tensorflow keras训练卡死 tensorflow2 keras

目录

• 简介
• 分类问题和回归问题

• 为什么需要目标函数
• one hot 编码

• 实战

• 2-3 实战分类模型之数据读取与展示

• 导入经常要用到的数据库
• 下载数据集

• 2-4构建模型

• 训练模型
• 显示学习曲线
• 对测试集 进行评估

• 2.5数据归一化
• 2.6回调函数
• 2.7回归模型
• 2.8神经网络讲解
• 2.9构建深度神经网络
• 2.10 批归一化,激活函数,dropout

简介

keras 是TensorFlow 的有个高级API

• Tf-keras 是TensorFlow集成在TensorFlow内部,结合更紧密,更适用于研究人员,可以SavedModel 实现跨平台.
• Keras 基本和Tf-keras基本相同,支持切换后端

分类问题和回归问题

分类问题预测的是类别,模型输出是概率分布
- 三分类问题输出例子 [0.2,0.7,0.1] 这个模型输出对应的就是0.7的类别
回归问题,预测的是一个值,比如房价 500万

为什么需要目标函数

• 参数是逐步调整的
• 目标函数可以把帮助衡量模型的好坏

one hot 编码

2->one_hot->[0,0,1]

分类问题的损失函数

• 平方差损失 $\frac{1}{n}\sum_{x,y}\frac{1}{2}(y-Model(x))^{2}$
• 交叉熵损失 $\frac{1}{2}\sum_{x,y}y\ln(Medel(x))$

举例
预测值:[0.2,0.7,0.1]
真实值:[0 , 0 , 1]
平方差损失:$\frac{(0.2-0)^{2}+(0.7-0)^{2}+(0.1-1)^{2}}{2}$
交叉熵损失:$\frac{0*\ln{0.2}+0*\ln(0.7)+1*\ln(0.1)}{2}$

回归问题的损失函数

• 平方差损失
• 绝对值损失

模型的训练就是调整参数,使得损失函数达到最小的过程

实战

• 搭建分类模型
• 实现回调函数
• 搭建回归模型

2-3 实战分类模型之数据读取与展示

导入经常要用到的数据库

import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf
from tensorflow import keras

print(tf.__version__)
print(sys.version_info)
for module in mpl,np,sklearn,pd,tf,keras:
    print(module.__name__,module.__version__)

2.0.0-alpha0
sys.version_info(major=3, minor=7, micro=3, releaselevel=‘final’, serial=0)
matplotlib 3.0.3
numpy 1.16.2
sklearn 0.20.3
pandas 0.24.2
tensorflow 2.0.0-alpha0
tensorflow.python.keras.api._v2.keras 2.2.4-tf

下载数据集

fashion_mnist = keras.datasets.fashion_mnist
(x_train_all,y_train_all),(x_test,y_test)=fashion_mnist.load_data()
x_vaild,x_train = x_train_all[:5000],x_train_all[5000:]  #把下载的数据分为训练集和验证集
y_vaild,y_train = y_train_all[:5000],y_train_all[5000:]

print(x_vaild.shape,y_vaild.shape)
print(x_train.shape,y_train.shape)
print(x_test.shape,y_test.shape)

(5000, 28, 28) (5000,)
(55000, 28, 28) (55000,)
(10000, 28, 28) (10000,)

显示单个图像

def show_single_image(img_arr):
    plt.imshow(img_arr,cmap="binary")
    plt.show()
show_single_image(x_train[0])

显示多个图像

def show_imgs(n_rows, n_cols, x_data, y_data, class_names):
    assert len(x_data) == len(y_data)
    assert n_rows * n_cols < len(x_data)
    plt.figure(figsize = (n_cols * 1.4, n_rows * 1.6))
    for row in range(n_rows):
        for col in range(n_cols):
            index = n_cols * row + col 				
            plt.subplot(n_rows, n_cols, index+1)			#subplot 对应的ID 是从1 开始
            plt.imshow(x_data[index], cmap="binary",		#cmap 这里显示对应的是 黑白图
                       interpolation = 'nearest')			#图像压缩是像素点取值方式
            plt.axis('off')									#关闭坐标显示
            plt.title(class_names[y_data[index]])			#显示title
    plt.show()												#这个show 要卸载对应第一个for循环结束,否则显示会出现大小不一的问题

class_names = ['T-shirt', 'Trouser', 'Pullover', 'Dress',
               'Coat', 'Sandal', 'Shirt', 'Sneaker',
               'Bag', 'Ankle boot']
show_imgs(3, 5, x_train, y_train, class_names)

