- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在联合 tensorflow 中实现回归模型。我从本教程中使用的 keras 简单模型开始:https://www.tensorflow.org/tutorials/keras/regression
我更改了模型以使用联邦学习。这是我的模型:
import pandas as pd
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import tensorflow_federated as tff
dataset_path = keras.utils.get_file("auto-mpg.data", "http://archive.ics.uci.edu/ml/machine-learning-databases/auto-mpg/auto-mpg.data")
column_names = ['MPG','Cylinders','Displacement','Horsepower','Weight',
'Acceleration', 'Model Year', 'Origin']
raw_dataset = pd.read_csv(dataset_path, names=column_names,
na_values = "?", comment='\t',
sep=" ", skipinitialspace=True)
df = raw_dataset.copy()
df = df.dropna()
dfs = [x for _, x in df.groupby('Origin')]
datasets = []
targets = []
for dataframe in dfs:
target = dataframe.pop('MPG')
from sklearn.preprocessing import StandardScaler
standard_scaler_x = StandardScaler(with_mean=True, with_std=True)
normalized_values = standard_scaler_x.fit_transform(dataframe.values)
dataset = tf.data.Dataset.from_tensor_slices(({ 'x': normalized_values, 'y': target.values}))
train_dataset = dataset.shuffle(len(dataframe)).repeat(10).batch(20)
test_dataset = dataset.shuffle(len(dataframe)).batch(1)
datasets.append(train_dataset)
def build_model():
model = keras.Sequential([
layers.Dense(64, activation='relu', input_shape=[7]),
layers.Dense(64, activation='relu'),
layers.Dense(1)
])
return model
dataset_path
import collections
model = build_model()
sample_batch = tf.nest.map_structure(
lambda x: x.numpy(), iter(datasets[0]).next())
def loss_fn_Federated(y_true, y_pred):
return tf.reduce_mean(tf.keras.losses.MSE(y_true, y_pred))
def create_tff_model():
keras_model_clone = tf.keras.models.clone_model(model)
# adam = keras.optimizers.Adam()
adam = tf.keras.optimizers.SGD(0.002)
keras_model_clone.compile(optimizer=adam, loss='mse', metrics=[tf.keras.metrics.MeanSquaredError()])
return tff.learning.from_compiled_keras_model(keras_model_clone, sample_batch)
print("Create averaging process")
# This command builds all the TensorFlow graphs and serializes them:
iterative_process = tff.learning.build_federated_averaging_process(model_fn=create_tff_model)
print("Initzialize averaging process")
state = iterative_process.initialize()
print("Start iterations")
for _ in range(10):
state, metrics = iterative_process.next(state, datasets)
print('metrics={}'.format(metrics))
Start iterations
metrics=<mean_squared_error=95.8644027709961,loss=96.28633880615234>
metrics=<mean_squared_error=9.511247634887695,loss=9.522096633911133>
metrics=<mean_squared_error=8.26853084564209,loss=8.277074813842773>
metrics=<mean_squared_error=7.975323677062988,loss=7.9771647453308105>
metrics=<mean_squared_error=7.618809700012207,loss=7.644164562225342>
metrics=<mean_squared_error=7.347906112670898,loss=7.340310096740723>
metrics=<mean_squared_error=7.210267543792725,loss=7.210223197937012>
metrics=<mean_squared_error=7.045553207397461,loss=7.045469760894775>
metrics=<mean_squared_error=6.861278533935547,loss=6.878870487213135>
metrics=<mean_squared_error=6.80275297164917,loss=6.817670822143555>
evaluation = tff.learning.build_federated_evaluation(model_fn=create_tff_model)
test_metrics = evaluation(state.model, datasets)
print(test_metrics)
<mean_squared_error=27.308320999145508,loss=27.19877052307129>
我很困惑为什么 10 次迭代后评估的 mse 对于训练集来说更高,而迭代过程返回的 mse 却小得多。我在这里做错了什么?在tensorflow中fml的实现中是否隐藏了一些东西?有人可以给我解释一下吗?
最佳答案
您实际上在联邦学习中发现了一个非常有趣的现象。特别是,这里需要问的问题是:训练指标是如何计算的?
