keras訓(xùn)練
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
fit( self, x, y, batch_size=32, nb_epoch=10, verbose=1, callbacks=[], validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None) |
1. x：輸入數(shù)據(jù)。如果模型只有一個(gè)輸入，那么x的類(lèi)型是numpy array，如果模型有多個(gè)輸入，那么x的類(lèi)型應(yīng)當(dāng)為list，list的元素是對(duì)應(yīng)于各個(gè)輸入的numpy array。如果模型的每個(gè)輸入都有名字，則可以傳入一個(gè)字典，將輸入名與其輸入數(shù)據(jù)對(duì)應(yīng)起來(lái)。
2. y：標(biāo)簽，numpy array。如果模型有多個(gè)輸出，可以傳入一個(gè)numpy array的list。如果模型的輸出擁有名字，則可以傳入一個(gè)字典，將輸出名與其標(biāo)簽對(duì)應(yīng)起來(lái)。
3. batch_size：整數(shù)，指定進(jìn)行梯度下降時(shí)每個(gè)batch包含的樣本數(shù)。訓(xùn)練時(shí)一個(gè)batch的樣本會(huì)被計(jì)算一次梯度下降，使目標(biāo)函數(shù)優(yōu)化一步。
4. nb_epoch：整數(shù)，訓(xùn)練的輪數(shù)，訓(xùn)練數(shù)據(jù)將會(huì)被遍歷nb_epoch次。Keras中nb開(kāi)頭的變量均為"number of"的意思
5. verbose：日志顯示，0為不在標(biāo)準(zhǔn)輸出流輸出日志信息，1為輸出進(jìn)度條記錄，2為每個(gè)epoch輸出一行記錄
6. callbacks：list，其中的元素是keras.callbacks.Callback的對(duì)象。這個(gè)list中的回調(diào)函數(shù)將會(huì)在訓(xùn)練過(guò)程中的適當(dāng)時(shí)機(jī)被調(diào)用，參考回調(diào)函數(shù)
7. validation_split：0~1之間的浮點(diǎn)數(shù)，用來(lái)指定訓(xùn)練集的一定比例數(shù)據(jù)作為驗(yàn)證集。驗(yàn)證集將不參與訓(xùn)練，并在每個(gè)epoch結(jié)束后測(cè)試的模型的指標(biāo)，如損失函數(shù)、精確度等。
8. validation_data：形式為（X，y）或（X，y，sample_weights）的tuple，是指定的驗(yàn)證集。此參數(shù)將覆蓋validation_spilt。
9. shuffle：布爾值，表示是否在訓(xùn)練過(guò)程中每個(gè)epoch前隨機(jī)打亂輸入樣本的順序。
10. class_weight：字典，將不同的類(lèi)別映射為不同的權(quán)值，該參數(shù)用來(lái)在訓(xùn)練過(guò)程中調(diào)整損失函數(shù)（只能用于訓(xùn)練）。該參數(shù)在處理非平衡的訓(xùn)練數(shù)據(jù)（某些類(lèi)的訓(xùn)練樣本數(shù)很少）時(shí)，可以使得損失函數(shù)對(duì)樣本數(shù)不足的數(shù)據(jù)更加關(guān)注。
11. sample_weight：權(quán)值的numpy array，用于在訓(xùn)練時(shí)調(diào)整損失函數(shù)（僅用于訓(xùn)練）。可以傳遞一個(gè)1D的與樣本等長(zhǎng)的向量用于對(duì)樣本進(jìn)行1對(duì)1的加權(quán)，或者在面對(duì)時(shí)序數(shù)據(jù)時(shí)，傳遞一個(gè)的形式為（samples，sequence_length）的矩陣來(lái)為每個(gè)時(shí)間步上的樣本賦不同的權(quán)。這種情況下請(qǐng)確定在編譯模型時(shí)添加了sample_weight_mode='temporal'。
fit函數(shù)返回一個(gè)History的對(duì)象，其History.history屬性記錄了損失函數(shù)和其他指標(biāo)的數(shù)值隨epoch變化的情況，如果有驗(yàn)證集的話，也包含了驗(yàn)證集的這些指標(biāo)變化情況。
保存模型結(jié)構(gòu)、訓(xùn)練出來(lái)的權(quán)重、及優(yōu)化器狀態(tài)
keras 的 callback參數(shù)可以幫助我們實(shí)現(xiàn)在訓(xùn)練過(guò)程中的適當(dāng)時(shí)機(jī)被調(diào)用。實(shí)現(xiàn)實(shí)時(shí)保存訓(xùn)練模型以及訓(xùn)練參數(shù)。
|
1
2
3
4
5
6
7
8
9
|
keras.callbacks.ModelCheckpoint( filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1) |
1. filename：字符串，保存模型的路徑
2. monitor：需要監(jiān)視的值
3. verbose：信息展示模式，0或1
4. save_best_only：當(dāng)設(shè)置為T(mén)rue時(shí)，將只保存在驗(yàn)證集上性能最好的模型
5. mode：‘auto'，‘min'，‘max'之一，在save_best_only=True時(shí)決定性能最佳模型的評(píng)判準(zhǔn)則，例如，當(dāng)監(jiān)測(cè)值為val_acc時(shí)，模式應(yīng)為max，當(dāng)檢測(cè)值為val_loss時(shí)，模式應(yīng)為min。在auto模式下，評(píng)價(jià)準(zhǔn)則由被監(jiān)測(cè)值的名字自動(dòng)推斷。
6. save_weights_only：若設(shè)置為T(mén)rue，則只保存模型權(quán)重，否則將保存整個(gè)模型（包括模型結(jié)構(gòu)，配置信息等）
7. period：CheckPoint之間的間隔的epoch數(shù)
