keras训练
|
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：输入数据。如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array。如果模型的每个输入都有名字，则可以传入一个字典，将输入名与其输入数据对应起来。
2. y：标签，numpy array。如果模型有多个输出，可以传入一个numpy array的list。如果模型的输出拥有名字，则可以传入一个字典，将输出名与其标签对应起来。
3. batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。
4. nb_epoch：整数，训练的轮数，训练数据将会被遍历nb_epoch次。Keras中nb开头的变量均为"number of"的意思
5. verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录
6. callbacks：list，其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数
7. validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试的模型的指标，如损失函数、精确度等。
8. validation_data：形式为（X，y）或（X，y，sample_weights）的tuple，是指定的验证集。此参数将覆盖validation_spilt。
9. shuffle：布尔值，表示是否在训练过程中每个epoch前随机打乱输入样本的顺序。
10. class_weight：字典，将不同的类别映射为不同的权值，该参数用来在训练过程中调整损失函数（只能用于训练）。该参数在处理非平衡的训练数据（某些类的训练样本数很少）时，可以使得损失函数对样本数不足的数据更加关注。
11. sample_weight：权值的numpy array，用于在训练时调整损失函数（仅用于训练）。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为（samples，sequence_length）的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode='temporal'。
fit函数返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标变化情况。
保存模型结构、训练出来的权重、及优化器状态
keras 的 callback参数可以帮助我们实现在训练过程中的适当时机被调用。实现实时保存训练模型以及训练参数。
|
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，保存模型的路径
2. monitor：需要监视的值
3. verbose：信息展示模式，0或1
4. save_best_only：当设置为True时，将只保存在验证集上性能最好的模型
5. mode：‘auto'，‘min'，‘max'之一，在save_best_only=True时决定性能最佳模型的评判准则，例如，当监测值为val_acc时，模式应为max，当检测值为val_loss时，模式应为min。在auto模式下，评价准则由被监测值的名字自动推断。
6. save_weights_only：若设置为True，则只保存模型权重，否则将保存整个模型（包括模型结构，配置信息等）
7. period：CheckPoint之间的间隔的epoch数
当验证损失不再继续降低时，如何中断训练？当监测值不再改善时中止训练
用EarlyStopping回调函数
|
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：需要监视的量
2. patience：当early stop被激活（如发现loss相比上一个epoch训练没有下降），则经过patience个epoch后停止训练。
3. verbose：信息展示模式
4. mode：‘auto'，‘min'，‘max'之一，在min模式下，如果检测值停止下降则中止训练。在max模式下，当检测值不再上升则停止训练。
学习率动态调整1
keras.callbacks.LearningRateScheduler(schedule)
schedule：函数，该函数以epoch号为参数（从0算起的整数），返回一个新学习率（浮点数）
也可以让keras自动调整学习率
|
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：被监测的量
2. factor：每次减少学习率的因子，学习率将以lr = lr*factor的形式被减少
3. patience：当patience个epoch过去而模型性能不提升时，学习率减少的动作会被触发
4. mode：‘auto'，‘min'，‘max'之一，在min模式下，如果检测值触发学习率减少。在max模式下，当检测值不再上升则触发学习率减少。
5. epsilon：阈值，用来确定是否进入检测值的“平原区”
6. cooldown：学习率减少后，会经过cooldown个epoch才重新进行正常操作
7. min_lr：学习率的下限
当学习停滞时，减少2倍或10倍的学习率常常能获得较好的效果
学习率动态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 lrate
lrate = 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])
|
如何记录每一次epoch的训练/验证损失/准确度？
Model.fit函数会返回一个 History 回调，该回调有一个属性history包含一个封装有连续损失/准确的lists。代码如下：
hist = model.fit(X, y,validation_split=0.2)
print(hist.history)
Keras输出的loss，val这些值如何保存到文本中去
Keras中的fit函数会返回一个History对象，它的History.history属性会把之前的那些值全保存在里面，如果有验证集的话，也包含了验证集的这些指标变化情况，具体写法
|
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，多个回调函数用逗号隔开
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# checkpoint
checkpointer = ModelCheckpoint(filepath="./checkpoint.hdf5", verbose=1)
# learning rate adjust dynamic
lrate = 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 twice
answer.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回调函数中的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 TensorBoard
tensorboard = TensorBoard(log_dir='./logs', histogram_freq=0,
write_graph=True, write_images=False)
# define model
model.fit(X_train, Y_train,
batch_size=batch_size,
epochs=nb_epoch,
validation_data=(X_test, Y_test),
shuffle=True,
callbacks=[tensorboard])
|
补充知识：Keras中的回调函数（callback）的使用与介绍
以前我在训练的时候，都是直接设定一个比较大的epoch，跑完所有的epoch之后再根据数据去调整模型与参数。这样做会比较耗时，例如说训练在某一个epoch开始已经过拟合了，后面继续训练意义就不大了。
在书上看到的callback函数很好的解决了这个问题，它能够监测训练过程中的loss或者acc这些指标，一旦观察到损失不再改善之后，就可以中止训练，节省时间。下面记录一下
介绍：
（选自《python深度学习》）
回调函数（callback）是在调用fit时传入模型的一个对象，它在训练过程中的不同时间点都会被模型调用。它可以访问关于模型状态与性能的所有可用数据，还可以采取行动：中断训练、保存模型、加载一组不同的权重或改变模型的状态。
部分回调函数：
1.ModelCheckpoint与EarlyStopping
监控目标若在指定轮数内不再改善，可利用EarlyStopping来中断训练。
可配合ModelCheckpoint使用，该回调函数可不断地保存模型，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 keras
callbacks_list=[
keras.callbacks.EarlyStopping(
monitor='acc',#监控精度
patience=5,#5轮内不改善就中止
),
keras.callbacks.ModelCheckpoint(
filepath='C:/apple/my_model.h5',#模型保存路径
monitor='val_loss',#检测验证集损失值
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,#在这里放入callback函数
validation_data=(x_val,y_val)
)
|
2.ReduceLROnPlateau回调函数
如果验证损失不再改善，可以使用该回调函数来降低学习率。
|
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',#监控精度
patienece=5, # 5轮内不改善就改变
factor=0.1#学习率变为原来的0.1
)
]
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['acc'])
model.fit(x,y,
epochs=10,
batch_size=32,
callbacks=callbacks_list,#在这里放入callback函数
validation_data=(x_val,y_val)
)
|
以上这篇基于keras中的回调函数用法说明就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/jiandanjinxin/article/details/77097910