python - keras-evaluate_generator 使用相同的训练数据产生不同的准确率

Question

TL;DR 我的模型训练了 1 个时期 - 用于测试目的。然而，当多次评估时，每次我使用相同的训练数据运行 evaluate_generator 方法时，都会产生不同的准确度。为什么会发生这种情况？在同一模型上多次评估相同的训练数据时，有没有办法获得相同的准确率？

<小时/>

我正在研究对话行为分类的语言问题，我的模型基于this纸。使用 keras 和 keras_contrib 存储库提供的工具，我正在复制确切的模型，但我有一个问题，为什么评估会给出不同的准确率。

作为引用，我训练了一个周期的模型，然后使用 keras_contrib 模块提供的实用程序 save_load_utils 将训练后的模型保存在文件中。然而，每当我使用这些权重运行模型(这些权重是针对单个时期进行训练的)时，我都会得到不同的准确率。我试了5-10次，范围在68%到74%之间，这个范围是比较大的。当我加载预训练(即 1 epoch)模型权重时，我期望获得相同的精度。 (即缺乏 float 的任何精度差异)但是，在此速率下结果的方差表明我可能做错了一些事情。

有谁知道为什么 model.evaluate_generator 方法每次以相同的权重运行它时都会生成如此不同的结果，即使我使用相同的 1-epoch-训练模型的权重来评估它？有什么方法可以修复我的评估代码，以便每次评估时为同一训练模型获得的准确性都是相同的？ (即考虑浮点运算引起的任何微小差异)

下面是所有相关代码。与标准 StackOverflow 问题相比，代码示例有点长，但我想包含代码的所有相关部分。对于代码的长度，向 Python 程序员致歉。我是一名新手 Python 程序员，我可能可以用更简洁、Python 惯用的方式编写整个代码。

模型准备尾声:

def prepare_kadjk_model(max_mini_batch_size,
                        max_conversation_length, timesteps, num_word_dimensions,
                        word_to_index, word_vec_dict,
                        num_tags):
    #Hyperparameters
    m = timesteps
    h = timesteps

    model = Sequential()

    dictionary_size = len(word_to_index) + 1

    embedding_weights = numpy.zeros((dictionary_size, num_word_dimensions))
    for word, index in word_to_index.items():
        embedding_weights[index, :] = word_vec_dict[word]

    # define inputs here
    embedding_layer = Embedding(dictionary_size, num_word_dimensions,
                                weights=[embedding_weights],
                                embeddings_regularizer=regularizers.l2(0.0001))
    model.add(TimeDistributed(embedding_layer,
                              input_shape=(max_conversation_length, timesteps)))

    model.add(TimeDistributed(Bidirectional(LSTM(m // 2, return_sequences=True,
                                            kernel_regularizer=regularizers.l2(0.0001)))))
    model.add(TimeDistributed(Dropout(0.2)))
    model.add(TimeDistributed(GlobalMaxPooling1D()))
    model.add(Bidirectional(LSTM(h // 2, return_sequences = True,
                                 kernel_regularizer=regularizers.l2(0.0001)), merge_mode='concat'))
    model.add(Dropout(0.2))
    crf = CRF(num_tags, sparse_target=False, kernel_regularizer=regularizers.l2(0.0001))
    model.add(crf)
    model.compile(optimizer, loss = crf_loss,
                  metrics=[crf_accuracy])
    return model

批量准备功能:

def form_mini_batches(dataset_x, max_mini_batch_size):
    num_conversations = len(dataset_x)

    # Form mini batches of equal-length conversations
    mini_batches = {}
    for i in range(num_conversations):
        num_utterances = len(dataset_x[i])
        if num_utterances in mini_batches:
            mini_batches[num_utterances].append( i )
        else:
            mini_batches[num_utterances] = [ i ]

    # Enforce max_batch_size on previously formed mini batches
    mini_batch_list = []
    for conversations in mini_batches.values():
        mini_batch_list += [conversations[x: x + max_mini_batch_size] for x in range(0, len(conversations), max_mini_batch_size)]

    return mini_batch_list


def kadjk_batch_generator(dataset_x, dataset_y, tag_indices,
                          mini_batch_list, max_conversation_length,
                          timesteps, num_word_dimensions, num_tags,
                          word_index_to_append, tag_index_to_append):
    num_mini_batches = len(mini_batch_list)