當(dāng)驗(yàn)證損失不再繼續(xù)降低時(shí)，如何中斷訓(xùn)練？當(dāng)監(jiān)測(cè)值不再改善時(shí)中止訓(xùn)練
用EarlyStopping回調(diào)函數(shù)
|
1
2
3
4
5
6
7
8
|
from keras.callbacksimport EarlyStopping keras.callbacks.EarlyStopping( monitor='val_loss', patience=0, verbose=0, mode='auto') |
model.fit(X, y, validation_split=0.2, callbacks=[early_stopping])
1. monitor：需要監(jiān)視的量
2. patience：當(dāng)early stop被激活（如發(fā)現(xiàn)loss相比上一個(gè)epoch訓(xùn)練沒(méi)有下降），則經(jīng)過(guò)patience個(gè)epoch后停止訓(xùn)練。
3. verbose：信息展示模式
4. mode：‘auto'，‘min'，‘max'之一，在min模式下，如果檢測(cè)值停止下降則中止訓(xùn)練。在max模式下，當(dāng)檢測(cè)值不再上升則停止訓(xùn)練。
學(xué)習(xí)率動(dòng)態(tài)調(diào)整1
keras.callbacks.LearningRateScheduler(schedule)
schedule：函數(shù)，該函數(shù)以epoch號(hào)為參數(shù)（從0算起的整數(shù)），返回一個(gè)新學(xué)習(xí)率（浮點(diǎn)數(shù)）
也可以讓keras自動(dòng)調(diào)整學(xué)習(xí)率
|
1
2
3
4
5
6
7
8
9
10
|
keras.callbacks.ReduceLROnPlateau( monitor='val_loss', factor=0.1, patience=10, verbose=0, mode='auto', epsilon=0.0001, cooldown=0, min_lr=0) |
1. monitor：被監(jiān)測(cè)的量
2. factor：每次減少學(xué)習(xí)率的因子，學(xué)習(xí)率將以lr = lr*factor的形式被減少
3. patience：當(dāng)patience個(gè)epoch過(guò)去而模型性能不提升時(shí)，學(xué)習(xí)率減少的動(dòng)作會(huì)被觸發(fā)
4. mode：‘auto'，‘min'，‘max'之一，在min模式下，如果檢測(cè)值觸發(fā)學(xué)習(xí)率減少。在max模式下，當(dāng)檢測(cè)值不再上升則觸發(fā)學(xué)習(xí)率減少。
5. epsilon：閾值，用來(lái)確定是否進(jìn)入檢測(cè)值的“平原區(qū)”
6. cooldown：學(xué)習(xí)率減少后，會(huì)經(jīng)過(guò)cooldown個(gè)epoch才重新進(jìn)行正常操作
7. min_lr：學(xué)習(xí)率的下限
當(dāng)學(xué)習(xí)停滯時(shí)，減少2倍或10倍的學(xué)習(xí)率常常能獲得較好的效果
學(xué)習(xí)率動(dòng)態(tài)2
|
1
2
3
4
5
6
7
8
9
|
def step_decay(epoch): initial_lrate = 0.01 drop = 0.5 epochs_drop = 10.0 lrate = initial_lrate * math.pow(drop,math.floor((1+epoch)/epochs_drop)) return lratelrate = LearningRateScheduler(step_decay)sgd = SGD(lr=0.0, momentum=0.9, decay=0.0, nesterov=False)model.fit(train_set_x, train_set_y, validation_split=0.1, nb_epoch=200, batch_size=256, callbacks=[lrate]) |
如何記錄每一次epoch的訓(xùn)練/驗(yàn)證損失/準(zhǔn)確度？
Model.fit函數(shù)會(huì)返回一個(gè) History 回調(diào)，該回調(diào)有一個(gè)屬性history包含一個(gè)封裝有連續(xù)損失/準(zhǔn)確的lists。代碼如下：
hist = model.fit(X, y,validation_split=0.2)
print(hist.history)
Keras輸出的loss，val這些值如何保存到文本中去
Keras中的fit函數(shù)會(huì)返回一個(gè)History對(duì)象，它的History.history屬性會(huì)把之前的那些值全保存在里面，如果有驗(yàn)證集的話，也包含了驗(yàn)證集的這些指標(biāo)變化情況，具體寫(xiě)法
|
1
2
3
|
hist=model.fit(train_set_x,train_set_y,batch_size=256,shuffle=True,nb_epoch=nb_epoch,validation_split=0.1)with open('log_sgd_big_32.txt','w') as f: f.write(str(hist.history)) |
示例，多個(gè)回調(diào)函數(shù)用逗號(hào)隔開(kāi)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# checkpointcheckpointer = ModelCheckpoint(filepath="./checkpoint.hdf5", verbose=1)# learning rate adjust dynamiclrate = ReduceLROnPlateau(min_lr=0.00001)answer.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])# Note: you could use a Graph model to avoid repeat the input twiceanswer.fit( [inputs_train, queries_train, inputs_train], answers_train, batch_size=32, nb_epoch=5000, validation_data=([inputs_test, queries_test, inputs_test], answers_test), callbacks=[checkpointer, lrate]) |
