訂閱
糾錯
加入自媒體

深度學(xué)習(xí)的學(xué)習(xí)率調(diào)節(jié)實踐

多層感知器多層感知器(MLP)是由一個輸入層、一個或多個隱藏層和一個稱為輸出層的最終層組成的人工神經(jīng)網(wǎng)絡(luò)(ANN)。通常,靠近輸入層的層稱為較低層,靠近輸出層的層稱為外層,除輸出層外的每一層都包含一個偏置神經(jīng)元,并與下一層完全相連。當一個ANN包含一個很深的隱藏層時,它被稱為深度神經(jīng)網(wǎng)絡(luò)(DNN)。

在本文中,我們將在MNIST數(shù)據(jù)集上訓(xùn)練一個深度MLP,并通過指數(shù)增長來尋找最佳學(xué)習(xí)率,繪制損失圖,并找到損失增長的點,以達到85%以上的準確率。對于最佳的實踐過程,我們將實現(xiàn)早期停止,保存檢查點,并使用TensorBoard繪制學(xué)習(xí)曲線。你可以在這里查看jupyter Notebook:https://github.com/lukenew2/learning_rates_and_best_practices/blob/master/optimal_learning_rates_with_keras_api.ipynb指數(shù)學(xué)習(xí)率學(xué)習(xí)率可以說是最重要的超參數(shù)。一般情況下,最佳學(xué)習(xí)速率約為最大學(xué)習(xí)速率(即訓(xùn)練算法偏離的學(xué)習(xí)速率)的一半。找到一個好的學(xué)習(xí)率的一個方法是訓(xùn)練模型進行幾百次迭代,從非常低的學(xué)習(xí)率(例如,1e-5)開始,逐漸增加到非常大的值(例如,10)。這是通過在每次迭代時將學(xué)習(xí)速率乘以一個常數(shù)因子來實現(xiàn)的。如果你將損失描繪為學(xué)習(xí)率的函數(shù),你應(yīng)該首先看到它在下降,但過一段時間后,學(xué)習(xí)率會變得很高,這時損失會迅速回升:最佳學(xué)習(xí)率將略低于轉(zhuǎn)折點,然后你可以重新初始化你的模型,并使用此良好的學(xué)習(xí)率對其進行正常訓(xùn)練。Keras模型我們先導(dǎo)入相關(guān)庫import osimport matplotlib.pyplot as pltimport numpy as npimport pandas as pd

PROJECT_ROOT_DIR = "."IMAGES_PATH = os.path.join(PROJECT_ROOT_DIR, "images")os.makedirs(IMAGES_PATH, exist_ok=True)

def save_fig(fig_id, tight_layout=True, fig_extension="png", resolution=300):    path = os.path.join(IMAGES_PATH, fig_id + "." + fig_extension)    print("Saving figure", fig_id)    if tight_layout:        plt.tight_layout()    plt.savefig(path, format=fig_extension, dpi=resolution)import tensorflow as tffrom tensorflow import keras接下來加載數(shù)據(jù)集(X_train, y_train), (X_test, y_test) = keras.datasets.fashion_mnist.load_data()

X_train.shape

X_train.dtype標準化像素X_valid, X_train = X_train[:5000] / 255.0, X_train[5000:] / 255.0y_valid, y_train = y_train[:5000], y_train[5000:] X_test = X_test / 255.0讓我們快速看一下數(shù)據(jù)集中的圖像樣本,讓我們感受一下分類任務(wù)的復(fù)雜性:class_names = ["T-shirt/top", "Trouser", "Pullover", "Dress", "Coat",               "Sandal", "Shirt", "Sneaker", "Bag", "Ankle boot"]

n_rows = 4n_cols = 10plt.figure(figsize=(n_cols * 1.2, n_rows * 1.2))for row in range(n_rows):    for col in range(n_cols):        index = n_cols * row + col        plt.subplot(n_rows, n_cols, index + 1)        plt.imshow(X_train[index], cmap="binary", interpolation="nearest")        plt.a(chǎn)xis('off')        plt.title(class_names[y_train[index]], fontsize=12)plt.subplots_adjust(wspace=0.2, hspace=0.5)save_fig('fashion_mnist_plot', tight_layout=False)plt.show()

