tensorflow自定义训练常用方法参数记录

最新推荐文章于 2023-01-08 07:11:01 发布

梦想闹钟

最新推荐文章于 2023-01-08 07:11:01 发布

阅读量711

点赞数 2

分类专栏：深度学习/自然语言处理 python 文章标签： tensorflow 深度学习 python

本文链接：https://blog.csdn.net/qq_43199509/article/details/127389044

版权

深度学习/自然语言处理同时被 2 个专栏收录

26 篇文章 5 订阅

订阅专栏

python

16 篇文章 1 订阅

订阅专栏

最近需要复现某篇文章的神经网络结构，发现论文中没有给出代码或者是仅给出少量关键的代码，该如何下手准备复现呢
1.准备数据集+提取特征
数据集一般是论文提供或者自己搜集，提取特征的方法一般论文会给出，按给出的方法从数据集中提取即可。需要注意的是提取的特征最好是以numpy的形式存储，numpy的各种函数能比较方便的处理数据。此外最好在输入进神经网络前进行手工打乱，虽然model.fit()方法里也有shuffle选项，但该选项在validation_split参数生效之后，因此如果你的数据本身是有序的,需要先手工打乱再指定validation_split。

def shuffle_data(data_x, data_y, seed=207):
    # 对输入的numpy数组进行手动打乱
    np.random.seed(seed)
    np.random.shuffle(data_x)
    np.random.seed(seed)
    np.random.shuffle(data_y)
    return data_x, data_y

2.准备神经网络
TensorFlow搭建神经网络还是比较方便的，很多常用的结构tensorflow.keras.layers里都有集成的方法，需要对应的网络结构时直接调用就行。注意某些老版本的代码会直接调用keras包，程序会报错no moudle named keras,这时候把keras换成tensorflow.keras或者tensorflow.python.keras即可解决问题。
如我需要搭建如下图的神经网络，其中有些层的细节比如激活函数等会在论文里提到，最终生成的神经网络结果是这个样子
在这里插入图片描述

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Embedding, Conv1D, multiply, GlobalMaxPool1D, Input, Activation


def Malconv(max_len=200000, win_size=500, vocab_size=256):
    inp = Input((max_len,))
    emb = Embedding(vocab_size, 8)(inp)

    conv1 = Conv1D(kernel_size=(win_size), filters=128, strides=(win_size), padding='same')(emb)
    conv2 = Conv1D(kernel_size=(win_size), filters=128, strides=(win_size), padding='same')(emb)
    a = Activation('sigmoid', name='sigmoid')(conv2)

    mul = multiply([conv1, a])
    a = Activation('relu', name='relu')(mul)
    p = GlobalMaxPool1D()(a)
    d = Dense(64)(p)
    out = Dense(1, activation='sigmoid')(d)

    return Model(inp, out)

最近在使用的时候感觉TensorFlow在某些地方做了兼容，比如输入维度和实际设定的维度不一时也能运行，不过TensorFlow会发出报警

3.训练数据

从刚刚设定好的model中导入神经网络，设置loss,optimizer和metrics，一般metrics常用的就是acc(准确率）和ce(交叉熵），注意这两个可以放在一起使用
loss,optimizer,metrics介绍：
http://www.kaotop.com/it/18701.html

from Malconv import Malconv
model = Malconv()
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['acc','ce'])

然后就是把数据x和标签y输入到模型中，通过fit方法开始训练。这里介绍一些常用的参数
batch_size:控制一次输入进模型里的数据大小，默认为32，如果数据量过大的话可以把这个值调小
epochs:控制训练次数
shuffle:是否打乱，一般都是True
callbacks:设置回调函数，用于监控等目的
validation_split:自动分割输入的x,y作为验证集
workers:并行数量，一般设置为cpu总核数或者总核数的一半，和batch_size一样，设置小了训练慢，设置大了容易炸

  history = model.fit(x, y,batch_size=32,epochs=10000,shuffle=True,callbacks=callbacks,validation_split=0.2,workers=4)

如果不使用validation_split，那么就需要使用validation_data来指定测试数据

  history = model.fit(x, y,batch_size=32,epochs=10000,shuffle=True,callbacks=callbacks,validation_data=(x_val,y_val),workers=4)

其他的一些参数介绍：
https://blog.csdn.net/Aibiabcheng/article/details/117453782

然后是callback函数，一般常用的就是监控loss有没有持续下降，需不需要提前终止训练，比如这段代码就是监控训练数据上如果loss在early_stopping_rounds里没有持续下降那么就结束训练

callbacks = tf.keras.callbacks.EarlyStopping(
    monitor='val_loss',
    min_delta=1e-3,
    patience=early_stopping_rounds,
    verbose=0,
    mode='min',
    baseline=None,
    restore_best_weights=False
)