keras回調(diào)函數(shù)中的Tensorboard
|
1
2
3
4
5
6
7
|
keras.callbacks.TensorBoard(log_dir='./Graph', histogram_freq=0, write_graph=True, write_images=True)tbCallBack = keras.callbacks.TensorBoard(log_dir='./Graph', histogram_freq=0, write_graph=True, write_images=True)...model.fit(...inputs and parameters..., callbacks=[tbCallBack])tensorboard --logdir path_to_current_dir/Graph |
或者
|
1
2
3
4
5
6
7
8
9
10
11
|
from keras.callbacks import TensorBoardtensorboard = TensorBoard(log_dir='./logs', histogram_freq=0, write_graph=True, write_images=False)# define modelmodel.fit(X_train, Y_train, batch_size=batch_size, epochs=nb_epoch, validation_data=(X_test, Y_test), shuffle=True, callbacks=[tensorboard]) |
補(bǔ)充知識(shí)：Keras中的回調(diào)函數(shù)（callback）的使用與介紹
以前我在訓(xùn)練的時(shí)候，都是直接設(shè)定一個(gè)比較大的epoch，跑完所有的epoch之后再根據(jù)數(shù)據(jù)去調(diào)整模型與參數(shù)。這樣做會(huì)比較耗時(shí)，例如說(shuō)訓(xùn)練在某一個(gè)epoch開(kāi)始已經(jīng)過(guò)擬合了，后面繼續(xù)訓(xùn)練意義就不大了。
在書(shū)上看到的callback函數(shù)很好的解決了這個(gè)問(wèn)題，它能夠監(jiān)測(cè)訓(xùn)練過(guò)程中的loss或者acc這些指標(biāo)，一旦觀察到損失不再改善之后，就可以中止訓(xùn)練，節(jié)省時(shí)間。下面記錄一下
介紹：
（選自《python深度學(xué)習(xí)》）
回調(diào)函數(shù)（callback）是在調(diào)用fit時(shí)傳入模型的一個(gè)對(duì)象，它在訓(xùn)練過(guò)程中的不同時(shí)間點(diǎn)都會(huì)被模型調(diào)用。它可以訪問(wèn)關(guān)于模型狀態(tài)與性能的所有可用數(shù)據(jù)，還可以采取行動(dòng)：中斷訓(xùn)練、保存模型、加載一組不同的權(quán)重或改變模型的狀態(tài)。
部分回調(diào)函數(shù)：
1.ModelCheckpoint與EarlyStopping
監(jiān)控目標(biāo)若在指定輪數(shù)內(nèi)不再改善，可利用EarlyStopping來(lái)中斷訓(xùn)練。
可配合ModelCheckpoint使用，該回調(diào)函數(shù)可不斷地保存模型，亦可以只保存某一epoch最佳性能模型
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
import kerascallbacks_list=[ keras.callbacks.EarlyStopping( monitor='acc',#監(jiān)控精度 patience=5,#5輪內(nèi)不改善就中止), keras.callbacks.ModelCheckpoint( filepath='C:/apple/my_model.h5',#模型保存路徑 monitor='val_loss',#檢測(cè)驗(yàn)證集損失值 save_best_only=True#是否只保存最佳模型 )]model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])model.fit(x,y, epochs=10, batch_size=32, callbacks=callbacks_list,#在這里放入callback函數(shù) validation_data=(x_val,y_val) ) |
2.ReduceLROnPlateau回調(diào)函數(shù)
如果驗(yàn)證損失不再改善，可以使用該回調(diào)函數(shù)來(lái)降低學(xué)習(xí)率。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
import keras callbacks_list=[ keras.callbacks.ReduceLROnPlateau( monitor='val_loss',#監(jiān)控精度 patienece=5, # 5輪內(nèi)不改善就改變 factor=0.1#學(xué)習(xí)率變?yōu)樵瓉?lái)的0.1)]model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])model.fit(x,y, epochs=10, batch_size=32, callbacks=callbacks_list,#在這里放入callback函數(shù) validation_data=(x_val,y_val) ) |
以上這篇基于keras中的回調(diào)函數(shù)用法說(shuō)明就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持服務(wù)器之家。
原文鏈接：https://blog.csdn.net/jiandanjinxin/article/details/77097910
