DeepLearning tutorial(2)机器学习算法在训练过程中保存参数
@author:wepon
@blog:http://blog.csdn.net/u012162613/article/details/43169019
参考:pickle — Python object serialization、DeepLearning Getting started
一、python读取"***.pkl.gz"文件
用到python里的gzip以及cPickle模块,简单的使用代码如下,如果想详细了解可以参考上面给出的链接。
-
#以读取mnist.pkl.gz为例
-
import cPickle, gzip
-
f = gzip.open(
'mnist.pkl.gz',
'rb')
-
train_set, valid_set, test_set = cPickle.load(f)
-
f.close()
其实就是分两步,先读取gz文件,再读取pkl文件。pkl文件的应用正是下文要讲的,我们用它来保存机器学习算法训练过程中的参数。
二、机器学习算法在训练过程中如何保存参数?
我们知道,机器学习算法的计算量特别大,跑起程序来少则几十分钟,多则几小时甚至几天,中间如果有什么状况(比如电脑过热重启、程序出现一些小bug...)程序就会中断,如果你没把参数定时保存下来,前面的训练就当白费了,所以很有必要在程序中加入定时保存参数的功能,这样下次训练就可以将参数初始化为上次保存下来的结果,而不是从头开始随机初始化。
那么如何保存模型参数?可以将参数深复制,或者调用python的数据永久存储cPickle模块,原理不多说,直接使用就行。(注:python里有cPickle和pickle,cPickle基于c实现,比pickle快。)
直接用一个例子来说明如何使用:
-
a=[
1,
2,
3]
-
b={
4:
5,
6:
7}
-
#保存,cPickle.dump函数。/home/wepon/ab是路径,ab是保存的文件的名字,如果/home/wepon/下本来就有ab这个文件,将被覆写#,如果没有,则创建。'wb'表示以二进制可写的方式打开。dump中的-1表示使用highest protocol。
-
import cPickle
-
write_file=open(
'/home/wepon/ab',
'wb')
-
cPickle.dump(a,write_file,
-1)
-
cPickle.dump(b,write_file,
-1)
-
write_file.close()
-
-
#读取,cPickle.load函数。
-
read_file=open(
'/home/wepon/ab',
'rb')
-
a_1=cPickle.load(read_file)
-
b_1=cPickle.load(read_file)
-
print a,b
-
read_file.close()
在deeplearning算法中,因为用到GPU,经常是将参数声明为shared变量,因此必须用上get_value()、set_value,例如有w、v、u三个shared变量,使用代码如下:
-
import cPickle
-
#保存
-
write_file = open(
'path',
'wb')
-
cPickle.dump(w.get_value(borrow=
True), write_file,
-1)
-
cPickle.dump(v.get_value(borrow=
True), write_file,
-1)
-
cPickle.dump(u.get_value(borrow=
True), write_file,
-1)
-
write_file.close()
-
-
#读取
-
read_file = open(
'path')
-
w.set_value(cPickle.load(read_file), borrow=
True)
-
v.set_value(cPickle.load(read_file), borrow=
True)
-
u.set_value(cPickle.load(read_file), borrow=
True)
-
read_file.close()
一个实例
下面我以一个实际的例子来说明如何在程序中加入保存参数的功能。以deeplearnig.net上的逻辑回归为例,它的代码地址:logistic_sgd.py。这个程序是将逻辑回归用于MNIST分类,程序运行过程并不会保存参数,甚至运行结束时也不保存参数。怎么做可以保存参数?
在logistic_sgd.py代码里最后面的sgd_optimization_mnist()函数里,有个while循环,里面有一句代码:
if this_validation_loss < best_validation_loss:
这句代码的意思就是判断当前的验证损失是否小于最佳的验证损失,是的话,下面会更新best_validation_loss,也就是说当前参数下,模型比之前的有了优化,因此我们可以在这个if语句后面加入保存参数的代码:
save_params(classifier.W,classifier.b)
save_params函数定义如下:
-
def save_params(param1,param2):
-
import cPickle
-
write_file = open(
'params',
'wb')
-
cPickle.dump(param1.get_value(borrow=
True), write_file,
-1)
-
cPickle.dump(param2.get_value(borrow=
True), write_file,
-1)
-
write_file.close()
当然参数的个数根据需要去定义。在logistic_sgd.py中参数只有classifier.W,classifier.b,因此这里定义为save_params(param1,param2)。
在logistic_sgd.py里我加入了save_params(classifier.W,classifier.b),运行了3次epoch,中断掉程序,在代码所在的文件夹下,多出了一个params文件,我们来看看这个文件里是什么东西:
-
import cPickle
-
f=open(
'params')
-
w=cPickle.load(f)
-
b=cPickle.load(f)
-
-
#w大小是(n_in,n_out),b大小时(n_out,),b的值如下,因为MINST有10个类别,n_out=10,下面正是10个数
-
array([
-0.0888151 ,
0.16875755,
-0.03238435,
-0.06493175,
0.05245609,
-
0.1754718 ,
-0.0155049 ,
0.11216578,
-0.26740651,
-0.03980861])
也就是说,params文件确实保存了我们训练过程中的参数。
那么如何用保存下来的参数来初始化我们的模型的参数呢?
在logistic_sgd.py中的class LogisticRegression(object)下,self.W和self.b本来是初始化为0的,我们可以在下面加上几行代码,这样就可以用我们保存下来的params文件来初始化参数了:
-
class LogisticRegression(object):
-
def __init__(self, input, n_in, n_out):
-
self.W = theano.shared(
-
value=numpy.zeros(
-
(n_in, n_out),
-
dtype=theano.config.floatX
-
),
-
name=
'W',
-
borrow=
True
-
)
-
self.b = theano.shared(
-
value=numpy.zeros(
-
(n_out,),
-
dtype=theano.config.floatX
-
),
-
name=
'b',
-
borrow=
True
-
)
-
#!!!
-
#加入的代码在这里,程序运行到这里将会判断当前路径下有没有params文件,有的话就拿来初始化W和b
-
if os.path.exists(
'params'):
-
f=open(
'params')
-
self.W.set_value(cPickle.load(f), borrow=
True)
-
self.b.set_value(cPickle.load(f), borrow=
True)