我們已經(jīng)準備好用Keras來建立我們的MLP。下面是一個具有兩個隱藏層的分類MLP:model = keras.models.Sequential([    keras.layers.Flatten(input_shape=[28,28]),    keras.layers.Dense(300, activation="relu"),    keras.layers.Dense(100, activation="relu"),    keras.layers.Dense(10, activation="softmax")])讓我們一行一行地看這個代碼:首先,我們創(chuàng)建了一個Sequential模型,它是神經(jīng)網(wǎng)絡(luò)中最簡單的Keras模型,它只由一堆按順序連接的層組成。接下來,我們構(gòu)建第一層并將其添加到模型中。它是一個Flatten層,其目的是將每個輸入圖像轉(zhuǎn)換成一個1D數(shù)組:如果它接收到輸入數(shù)據(jù)X,則計算X.reshape(-1,1)。由于它是模型的第一層,所以應(yīng)該指定其輸入形狀。你也可以添加keras.layers.InputLayer作為第一層,設(shè)置其input_shape=[28,28]下一步,我們添加一個300個神經(jīng)元的隱藏層,并指定它使用ReLU激活函數(shù)。每一個全連接層管理自己的權(quán)重矩陣,包含神經(jīng)元與其輸入之間的所有連接權(quán)重,同事它還管理一個偏置向量,每個神經(jīng)元一個。然后我們添加了第二個100個神經(jīng)元的隱藏層,同樣使用ReLU激活函數(shù)。最后,我們使用softmax激活函數(shù)添加了一個包含10個神經(jīng)元的輸出層(因為我們的分類任務(wù)是每個類都是互斥的)。使用回調(diào)在Keras中,fit()方法接受一個回調(diào)參數(shù),該參數(shù)允許你指定Keras在訓(xùn)練開始和結(jié)束、每個epoch的開始和結(jié)束時,甚至在處理每個batch處理之前和之后要調(diào)用對象的列表。為了實現(xiàn)指數(shù)級增長的學(xué)習(xí)率,我們需要創(chuàng)建自己的自定義回調(diào)。我們的回調(diào)接受一個參數(shù),用于提高學(xué)習(xí)率的因子。為了將損失描繪成學(xué)習(xí)率的函數(shù),我們跟蹤每個batch的速率和損失。請注意,我們將函數(shù)定義為on_batch_end(),這取決于我們的目標,當然也可以是on_train_begin(), on_train_end(), on_batch_begin()。對于我們的用例,我們希望在每個批處理之后提高學(xué)習(xí)率并記錄損失:K = keras.backend

class ExponentialLearningRate(keras.callbacks.Callback):    def __init__(self, factor):        self.factor = factor        self.rates = []        self.losses = []    def on_batch_end(self, batch, logs):        self.rates.a(chǎn)ppend(K.get_value(self.model.optimizer.lr))        self.losses.a(chǎn)ppend(logs["loss"])        K.set_value(self.model.optimizer.lr, self.model.optimizer.lr * self.factor)現(xiàn)在我們的模型已經(jīng)創(chuàng)建好了,我們只需調(diào)用它的compile()方法來指定要使用的loss函數(shù)和優(yōu)化器,或者你可以指定要在訓(xùn)練和評估期間計算的額外指標列表。首先,我們使用“稀疏的分類交叉熵”損失,因為我們有稀疏的標簽(也就是說,對于每個實例,只有一個目標類索引,在我們的例子中,從0到9),并且這些類是互斥的);接下來,我們指定使用隨機梯度下降,并將學(xué)習(xí)速率初始化為1e-3,并在每次迭代中增加0.5%:model.compile(loss="sparse_categorical_crossentropy",              optimizer=keras.optimizers.SGD(lr=1e-3),              metrics=["accuracy"])expon_lr = ExponentialLearningRate(factor=1.005)現(xiàn)在讓我們訓(xùn)練模型一個epoch:history = model.fit(X_train, y_train, epochs=1,                    validation_data=(X_valid, y_valid),                    callbacks=[expon_lr])我們現(xiàn)在可以將損失繪制為學(xué)習(xí)率的函數(shù):plt.plot(expon_lr.rates, expon_lr.losses)plt.gca().set_xscale('log')plt.hlines(min(expon_lr.losses), min(expon_lr.rates), max(expon_lr.rates))plt.a(chǎn)xis([min(expon_lr.rates), max(expon_lr.rates), 0, expon_lr.losses[0]])plt.xlabel("Learning rate")plt.ylabel("Loss")save_fig("learning_rate_vs_loss")

1  2  下一頁>  
聲明: 本文由入駐維科號的作者撰寫,觀點僅代表作者本人,不代表OFweek立場。如有侵權(quán)或其他問題,請聯(lián)系舉報。

發(fā)表評論

0條評論,0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁,請輸入驗證碼繼續(xù)

暫無評論

暫無評論

人工智能 獵頭職位 更多
掃碼關(guān)注公眾號
OFweek人工智能網(wǎng)
獲取更多精彩內(nèi)容
文章糾錯
x
*文字標題:
*糾錯內(nèi)容:
聯(lián)系郵箱:
*驗 證 碼:

粵公網(wǎng)安備 44030502002758號