    # Shuffle the order of batches
    index_list = [x for x in range(num_mini_batches)]
    random.shuffle(index_list)

    k = -1
    while True:
        k = (k + 1) % len(index_list)
        index = index_list[k]
        conversation_indices = mini_batch_list[index]

        num_conversations = len(conversation_indices)
        batch_features = numpy.empty(shape = (num_conversations, max_conversation_length, timesteps),
                                     dtype = int)
        label_list = []

        for i in range(num_conversations):
            utterances = dataset_x[conversation_indices[i]]
            labels = copy.deepcopy(dataset_y[conversation_indices[i]])
            num_utterances = len(utterances)
            num_labels_to_append = max(0, max_conversation_length - len(labels))
            labels += [tag_index_to_append] * num_labels_to_append
            tags = to_categorical(labels, num_tags)
            del labels

            for j in range(num_utterances):
                utterance = copy.deepcopy(utterances[j])
                num_to_append = max(0, timesteps - len(utterance))
                if num_to_append > 0:
                    appendage = [word_index_to_append] * num_to_append
                    utterance += appendage

                batch_features[i][j] = utterance
                del utterance

            remaining_space = (max_conversation_length - num_utterances, timesteps)
            batch_features[i][num_utterances:] = numpy.ones(remaining_space) * word_index_to_append
            label_list.append(tags)

        batch_labels = numpy.array(label_list)
        del label_list

        yield batch_features, batch_labels

训练功能:

def train_kadjk(model, training, validation, num_epochs_to_train, tag_indices, max_mini_batch_size,
                max_conversation_length, timesteps, num_word_dimensions, num_tags,
                end_of_line_word_index, uninterpretable_label_index):
    training_mini_batch_list = form_mini_batches(training[0], max_mini_batch_size)
    validation_mini_batch_list = form_mini_batches(validation[0], max_mini_batch_size)

    num_training_steps = len(training_mini_batch_list)
    num_validation_steps = len(validation_mini_batch_list)

    early_stop = EarlyStopping(patience = 5)
    change_learning_rate = LearningRateScheduler(learning_rate_scheduler)

    model.fit_generator(kadjk_batch_generator(training[0], training[1], tag_indices,
                                              training_mini_batch_list, max_conversation_length,
                                              timesteps, num_word_dimensions, num_tags,
                                              end_of_line_word_index, uninterpretable_label_index),
                        steps_per_epoch = num_training_steps,
                        epochs = num_epochs_to_train,
                        validation_data = kadjk_batch_generator(validation[0], validation[1],
                                                                tag_indices,
                                                                validation_mini_batch_list, 
                                                                max_conversation_length, timesteps,
                                                                num_word_dimensions, num_tags,
                                                                end_of_line_word_index,
                                                                uninterpretable_label_index),
                        validation_steps = num_validation_steps,
                        callbacks = [early_stop, change_learning_rate])

评估函数:

def evaluate_kadjk(model, testing, tag_indices, max_mini_batch_size, max_conversation_length,
                   timesteps, num_word_dimensions, num_tags,
                   end_of_line_word_index, uninterpretable_label_index):
    testing_mini_batch_list = form_mini_batches(testing[0], max_mini_batch_size)
    num_testing_steps = len(testing_mini_batch_list)
    score = model.evaluate_generator(kadjk_batch_generator(testing[0], testing[1],
                                                           tag_indices,
                                                           testing_mini_batch_list, 
                                                           max_conversation_length, timesteps,
                                                           num_word_dimensions, num_tags,
                                                           end_of_line_word_index,
                                                           uninterpretable_label_index),
                                     steps = num_testing_steps)
    print("len(score):" + str(len(score)))
    print("score:" + str(score))

您可以导航here为了更全面地了解我正在从事的研究生论文项目，但我试图为任何可以提供帮助的人提供所需的所有相关功能。

Answer 1

我深入研究了 keras 的 Github 问题，并在 this 中找到了错误的可能原因。评论。

显然，与批量归一化层类似，使用 Dropout 层会导致变化，正如我在问题中所描述的那样。 Dropout 层会导致神经元在训练期间被丢弃。因此，当模型训练完成时，最初编译的模型中并非所有神经元都存在。

如果使用函数keras_contrib.save_load_utils.save_all_weights保存模型权重，则会保存模型的权重。但是，一旦您终止该过程而不保存最终的神经元配置(不仅仅是权重)，模型的最终配置就会丢失。如前所述here ，save_all_weights，这是我用来保存模型的函数，并不保存模型本身的配置。

因此，如果您在不同的进程中编译模型，并加载使用 keras_contrib.save_load_utils.load_all_weights 保存的权重，即使您使用与测试模型相同的数据来测试模型在上一次运行中，新编译的模型有一些额外的神经元，这些神经元在原始模型的训练过程中被丢弃。这种配置上的差异，再加上它们可能(在本例中)使用随机权重进行初始化的事实，导致评估每次运行时都会给出不同的准确率。

解决方案似乎不仅是记录权重，而且还记录所有配置。这可以简单地通过使用模型实例的 save 方法而不是 keras_contrib.save_load_utils.save_all_weights 来完成。显然，要在不同的进程中重新加载整个模型，应使用 keras.models.load_model 而不是 keras_contrib.save_load_utils.load_all_weights。