2-4构建模型

# tf.keras.models.Sequential()

model  = keras.models.Sequential()
model.add(keras.layers.Flatten(input_shape=[28, 28]))
model.add(keras.layers.Dense(300, activation="relu"))
model.add(keras.layers.Dense(100, activation="relu"))
model.add(keras.layers.Dense(10, activation="softmax"))

"""
model 
model = keras.models.Sequential([
    keras.layers.Flatten(input_shape=[28, 28]),
    keras.layers.Dense(300, activation='relu'),
    keras.layers.Dense(100, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])
"""
# relu: y = max(0, x)
# softmax: 将向量变成概率分布. x = [x1, x2, x3], 
#          y = [e^x1/sum, e^x2/sum, e^x3/sum], sum = e^x1 + e^x2 + e^x3

# reason for sparse: y->index. y->one_hot->[] 当y为
model.compile(loss="sparse_categorical_crossentropy",
              optimizer = "sgd",
              metrics = ["accuracy"])

model.summary()

Model: “sequential”

Layer (type)	Output Shape	Param
flatten (Flatten)	(None, 784)	0
dense (Dense)	(None, 300)	235500
dense_1 (Dense)	(None, 100)	30100
dense_2 (Dense)	(None, 10)	1010

Total params	266,610
Trainable params	266,610
Non-trainable params	0

$[None, 784] * W + b -> [None, 300] W.shape [784, 300], b = [300]$

训练模型

history = model.fit(x_train, y_train, epochs=10,
                    validation_data=(x_valid, y_valid)
history.history

显示学习曲线

def plot_learning_curves(history):
    pd.DataFrame(history.history).plot(figsize=(8, 5))
    plt.grid(True)
    plt.gca().set_ylim(0, 1)
    plt.show()

plot_learning_curves(history)

对测试集 进行评估

model.evaluate(x_test, y_test)

10000/10000 [==============================] - 2s 167us/sample - loss: 0.5227 - accuracy: 0.8188
[0.5227188316345215, 0.8188]

2.5数据归一化

$x = (x - u) / std$
$scaler.fit_transform$只能对2维数据进行操作,所以先变换成向量,归一化完成之后再重新reshape为$[None ,28,28]$

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
# x_train: [None, 28, 28] -> [None, 784]
x_train_scaled = scaler.fit_transform(
    x_train.astype(np.float32).reshape(-1, 1)).reshape(-1, 28, 28)
x_valid_scaled = scaler.transform(
    x_valid.astype(np.float32).reshape(-1, 1)).reshape(-1, 28, 28)
x_test_scaled = scaler.transform(
    x_test.astype(np.float32).reshape(-1, 1)).reshape(-1, 28, 28)

2.6回调函数

tf.keras.callbacks:在训练模型的时候做一些事情

• Early stoping:在模型下降速度很慢的时候,提前停止训练
• Modle check point:每隔一段时间 保存 所有参数的中间状态
• tensorboard:模型的指标自动化显示

# Tensorboard, earlystopping, ModelCheckpoint
logdir = './callbacks'
if not os.path.exists(logdir):
    os.mkdir(logdir)
output_model_file = os.path.join(logdir,
                                 "fashion_mnist_model.h5")

callbacks = [
    keras.callbacks.TensorBoard(logdir),					#这里运行出错,暂时没有找到解决办法.暂时先屏蔽掉了.
    keras.callbacks.ModelCheckpoint(output_model_file,
                                    save_best_only = True),
    keras.callbacks.EarlyStopping(patience=5, min_delta=1e-3),
]
history = model.fit(x_train_scaled, y_train, epochs=10,
                    validation_data=(x_valid_scaled, y_valid),
                    callbacks = callbacks)

我的编译环境是windows 7 不知道是因为文件目录/ \ 不符还是其他原因,总之我TensorBoard 这里会运行出问题,这里先记载一下.

