- mongodb - 在 MongoDB mapreduce 中,如何展平值对象?
- javascript - 对象传播与 Object.assign
- html - 输入类型 ="submit"Vs 按钮标签它们可以互换吗?
- sql - 使用 MongoDB 而不是 MS SQL Server 的优缺点
DR
如何在每次k训练迭代后评估验证集,使用单独的训练和验证数据队列,而不在多个流程中使用单独的tf.Sessions
考虑到我的特殊问题,似乎没有一个干净的方法来实现这一点,而我目前的解决方法(我认为可行)给了我未定义的行为。救命!
整个故事
我想在每k次训练迭代中评估一个验证集,但我无法理解如何在TensorFlow中正确地实现这个验证集。这应该是最常见的操作之一,但它认为TensorFlow的API/体系结构在这里对我不利,或者至少使事情变得不必要的困难。
我的假设是:
[A1]此处所述的用于培训/验证的多进程模型不适用于我的问题,因为我必须假设没有足够的GPU内存来加载两次变量。
[A2]我想每k次训练迭代对验证集进行评估。
[A3]培训和验证数据不能简单地从磁盘读取,而是动态生成。这使得不可能预先可靠地预先计算验证集的大小。
[A4]验证集太大,无法预先计算并存储到磁盘上。
[A5]有效验证集大小不一定是批大小的倍数。
培训输入管道设置如下:tf.train.slice_input_producer()
生成文件名(无序排列)列表,每个文件名都引用原始输入数据。
自定义数据生成函数从每个原始输入数据块生成可变数量的培训示例/标签。
生成的培训示例/标签在送入网络之前通过tf.train.shuffle_batch()
排队。
由于[a3]、[a4]、[a5],验证输入管道的设置方式几乎相同,但最终输入队列是通过tf.train.batch()
生成的,因为不需要进行洗牌。由于上述假设,基于feed-dict的方法也不可行,而且似乎与使用更高级别的函数(如tf.train.batch
)不兼容。
但是,使用两组不同的队列进行培训和验证的简单实现不起作用。据我所知,我有两个选择:
[b1]将验证的num_epochs
参数设置为tf.train.slice_input_producer
。
在这种情况下,验证集是无限循环的,但我需要提前知道验证集的大小,以明确限制每次运行验证集时要评估的批数。此外,如果验证集的大小不能被批大小整除,那么在最后一批中,我将总是多拉一点。因为这会改变每次验证数据的评估顺序,所以这是不可接受的。
[b2]将validation的None
参数设置为num_epochs
,另外将tf.train.slice_input_producer
函数的1
参数设置为allow_smaller_final_batch
。
在这种情况下,验证集只循环一次,之后将永远关闭相应的队列。默认情况下,这将使无法对验证集进行两次或更多次评估。因为我不知道在TensorFlow中重新打开队列的好方法,所以我需要解决这个限制。
由于选项[b1]的更大限制,我选择了解决选项[b2]的问题。概述我当前方法的(伪)代码如下:
训练循环应该相当规范。每k次迭代,都会调用一个函数来评估验证集。
请注意,我只启动名称以“train”开头的队列;这是为收集生成的培训数据而设置的队列。为了做到这一点,我创建了两个助手函数,tf.train.batch
和True
。
def train_loop(train_ops, vali_ops, ...):
with tf.Session() as sess:
coord = tf.train.Coordinator()
sess.run([tf.initialize_all_variables(), tf.initialize_local_variables()])
load_latest_snapshot(sess, loader, snapshot_file)
# Launch the queue runners
queues = get_queues_by_name("train")
threads = start_queue_runners(sess, coord, queues)
try:
for step in range(start_iteration, num_train_iterations):
# Runs the session on validation set
if step % K == 0:
validation_results = run_validation(vali_ops, snapshot_file)
# TRAINING:
# ...
except Exception as e:
coord.request_stop(e)
finally:
coord.request_stop()
coord.join(threads)
def get_queues_by_name(name):
"""Retrieves all queues that contain the string given by 'name'"""
all_queues = tf.get_collection(tf.GraphKeys.QUEUE_RUNNERS)
return [q for q in all_queues if name in q.name]
def start_queue_runners(session, coordinator, queues):
"""Similar to tf.train.start_queue_runners but now accepts a list of queues instead of a graph collection"""
with session.graph.as_default():
threads = []
for queue in queues:
log("Queue", "Starting queue '%s'" % queue.name, level=2)
threads.extend(queue.create_threads(session, coordinator, daemon=True, start=True))
return threads
get_queues_by_name
函数中,针对封闭队列的问题,我选择的解决方法是创建一个新的
start_queue_runners
。我还只启动与收集验证集数据的队列相关联的线程。
def run_validation(ops, snapshot_file): # Called inside train_loop()
results = None
loader = tf.train.Saver()
with tf.Session() as sess:
coord = tf.train.Coordinator()
sess.run([tf.initialize_local_variables()])
load_latest_snapshot(sess, loader, snapshot_file)
# Launch the queue runners
queues = get_queues_by_name("eval")
threads = start_queue_runners(sess, coord, queues)
