idx, :], batch_size=256, epochs=20, validation_data=(X[split_idx:, :, :, :], y[split_idx:, :]))
tf.GradientTape
with tf.GradientTape() as tape:
y_pred = model(tf.stop_gradient(train_X))
loss = loss_fn(train_y, y_pred)
gradients = tape.gradient(loss, model.trainable_weights)
model.optimizer.apply_gradients(zip(gradients, model.trainable_weights))
전체 코드는 여기 Colab에서 찾을 수 있습니다.
참고 문헌
tf.GradientTape
수정 될 수 있는 코드 에는 몇 가지 가 있습니다.
1) trainable_variables
not trainable_weights
. 모델 가중치뿐만 아니라 모든 학습 가능한 변수에 기울기를 적용하려고합니다.
# gradients = tape.gradient(loss, model.trainable_weights)
gradients = tape.gradient(loss, model.trainable_variables)
# and
# model.optimizer.apply_gradients(zip(gradients, model.trainable_weights))
model.optimizer.apply_gradients(zip(gradients, model.trainable_variables))
2) tf.stop_gradient
입력 텐서에서 제거 합니다.
with tf.GradientTape() as tape:
# y_pred = model(tf.stop_gradient(train_X))
y_pred = model(train_X, training=True)
훈련 매개 변수도 추가했습니다. 또한 모델 정의에 포함되어야합니다 phase
(예 : BatchNormalization 및 Dropout) :
def call(self, X, training=None):
X = self.cnn_1(X)
X = self.bn_1(X, training=training)
X = self.cnn_2(X)
X = self.max_pool_2d(X)
X = self.dropout_1(X)
X = self.cnn_3(X)
X = self.bn_2(X, training=training)
X = self.cnn_4(X)
X = self.bn_3(X, training=training)
X = self.cnn_5(X)
X = self.max_pool_2d(X)
X = self.dropout_2(X)
X = self.flatten(X)
X = self.dense_1(X)
X = self.dropout_3(X, training=training)
X = self.dense_2(X)
return self.out(X)
이러한 몇 가지 변경 사항으로 keras.fit
결과에 더 유사한 약간 더 나은 점수를 얻을 수있었습니다 .
[19/20] loss: 0.64020, acc: 0.76965, val_loss: 0.71291, val_acc: 0.75318: 100%|██████████| 137/137 [00:12<00:00, 11.25it/s]
[20/20] loss: 0.62999, acc: 0.77649, val_loss: 0.77925, val_acc: 0.73219: 100%|██████████| 137/137 [00:12<00:00, 11.30it/s]
대답 : 차이점은 아마도 Keras.fit
이러한 작업의 대부분을 내부적으로 수행 한 사실이었습니다 .
마지막으로, 명확성과 재현성을 위해 내가 사용한 부분 훈련 / 평가 코드 :
for bIdx, (train_X, train_y) in enumerate(train_batch):
if bIdx < epoch_max_iter:
with tf.GradientTape() as tape:
y_pred = model(train_X, training=True)
loss = loss_fn(train_y, y_pred)
total_loss += (np.sum(loss.numpy()) * train_X.shape[0])
total_num += train_X.shape[0]
# gradients = tape.gradient(loss, model.trainable_weights)
gradients = tape.gradient(loss, model.trainable_variables)
total_acc += (metrics(train_y, y_pred) * train_X.shape[0])
running_loss = (total_loss/total_num)
running_acc = (total_acc/total_num)
# model.optimizer.apply_gradients(zip(gradients, model.trainable_weights))
model.optimizer.apply_gradients(zip(gradients, model.trainable_variables))
pbar.set_description("[{}/{}] loss: {:.5f}, acc: {:.5f}".format(e, epochs, running_loss, running_acc))
pbar.refresh()
pbar.update()
그리고 평가 하나 :
# Eval loop
# Calculate something wrong here
val_total_loss = 0
val_total_acc = 0
total_val_num = 0
for bIdx, (val_X, val_y) in enumerate(val_batch):
if bIdx >= max_val_iterations:
break
y_pred = model(val_X, training=False)
이 기사는 인터넷에서 수집됩니다. 재 인쇄 할 때 출처를 알려주십시오.
침해가 발생한 경우 연락 주시기 바랍니다[email protected] 삭제
몇 마디 만하겠습니다