2.7回归模型

使用 房价预测的数据集

import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf

from tensorflow import keras

print(tf.__version__)
print(sys.version_info)
for module in mpl, np, pd, sklearn, tf, keras:
    print(module.__name__, module.__version__)

导入数据集

from sklearn.datasets import fetch_california_housing

housing = fetch_california_housing()
print(housing.DESCR)
print(housing.data.shape)
print(housing.target.shape)

显示部分数据

import pprint

pprint.pprint(housing.data[0:5])
pprint.pprint(housing.target[0:5])

拆分数据

from sklearn.model_selection import train_test_split

x_train_all, x_test, y_train_all, y_test = train_test_split(
    housing.data, housing.target, random_state = 7)
x_train, x_valid, y_train, y_valid = train_test_split(
    x_train_all, y_train_all, random_state = 11)
print(x_train.shape, y_train.shape)
print(x_valid.shape, y_valid.shape)
print(x_test.shape, y_test.shape)

数据归一化

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
x_train_scaled = scaler.fit_transform(x_train)
x_valid_scaled = scaler.transform(x_valid)
x_test_scaled = scaler.transform(x_test)

构建模型

model = keras.models.Sequential([
    keras.layers.Dense(30, activation='relu',
                       input_shape=x_train.shape[1:]),
    keras.layers.Dense(1),
])
model.summary()
model.compile(loss="mean_squared_error", optimizer="sgd")
callbacks = [keras.callbacks.EarlyStopping(
    patience=5, min_delta=1e-2)]

开始训练

history = model.fit(x_train_scaled, y_train,
                    validation_data = (x_valid_scaled, y_valid),
                    epochs = 100,
                    callbacks = callbacks)

输出学习曲线

def plot_learning_curves(history):
    pd.DataFrame(history.history).plot(figsize=(8, 5))
    plt.grid(True)
    plt.gca().set_ylim(0, 1)
    plt.show()
plot_learning_curves(history)

在测试集完成验证

model.evaluate(x_test_scaled, y_test)

2.8神经网络讲解

• 归一化
  批归一化:每层的激活值都做归一化处理:
  使得每次梯度下降的方向都指向圆心
• Dropout 随机的丢弃一些节点 增加的网络的鲁棒性
  防止过拟合(训练集很好,测试集不好)
  避免参数太多,记住样本
  让每一个节点独立的去学习数据的规律

2.9构建深度神经网络

model = keras.models.Sequential()
model.add(keras.layers.Flatten(input_shape=[28, 28]))
for _ in range(20):
    model.add(keras.layers.Dense(100, activation="relu"))
model.add(keras.layers.Dense(10, activation="softmax"))

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

在深度神经网络中,刚开始几次训练,参数变化很缓慢,原因如下.

• 深度神经网络,参数众多,训练不充分
• 梯度消失->链式法则->复合函数 f(g(x))
  最终在测试集 上的验证结果如下:
  10000/10000 [==============================] - 2s 232us/sample - loss: 0.9826 - accuracy: 0.6189

2.10 批归一化,激活函数,dropout

• 批归一化实现:在karas中批归一化是一个层次,只要加上这个层次就可以了

model = keras.models.Sequential()
model.add(keras.layers.Flatten(input_shape=[28, 28]))
for _ in range(20):
    model.add(keras.layers.Dense(100, activation="relu"))
    model.add(keras.layers.BatchNormalization())
model.add(keras.layers.Dense(10, activation="softmax"))

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

在验证集测试结果:
10000/10000 [==============================] - 7s 717us/sample - loss: 0.5536 - accuracy: 0.7937

• 变更激活方式 relu->selu 自带归一化功能的 relu
  activation(“relu”)->activation(“selu”) 同时删除 BatchNormalization 层

selu激活函数 在训练速度 和效果 都好于 relu

selu激活函数原理
$selu(x)=\beta* \begin{cases} x, & \text{if $n$ is even} \\ \alpha e^{x}-\alpha, & \text{if $x$ is odd} \end{cases}$

代码放到Tensorflow里面就下面几行：

def selu(x):
    with ops.name_scope('elu') as scope:
        alpha = 1.6732632423543772848170429916717
        scale = 1.0507009873554804934193349852946
        return scale*tf.where(x>=0.0, x, alpha*tf.nn.elu(x))

在验证集测试结果:
10000/10000 [==============================] - 3s 298us/sample - loss: 0.3878 - accuracy: 0.8608

• dropout代码实现

• 一般dropout 都在最后几层添加

model.add(keras.layers.AlphaDropout(rate = 0.5))  #Alphadropout  rata设置的是 丢失多少 一般设置为0.5
model.add(keras.layers.Dropout(rate = 0.5))		  #普通版本的 dropout

Alphadropout	dropout
均值方差不变	–
归一化性质不变	–

这就使得 Alphadropout可以和selu一起使用,使得model 更强大