python - 不同模型在超参数调整时对RNN模型进行增量拟合

Question

我对深度学习很陌生，我正在学习 this RNN example 。

完成教程后，我决定看看各种超参数的效果，例如每层的节点数和 dropout 因子等。

我所做的是，对于列表中的每个值，使用一组参数创建一个新模型并测试数据集中的性能。下面是基本代码:

def build_model(MODELNAME, l1,l2,l3, l4, d):
    tf.global_variables_initializer() 
    tf.reset_default_graph()
    model = Sequential(name = MODELNAME)
    model.reset_states

    model.add(CuDNNLSTM(l1, input_shape=(x_train.shape[1:]), return_sequences=True) )
    model.add(Dropout(d))
    model.add(BatchNormalization())

    model.add(CuDNNLSTM(l2, input_shape=(x_train.shape[1:]), return_sequences=True) )

    # Definition of other layers of the model ...

    model.compile(loss="sparse_categorical_crossentropy",
                 optimizer=opt,
                 metrics=['accuracy'])

    history = model.fit(x_train, y_train,
                        epochs=EPOCHS,
                        batch_size=BATCH_SIZE,
                        validation_data=(x_validation, y_validation))
    return model

layer1 = [64, 128, 256]
layer2,3,4 = [...]
drop = [0.2, 0.3, 0.4]

config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.4


for l1 in layer1:
     #for l2, l3, l4 for layer2, layer3, layer4  
        for d in drop:
            sess = tf.Session(config=config)
            set_session(sess)

            MODELNAME = 'RNN-l1={}-l2={}-l3={}-l4={}-drop={} '.format(l1, l2, l3, l4, d)
            print(MODELNAME)

            model = build_model(MODELNAME, l1,l2,l3, l4, d)
            sess.close()
            print('-----> training & validation loss & accuracies)

问题是，当使用新参数构建新模型时，它的工作方式就像前一个模型的下一个纪元，而不是新模型的第 1 纪元。以下是部分结果。

RNN-l1=64-l2=64-l3=64-l4=32-drop=0.2 
Train on 90116 samples, validate on 4458 samples
Epoch 1/6
90116/90116 [==============================] - 139s 2ms/step - loss: 0.5558 - acc: 0.7116 - val_loss: 0.8857 - val_acc: 0.5213
... # results for other epochs
Epoch 6/6
RNN-l1=64-l2=64-l3=64-l4=32-drop=0.3 
90116/90116 [==============================] - 140s 2ms/step - loss: 0.5233 - acc: 0.7369 - val_loss: 0.9760 - val_acc: 0.5336
Epoch 1/6
90116/90116 [==============================] - 142s 2ms/step - loss: 0.5170 - acc: 0.7403 - val_loss: 0.9671 - val_acc: 0.5310
... # results for other epochs
90116/90116 [==============================] - 142s 2ms/step - loss: 0.4953 - acc: 0.7577 - val_loss: 0.9587 - val_acc: 0.5354
Epoch 6/6
90116/90116 [==============================] - 143s 2ms/step - loss: 0.4908 - acc: 0.7614 - val_loss: 1.0319 - val_acc: 0.5397
# -------------------AFTER 31TH SET OF PARAMETERS
RNN-l1=64-l2=256-l3=128-l4=32-drop=0.2
Epoch 1/6
90116/90116 [==============================] - 144s 2ms/step - loss: 0.1080 - acc: 0.9596 - val_loss: 1.8910 - val_acc: 0.5372

如图所示，第 31 组参数的第一个 epoch 的行为就像第 181 epoch 一样。同样，如果我在某个点停止运行并再次重新运行，则准确性和损失看起来就像是下一个纪元，如下所示。

Epoch 1/6
90116/90116 [==============================] - 144s 2ms/step - loss: 0.1053 - acc: 0.9621 - val_loss: 1.9120 - val_acc: 0.5375

我尝试了很多事情(正如您在代码中看到的那样)，例如model=None、重新初始化变量、resetting_status模型、每次迭代中关闭 session 等，但没有任何帮助。我搜索了类似的问题但没有运气。

我试图理解我做错了什么。感谢任何帮助，

注意:标题不是很能解释，我愿意接受更好标题的建议。

Answer 1

看起来您正在使用 Keras 设置，这意味着您需要导入 keras 后端，然后在运行新模型之前清除该 session 。它会是这样的:

from keras import backend as K 
K.clear_session()