训练指标通常是在本地训练期间计算的;因此,它们是在客户端拟合其本地数据时计算的;在 TFF 中,它们是在执行每个本地步骤之前计算的 - 这种情况发生 here在前向传递调用期间。如果您想象极端情况,即仅在每个客户端的一轮训练结束时计算指标,您会清楚地看到一件事 - 客户端正在报告代表的指标它与他的本地数据的吻合程度如何。。
然而,联邦学习必须在每轮训练结束时生成一个单一的全局模型 - 在联邦平均中,这些局部模型在参数空间中一起平均。在一般情况下,尚不清楚如何直观地解释这样的步骤 - 参数空间中非线性模型的平均值不会给您平均预测或类似的结果。
联合评估采用此平均模型,并对每个客户端运行本地评估,根本不拟合本地数据。因此,如果您的客户端数据集具有截然不同的分布,则您应该预期从联合评估返回的指标与从一轮联合训练返回的指标有很大不同 - 联合平均正在报告期间收集的指标适应本地数据的过程,而联合评估是在对所有这些本地训练的模型进行平均后收集的报告指标。
事实上,如果您交叉调用迭代过程的 next
函数和评估函数,您将看到如下模式:
train metrics=<mean_squared_error=88.22489929199219,loss=88.6319351196289>
eval metrics=<mean_squared_error=33.69473648071289,loss=33.55160140991211>
train metrics=<mean_squared_error=8.873666763305664,loss=8.882776260375977>
eval metrics=<mean_squared_error=29.235883712768555,loss=29.13833236694336>
train metrics=<mean_squared_error=7.932246208190918,loss=7.918393611907959>
eval metrics=<mean_squared_error=27.9038028717041,loss=27.866817474365234>
train metrics=<mean_squared_error=7.573018550872803,loss=7.576478958129883>
eval metrics=<mean_squared_error=27.600923538208008,loss=27.561887741088867>
train metrics=<mean_squared_error=7.228050708770752,loss=7.224897861480713>
eval metrics=<mean_squared_error=27.46322250366211,loss=27.36537742614746>
train metrics=<mean_squared_error=7.049572944641113,loss=7.03688907623291>
eval metrics=<mean_squared_error=26.755760192871094,loss=26.719152450561523>
train metrics=<mean_squared_error=6.983217716217041,loss=6.954374313354492>
eval metrics=<mean_squared_error=26.756895065307617,loss=26.647253036499023>
train metrics=<mean_squared_error=6.909178256988525,loss=6.923810005187988>
eval metrics=<mean_squared_error=27.047882080078125,loss=26.86684799194336>
train metrics=<mean_squared_error=6.8190460205078125,loss=6.79202938079834>
eval metrics=<mean_squared_error=26.209386825561523,loss=26.10053062438965>
train metrics=<mean_squared_error=6.7200140953063965,loss=6.737307071685791>
eval metrics=<mean_squared_error=26.682661056518555,loss=26.64984703063965>
也就是说,您的联合评估也在下降,只是比您的训练指标慢得多 - 有效地测量客户数据集中的变化。您可以通过运行来验证这一点:
eval_metrics = evaluation(state.model, [datasets[0]])
print('eval metrics on 0th dataset={}'.format(eval_metrics))
eval_metrics = evaluation(state.model, [datasets[1]])
print('eval metrics on 1st dataset={}'.format(eval_metrics))
eval_metrics = evaluation(state.model, [datasets[2]])
print('eval metrics on 2nd dataset={}'.format(eval_metrics))
你会看到类似的结果
eval metrics on 0th dataset=<mean_squared_error=9.426984786987305,loss=9.431192398071289>
eval metrics on 1st dataset=<mean_squared_error=34.96992111206055,loss=34.96992492675781>
eval metrics on 2nd dataset=<mean_squared_error=72.94075775146484,loss=72.88787841796875>
因此您可以看到,您的平均模型在这三个数据集上的性能显着不同。
最后一点:您可能会注意到,evaluate
函数的最终结果不是您的三个损失的平均值 - 这是因为 evaluate
函数将按示例加权,而不是客户端加权——也就是说,拥有更多数据的客户端平均获得更多权重。
希望这有帮助!
关于tensorflow - tensorflow 联合训练和评估期间的 MSE 误差不同,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59193069/
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!