# Performs the inference in batches
try:
# Evaluate validation set:
results = eval_in_batches(ops, sess)
except Exception as e:
coord.request_stop(e)
finally:
coord.request_stop()
coord.join(threads)
return results
run_validation
是否是一个好主意,但这似乎是完成重新启动验证队列的唯一方法。理想情况下,我也不想重新加载模型快照,因为这在概念上似乎是不必要的。
最佳答案
我现在也面临着类似的问题。到目前为止,我完全避免了任何队列,只是通过feed_dict
输入数据,但是我显然因为不使用队列和并行性而失去了一些性能(尽管我仍然对当前的速度很满意,就像我之前在Theano中所做的一样)。现在我想重新设计这个并使用队列,然后偶然发现了这个问题。有一些相关的问题。
我目前正在考虑这样做:
在培训中,我想使用一个RandomShuffleQueue
使其更加复杂。我想我会忽略这个问题,一旦把张量排成队列的读者线程结束,我会让训练停止,所以我会释放这个时期的剩余capacity
项,并将其用于下一个时期。也许为了使它具有确定性,我签入了我仍然从队列中读取的列车线程,直到只剩下min_after_dequeue
个项目为止。
在评估中,我想使用相同的图表和相同的会话。我可以使用tf.cond
从另一个单独的队列中读取,而不是使用RandomShuffleQueue
。或者我可以在评估中使用feed_dict
。如果我使用一个单独的队列,我将使用一个FIFOQueue
并仔细跟踪我所做的步骤的数量。我还可以在队列中引入另一个虚拟张量,它给我一个end_of_epoch
标志,这样我就知道在eval线程中什么时候停止。
在TensorFlow 1.2中,将有tf.contrib.data
接口(this、this、this),它提供了tf.contrib.data.Dataset
API,该API还支持类似于tf.RandomShuffleQueue
和批处理和循环多个时期的洗牌。另外,通过在数据上创建迭代器来访问数据,并且可以重置迭代器。一些相关的stackoverflow问题是issue comment和documentation overview。
关于python - TensorFlow:如何在培训期间多次评估验证数据队列?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41187745/
我想将模型及其各自训练的权重从 tensorflow.js 转换为标准 tensorflow,但无法弄清楚如何做到这一点,tensorflow.js 的文档对此没有任何说明 我有一个 manifest
我有一个运行良好的 TF 模型,它是用 Python 和 TFlearn 构建的。有没有办法在另一个系统上运行这个模型而不安装 Tensorflow?它已经经过预训练,所以我只需要通过它运行数据。 我
当执行 tensorflow_model_server 二进制文件时,它需要一个模型名称命令行参数,model_name。 如何在训练期间指定模型名称,以便在运行 tensorflow_model_s
我一直在 R 中使用标准包进行生存分析。我知道如何在 TensorFlow 中处理分类问题,例如逻辑回归,但我很难将其映射到生存分析问题。在某种程度上,您有两个输出向量而不是一个输出向量(time_t
Torch7 has a library for generating Gaussian Kernels在一个固定的支持。 Tensorflow 中有什么可比的吗?我看到 these distribu
在Keras中我们可以简单的添加回调,如下所示: self.model.fit(X_train,y_train,callbacks=[Custom_callback]) 回调在doc中定义,但我找不到
我正在寻找一种在 tensorflow 中有条件打印节点的方法,使用下面的示例代码行,其中每 10 个循环计数,它应该在控制台中打印一些东西。但这对我不起作用。谁能建议? 谢谢,哈米德雷萨, epsi
我想使用 tensorflow object detection API 创建我自己的 .tfrecord 文件,并将它们用于训练。该记录将是原始数据集的子集,因此模型将仅检测特定类别。我不明白也无法
我在 TensorFlow 中训练了一个聊天机器人,想保存模型以便使用 TensorFlow.js 将其部署到 Web。我有以下内容 checkpoint = "./chatbot_weights.c
我最近开始学习 Tensorflow,特别是我想使用卷积神经网络进行图像分类。我一直在看官方仓库中的android demo,特别是这个例子:https://github.com/tensorflow
我目前正在研究单图像超分辨率,并且我设法卡住了现有的检查点文件并将其转换为 tensorflow lite。但是,使用 .tflite 文件执行推理时,对一张图像进行上采样所需的时间至少是使用 .ck
我注意到 tensorflow 的 api 中已经有批量标准化函数。我不明白的一件事是如何更改训练和测试之间的程序? 批量归一化在测试和训练期间的作用不同。具体来说,在训练期间使用固定的均值和方差。
我创建了一个模型,该模型将 Mobilenet V2 应用于 Google colab 中的卷积基础层。然后我使用这个命令转换它: path_to_h5 = working_dir + '/Tenso
代码取自:- http://adventuresinmachinelearning.com/python-tensorflow-tutorial/ import tensorflow as tf fr
好了,所以我准备在Tensorflow中运行 tf.nn.softmax_cross_entropy_with_logits() 函数。 据我了解,“logit”应该是概率的张量,每个对应于某个像素的
tensorflow 服务构建依赖于大型 tensorflow ;但我已经成功构建了 tensorflow。所以我想用它。我做这些事情:我更改了 tensorflow 服务 WORKSPACE(org
Tensoflow 嵌入层 ( https://www.tensorflow.org/api_docs/python/tf/keras/layers/Embedding ) 易于使用, 并且有大量的文
我正在尝试使用非常大的数据集(比我的内存大得多)训练 Tensorflow 模型。 为了充分利用所有可用的训练数据,我正在考虑将它们分成几个小的“分片”,并一次在一个分片上进行训练。 经过一番研究,我
根据 Sutton 的书 - Reinforcement Learning: An Introduction,网络权重的更新方程为: 其中 et 是资格轨迹。 这类似于带有额外 et 的梯度下降更新。
如何根据条件选择执行图表的一部分? 我的网络有一部分只有在 feed_dict 中提供占位符值时才会执行.如果未提供该值,则采用备用路径。我该如何使用 tensorflow 来实现它? 以下是我的代码
我是一名优秀的程序员,十分优秀!